版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、在傳統(tǒng)的監(jiān)督學(xué)習(xí)中,每個對象只隸屬于一個標(biāo)記。然而,在現(xiàn)實世界中,一個對象可能同時與多個標(biāo)記相關(guān)。例如,一幅圖像可能同時具有“海洋”、“水”等標(biāo)記,一篇文檔可能同時標(biāo)記為“H7N9”、“禽流感”、“發(fā)熱”和“咳嗽”等。機(jī)器學(xué)習(xí)中的多標(biāo)記學(xué)習(xí)是研究此類問題的一種學(xué)習(xí)框架,備受研究者的關(guān)注,而如何充分挖掘和利用標(biāo)記之間的相關(guān)性是其核心研究內(nèi)容。研究者們提出了一系列利用標(biāo)記相關(guān)性的多標(biāo)記學(xué)習(xí)方法并在許多領(lǐng)域得以成功應(yīng)用,但大多考慮成對標(biāo)記之間
2、的相關(guān)性且有些假設(shè)標(biāo)記相關(guān)性是對稱的,而針對標(biāo)記相關(guān)性的挖掘和利用的研究工作,尤其是高階非對稱的標(biāo)記相關(guān)性,還相對較少。為此,本文圍繞“高階非對稱的標(biāo)記相關(guān)性利用”和“通過學(xué)習(xí)自動挖掘標(biāo)記之間的相關(guān)性并加以利用”這兩個方面展開研究,主要工作如下:
1.提出了一種標(biāo)記相關(guān)性和多標(biāo)記分類的兩階段學(xué)習(xí)算法(TMLC)。該算法先采用l1稀疏編碼方法,在標(biāo)記空間中求出高階非對稱的標(biāo)記相關(guān)性矩陣;再構(gòu)建基于標(biāo)記相關(guān)性的多標(biāo)記分類和特征選擇
3、統(tǒng)一學(xué)習(xí)模型框架。在多標(biāo)記數(shù)據(jù)集上的實驗結(jié)果驗證了TMLC算法的有效性。
2.提出了一種標(biāo)記協(xié)方差和多標(biāo)記分類的聯(lián)合學(xué)習(xí)算法(JLSML)。該算法引入一個虛擬標(biāo)記作為樣本的相關(guān)標(biāo)記集和不相關(guān)標(biāo)記集的自然分割點(diǎn),并構(gòu)建標(biāo)記協(xié)方差和多標(biāo)記分類的聯(lián)合學(xué)習(xí)模型,將標(biāo)記協(xié)方差的學(xué)習(xí)、分類模型的訓(xùn)練以及標(biāo)記集的分割統(tǒng)一在該模型框架中。在多標(biāo)記數(shù)據(jù)集上的實驗結(jié)果驗證了JLSML算法的有效性。
3.提出了標(biāo)記相關(guān)性和多標(biāo)記分類的聯(lián)合
4、學(xué)習(xí)算法(JMLLC和SLMLC)。本文試圖通過學(xué)習(xí)自動發(fā)現(xiàn)和利用高階非對稱的標(biāo)記相關(guān)性,并且構(gòu)建標(biāo)記相關(guān)性和多標(biāo)記分類聯(lián)合學(xué)習(xí)模型框架,提出了JMLLC和SLMLC算法。JMLLC算法同時學(xué)習(xí)標(biāo)記相關(guān)性矩陣和權(quán)重矩陣,并選擇了兩種不同的損失函數(shù)(羅杰斯特回歸與最小二乘損失函數(shù))。SLMLC算法將權(quán)重矩陣分成稀疏矩陣與低秩矩陣的和,其中稀疏矩陣用來獲得各個標(biāo)記所特有的特征子集而低秩矩陣用于獲得所有標(biāo)記所共享的特征子空間;然后在統(tǒng)一學(xué)習(xí)模
5、型中同時學(xué)習(xí)高階非對稱的標(biāo)記相關(guān)性矩陣、稀疏矩陣以及低秩矩陣。在多標(biāo)記數(shù)據(jù)集上的實驗結(jié)果驗證了JMLLC和SLMLC算法的有效性。
4.提出了一種缺失標(biāo)記下基于特征選擇的多標(biāo)記分類算法(MLMF)。在某些實際應(yīng)用中,獲得具有完全標(biāo)記的樣本較困難,大量的樣本只有部分標(biāo)記(即有些標(biāo)記是缺失的)。此外,大多數(shù)多標(biāo)記分類算法通常難以同時處理缺失標(biāo)記和標(biāo)記相關(guān)性。為此,本文提出了MLMF算法,同時考慮缺失標(biāo)記和標(biāo)記相關(guān)性并加入了權(quán)重矩陣
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于標(biāo)記間相關(guān)性的多標(biāo)記分類算法.pdf
- 結(jié)合標(biāo)記相關(guān)性的多標(biāo)記特征選擇及分類算法研究.pdf
- 基于樣例及標(biāo)記相關(guān)性的多標(biāo)記學(xué)習(xí)算法研究.pdf
- 多標(biāo)記學(xué)習(xí)分類算法研究.pdf
- 基于樣例及屬性特征分析的多標(biāo)記分類算法研究.pdf
- 自然場景圖像中多示例多標(biāo)記分類研究
- 自然場景圖像中多示例多標(biāo)記分類研究.pdf
- 多標(biāo)記分類中的半監(jiān)督降維和集成學(xué)習(xí).pdf
- 一種改進(jìn)的ML-KNN多標(biāo)記分類方法研究.pdf
- 多標(biāo)記維度約減和分類算法研究.pdf
- 基于標(biāo)記依賴關(guān)系的多標(biāo)記學(xué)習(xí)算法研究.pdf
- 胃癌相關(guān)性分子標(biāo)記物的研究.pdf
- 基于數(shù)據(jù)及標(biāo)記關(guān)聯(lián)的多標(biāo)記學(xué)習(xí)算法研究.pdf
- 基于標(biāo)簽相關(guān)性的多標(biāo)簽分類算法研究.pdf
- 基于代價敏感的快速多標(biāo)記文本分類算法研究.pdf
- 針對弱標(biāo)記和穩(wěn)定算法的多標(biāo)記集成學(xué)習(xí).pdf
- 基于標(biāo)記分布學(xué)習(xí)的自然場景標(biāo)記排序.pdf
- 基于學(xué)習(xí)標(biāo)簽相關(guān)性的多標(biāo)簽分類算法.pdf
- 膀胱腫瘤標(biāo)記物和腫瘤進(jìn)展的相關(guān)性研究.pdf
- 基于Hadoop架構(gòu)的多標(biāo)記算法研究.pdf
評論
0/150
提交評論