多类分类可以通过根据某种编码规则将其分解为一组二元分类问题来解决。现有的工作在原始特征空间中解决这些二元分类问题，但由于不同的二元分类问题对应于不同的正例和负例，因此可能不是最优的。

为了解决这个问题，Zang Min-Ling 领导的研究团队在Frontiers of Computer Science上发表了他们的研究成果。

该团队建议为每个分解的二元分类问题学习特定于标签的特征，以考虑其正例和负例中包含的特定特征。实验清楚地验证了学习特定于标签的特征对于基于分解的多类分类的有效性。

研究中，对于每个分解的二元分类问题，分别对其正例和反例进行聚类分析，以发现该特定分类的内在特征分类。优越性 问题。基于聚类结果，通过测量示例与所有聚类中心之间的相似性来构造每个示例的标签特定特征。实验表明，基于生成的标签特定特征相对于原始特征来学习二元分类器具有

未来的工作可以集中于探索其他可行的技术来获取特定于标签的特征(例如特征选择)，并进一步利用不同分解策略中的特定信息。