基于支持向量數(shù)據(jù)描述的消歧義多示例學習算法研究.pdf

1、隨著機器學習理論研究的深入，很多傳統(tǒng)領域借用機器學習來提高研究水平，應用機器學習方法層出不窮，特別是基于機器學習的數(shù)據(jù)分析方法已成為解決復雜問題的關鍵技術之一。因此，當前機器學習的角色也逐漸發(fā)生了改變，由單一方向向多方向發(fā)展，大量研究者根據(jù)其特點相繼提出了一些新方法和新思想(如多示例學習)，并實現(xiàn)了從理論分析到實際應用的轉(zhuǎn)變。多示例學習問題則成為了機器學習理論中一個全新理論分支。在多示例學習中，訓練樣本是由包含多個示例包的組成，包是有概

2、念標記的，示例是沒有標記的。訓練樣本的歧義性比較特殊，使得多示例學習模型與傳統(tǒng)的機器學習模型有很大的差別。由于多示例學習本身獨特的性質(zhì)和良好的應用前景，被稱為是與監(jiān)督學習、非監(jiān)督學習和強化學習并列的第四種機器學習框架，引起國內(nèi)外研究者的極大關注。
　　本文對基于支持向量數(shù)據(jù)描述和多示例學習進行研究，提出了兩種基于SVDD的消歧義多示例學習算法：MIL-NSVDD_I算法和MIL-NSVDD_B算法。論文主要工作有以下三個個方面。<

3、br>　　首先，論文研究了在支持向量機及最小包圍球理論基礎上發(fā)展起來的支持向量數(shù)據(jù)描述算法，包括硬間隔、軟間隔及帶負類樣本的SVDD方法。并針對核參數(shù)和懲罰參數(shù)對SVDD算法的影響進行分析與討論。
　　其次，論文提出了一種消除包中示例歧義性的方法，將多示例數(shù)據(jù)集轉(zhuǎn)化為單示例數(shù)據(jù)集。將正包中的示例按照預測精度進行降序排列，選擇前m+個最大預測精度值的示例，參數(shù)m+為能夠從每個包中選出一個示例的最小值，被選出的示例即為消除歧義后的正示

4、例集合。對于負包中篩選代表性示例的方法，我們把負包中的所有示例與選出的消歧義后的正示例集合的距離按升序排列，選擇前m-個距離最小的示例，參數(shù)m-為能夠從每個包中至少選出一個示例的最小值，選出的這部分示例為負包中的代表性示例。
　　最后，本文采用兩種特征映射，基于示例等級的特征映射和基于包等級的特征映射，將多示例學習問題轉(zhuǎn)化成標準的機器學習問題，用帶負類的SVDD方法對映射后的單示例數(shù)據(jù)集進行學習，得到相應的分類器。論文在實驗部分驗