針對傳統(tǒng)特征選擇算法無法處理流特征數(shù)據(jù)、冗余性計算復雜、對實例描述不夠準確的問題，提出了基于粗糙集的數(shù)據(jù)流多標記分布特征選擇算法。首先，將在線流特征選擇框架引入多標記學習中；其次，用粗糙集中的依賴度替代原有的條件概率，僅僅利用數(shù)據(jù)自身的信息計算，使得數(shù)據(jù)流特征選擇算法更加高效快捷；最后，由于在現(xiàn)實世界中，每個標記對實例的描述程度并不相同，為更加準確地描述實例，將傳統(tǒng)的邏輯標記用標記分布的形式進行刻畫。在多組數(shù)據(jù)集上的實驗表明，所提算法能保留與標記空間有著較高相關性的特征，使得分類精度相較于未進行特征選擇的有一定程度的提高。

　　多標記學習作為機器學習研究熱點，對現(xiàn)實世界中多義性對象的研究具有重要意義。1 0，并且多標記學習對象在日常生活中廣泛存在。在多標記學習框架之下，數(shù)據(jù)往往面臨多標記性和高維性等多種問題，使得手工標記一般費時費力。同時隨著數(shù)據(jù)維數(shù)的不斷增加，分類器的分類精度也在不斷下降，因此探究高效的分類算法就顯得尤為重要。近年來，相關學者在此問題上的研究已經取得了卓越的成績，提出了多種算法‘“副。在現(xiàn)有的多標記分類算法中，與實例相關的標記重要程度被視作相同，然而在現(xiàn)實世界中，不同昀標記對于同一個實例的描程度并不都是相同的。例如在一幅自然風景圖中，如果出現(xiàn)大量的“藍天”，那么出現(xiàn)大量“白云”的概率也就高，其他標記的可能性也就比較低，這種現(xiàn)象被稱為標記的不平衡性。針對這種標記的不平衡性，Geng等‘61提出了一種標記分布學習（Label Distribution Learning，LDL）范式，將傳統(tǒng)的邏輯標記用概率分布的形式來進行描述，更加準確地反映了實例的相關內容。目前也有很多學者在標記分布學習范式下對人年齡‘“引、人臉面部識別‘剛、文本情感分類‘101等領域進行研究。