期刊文献+
共找到23篇文章
< 1 2 >
每页显示 20 50 100
融合语义差别和流型学习的偏标记学习方法
1
作者 赵亮 肖燕珊 +1 位作者 刘波 古慧敏 《计算机应用研究》 CSCD 北大核心 2023年第3期760-765,共6页
偏标记学习是一种重要的弱监督学习框架。在偏标记学习中,每个实例与一组候选标记相关联,它的真实标记隐藏在候选标记集合中,且在学习过程中不可获知。为了消除候选标记对学习过程的影响,提出了一种融合实例语义差别最大化和流型学习的... 偏标记学习是一种重要的弱监督学习框架。在偏标记学习中,每个实例与一组候选标记相关联,它的真实标记隐藏在候选标记集合中,且在学习过程中不可获知。为了消除候选标记对学习过程的影响,提出了一种融合实例语义差别最大化和流型学习的偏标记学习方法(partial label learning by semantic difference and manifold learning, PL-SDML)。该方法是一个两阶段的方法:在训练阶段,基于实例的语义差别最大化准则和流型学习方法为训练实例生成标记置信度;在预测阶段,使用基于最近邻投票的方法为未知实例预测标记类别。在四组人工改造的UCI数据集中,在平均70%的情况下优于其他对比算法。在四组真实偏标记数据集中,相比其他对比算法,取得了0.3%~13.8%的性能提升。 展开更多
关键词 偏标记学习 流型学习 语义差别
下载PDF
基于标记感知消歧的偏标记学习算法
2
作者 殷建华 刘振丙 魏黄瞾 《桂林电子科技大学学报》 2023年第3期187-194,共8页
偏标记学习作为一种弱监督学习框架,其目标是从带有噪声标记的偏标记数据中学习一个多分类模型。为解决偏标记学习中标记信息利用不充分且分类效果不佳的问题,提出了一种基于标记感知消歧的偏标记学习算法。通过协同特征空间和标记空间... 偏标记学习作为一种弱监督学习框架,其目标是从带有噪声标记的偏标记数据中学习一个多分类模型。为解决偏标记学习中标记信息利用不充分且分类效果不佳的问题,提出了一种基于标记感知消歧的偏标记学习算法。通过协同特征空间和标记空间的判别信息来确定示例间的相似程度,并利用示例的相似关系与标记空间中的重构误差来实现消歧过程。在训练分类模型过程中,基于最小二乘损失提出了一个可以同时训练预测模型和消除标记歧义的框架,并采用交替迭代优化的方法获取最佳分类模型。在3组人工合成的UCI数据集和6个真实数据集进行实验,并与现有算法进行对比分析,表明PL-LAD算法具有较好的分类性能表现。 展开更多
关键词 偏标记学习 相似度矩阵 消歧 流形假设 最小二乘损失
下载PDF
候选标记信息感知的偏标记学习算法 被引量:3
3
作者 陈鸿昶 谢天 +2 位作者 高超 李邵梅 黄瑞阳 《电子与信息学报》 EI CSCD 北大核心 2019年第10期2516-2524,共9页
在偏标记学习中,示例的真实标记隐藏在由一组候选标记组成的标记集中。现有的偏标记学习算法在衡量示例之间的相似度时,只基于示例的特征进行计算,缺乏对候选标记集信息的利用。该文提出一种候选标记感知的偏标记学习算法(CLAPLL),在构... 在偏标记学习中,示例的真实标记隐藏在由一组候选标记组成的标记集中。现有的偏标记学习算法在衡量示例之间的相似度时,只基于示例的特征进行计算,缺乏对候选标记集信息的利用。该文提出一种候选标记感知的偏标记学习算法(CLAPLL),在构建图的阶段有效地结合候选标记集信息来衡量示例之间的相似度。首先,基于杰卡德距离和线性重构,计算出各个示例的标记集之间的相似度,然后结合示例相似度和标记集的相似度构建相似度图,并通过现有的基于图的偏标记学习算法进行学习和预测。3个合成数据集和6个真实数据集上实验结果表明,该文方法相比于基线算法消歧准确率提升了0.3%~16.5%,分类准确率提升了0.2%~2.8%。 展开更多
关键词 偏标记学习 弱监督学习 消歧 杰卡德距离 线性重构
下载PDF
一种基于最大值损失函数的快速偏标记学习算法 被引量:2
4
作者 周瑜 贺建军 +1 位作者 顾宏 张俊星 《计算机研究与发展》 EI CSCD 北大核心 2016年第5期1053-1062,共10页
在弱监督信息条件下进行学习已成为大数据时代机器学习领域的研究热点,偏标记学习是最近提出的一种重要的弱监督学习框架,主要解决在只知道训练样本的真实标记属于某个候选标记集合的情况下如何进行学习的问题,在很多领域都具有广泛应用... 在弱监督信息条件下进行学习已成为大数据时代机器学习领域的研究热点,偏标记学习是最近提出的一种重要的弱监督学习框架,主要解决在只知道训练样本的真实标记属于某个候选标记集合的情况下如何进行学习的问题,在很多领域都具有广泛应用.最大值损失函数可以很好地描述偏标记学习中的样本与候选标记间的关系,但是由于建立的模型通常是一个难以求解的非光滑函数,目前还没有建立基于该损失函数的偏标记学习算法.此外,已有的偏标记学习算法都只能处理样本规模比较小的问题,还没看到面向大数据的算法.针对以上2个问题,先利用凝聚函数逼近最大值损失函数中的max(·)将模型的目标函数转换为一个光滑的凹函数,然后利用随机拟牛顿法对其进行求解,最终实现了一种基于最大值损失函数的快速偏标记学习算法.仿真实验结果表明,此算法不仅要比基于均值损失函数的传统算法取得更好的分类精度,运行速度上也远远快于这些算法,处理样本规模达到百万级的问题只需要几分钟. 展开更多
关键词 偏标记学习 最大值损失函数 凝聚函数 弱监督学习 分类精度
下载PDF
面向不平衡数据的逻辑回归偏标记学习算法 被引量:5
5
作者 周瑜 顾宏 《大连理工大学学报》 EI CAS CSCD 北大核心 2017年第2期184-188,共5页
偏标记学习是近几年提出的新机器学习框架,已有的逻辑回归偏标记算法尚不能解决数据不平衡问题.建立了一种可以解决数据不平衡的逻辑回归模型偏标记学习算法.基本思想是在多元逻辑回归模型中定义新的似然函数以达到处理不平衡数据的目的... 偏标记学习是近几年提出的新机器学习框架,已有的逻辑回归偏标记算法尚不能解决数据不平衡问题.建立了一种可以解决数据不平衡的逻辑回归模型偏标记学习算法.基本思想是在多元逻辑回归模型中定义新的似然函数以达到处理不平衡数据的目的.算法先根据训练集中各个类别样本所占比例定义了一个新的似然函数,之后通过逼近和求导等数学手段推导得到了能够求解的光滑的逻辑回归偏标记学习模型.在UCI数据集和真实数据集上的仿真实验表明,所提算法在数据存在不平衡问题时提高了样本的平均分类精度. 展开更多
关键词 偏标记学习 数据不平衡 逻辑回归 阻尼牛顿法
下载PDF
偏标记学习研究综述 被引量:13
6
作者 张敏灵 《数据采集与处理》 CSCD 北大核心 2015年第1期77-87,共11页
在弱监督信息条件下进行学习已成为机器学习领域的热点研究课题。偏标记学习作为一类重要的弱监督机器学习框架,适于多种实际应用问题的学习建模。在该框架下,每个对象在输入空间由单个示例(属性向量)进行刻画,而在输出空间与一组候选... 在弱监督信息条件下进行学习已成为机器学习领域的热点研究课题。偏标记学习作为一类重要的弱监督机器学习框架,适于多种实际应用问题的学习建模。在该框架下,每个对象在输入空间由单个示例(属性向量)进行刻画,而在输出空间与一组候选标记相关联,其中仅有一个为其真实标记。本文将对偏标记学习的研究现状进行综述,首先给出该学习框架的定义以及与相关学习框架的区别与联系,然后重点介绍几种典型的偏标记学习算法以及作者在该方面的初步工作,最后对偏标记学习进一步的研究方向进行简要讨论。 展开更多
关键词 机器学习 弱监督信息 偏标记学习 候选标记 纠错输出编码
下载PDF
基于MPI的近邻距离加权偏标记学习算法之并行实现
7
作者 王进 高延雨 +1 位作者 邓欣 陈乔松 《江苏大学学报(自然科学版)》 EI CAS CSCD 北大核心 2018年第6期689-695,共7页
针对基于样例的偏标记学习方法 IPAL需对每个样本求取近邻及近邻的权值、耗时太多而不适用于求取大规模数据的问题,提出了一种基于近邻距离加权的偏标记学习算法,对IPAL中近邻权值的求取方式进行改进.为提升新算法的运行效率,在训练集... 针对基于样例的偏标记学习方法 IPAL需对每个样本求取近邻及近邻的权值、耗时太多而不适用于求取大规模数据的问题,提出了一种基于近邻距离加权的偏标记学习算法,对IPAL中近邻权值的求取方式进行改进.为提升新算法的运行效率,在训练集与测试集的读取、相似度图的构建、迭代标记传播和测试样本的预测等方面进行了并行计算;设计了新算法的并行模型,且在MPI的集群环境下实现此模型.将改进后串行算法WIPAL的运行效率和分类准确率与IPAL进行对比,且将不同进程数下并行算法PWIPAL的运行时间和加速比进行对比.试验结果表明:新算法在保证分类准确率的前提下缩短了运行时间;随着数据规模的增大,PWIPAL与WIPAL分类准确率相同,运行时间的加速比逐渐接近所设定的进程数,可以用来处理大规模数据. 展开更多
关键词 偏标记学习 并行 大规模数据 MPI 运行效率
下载PDF
基于变分高斯过程模型的快速核偏标记学习算法
8
作者 周瑜 贺建军 顾宏 《计算机研究与发展》 EI CSCD 北大核心 2017年第1期63-70,共8页
偏标记学习(partial label learning)是人们最近提出的一种弱监督机器学习框架,由于放松了训练数据集的构造条件,只需知道训练样本的真实标记的一个候选集合就可进行学习,可以更方便地处理很多领域的实际问题.在该框架下,训练数据的标... 偏标记学习(partial label learning)是人们最近提出的一种弱监督机器学习框架,由于放松了训练数据集的构造条件,只需知道训练样本的真实标记的一个候选集合就可进行学习,可以更方便地处理很多领域的实际问题.在该框架下,训练数据的标记信息不再具有单一性和明确性,这就使得学习算法的构建变得比传统分类问题更加困难,目前只建立了几种面向小规模训练数据的学习算法.先利用ECOC技术将原始偏标记训练集转换为若干标准二分类数据集,然后基于变分高斯过程模型在每个二分类数据集上构建一个具有较低计算复杂度的二分类算法,最终实现了一种面向大规模数据的快速核偏标记学习算法.仿真实验结果表明,所提算法在预测精度几乎相当的情况下,训练时间要远远少于已有的核偏标记学习算法,利用普通的PC机处理样本规模达到百万级的问题只需要40min. 展开更多
关键词 偏标记学习 核方法 大规模数据 高斯过程 分类
下载PDF
基于决策树集成的偏标记学习算法 被引量:3
9
作者 于菲 张敏灵 《模式识别与人工智能》 EI CSCD 北大核心 2016年第4期367-375,共9页
为了克服偏标记学习中监督信息缺失的问题,根据偏标记样本的性质设计决策树生成过程中的样本分裂规则,改造决策树的建立算法.文中算法首先对样本进行bootstrap采样并建立多棵决策树,然后对各决策树结果进行投票得出最终预测结果.在人工... 为了克服偏标记学习中监督信息缺失的问题,根据偏标记样本的性质设计决策树生成过程中的样本分裂规则,改造决策树的建立算法.文中算法首先对样本进行bootstrap采样并建立多棵决策树,然后对各决策树结果进行投票得出最终预测结果.在人工数据集和真实数据集上的实验表明,文中算法具有较好的分类性能. 展开更多
关键词 弱监督学习 偏标记学习 随机森林 集成学习
下载PDF
基于三元纠错输出编码的偏标记学习算法 被引量:2
10
作者 周斌斌 张敏灵 刘胥影 《计算机科学与探索》 CSCD 北大核心 2018年第9期1444-1453,共10页
偏标记学习是一类重要的弱监督学习框架,在该框架下,每个训练样本与一组候选标记相关联,在候选标记集合中有且仅有一个是其真实标记。很明显,候选标记数目越多,偏标记学习难度越大。为了减少候选标记数目以降低偏标记学习难度,提出了一... 偏标记学习是一类重要的弱监督学习框架,在该框架下,每个训练样本与一组候选标记相关联,在候选标记集合中有且仅有一个是其真实标记。很明显,候选标记数目越多,偏标记学习难度越大。为了减少候选标记数目以降低偏标记学习难度,提出了一种基于三元纠错输出码的偏标记学习算法(PL-TECOC),该算法将偏标记学习问题转换为多个二类学习问题,并对学到的多个二类分类器进行最终集成。在构建二类训练数据时采用编码"0"来忽略相应标记,仅依据非"0"编码标记进行正负类的构造,以达到减少候选标记数目的目的。实验表明,与多个流行的偏标记学习算法相比,PL-TECOC在人工数据集和真实数据集上均取得了较好的分类性能。 展开更多
关键词 弱监督学习 消歧 纠错输出编码 偏标记学习
下载PDF
一种KD树集成偏标记学习算法 被引量:2
11
作者 卢勇全 刘振丙 +1 位作者 颜振翔 方旭升 《桂林电子科技大学学报》 2019年第6期454-459,共6页
针对样本集不均衡造成分类器精度不足的问题,提出一种KD树均衡训练集的集成偏标记学习算法。按照伪标签划分样本,采用KD树检索的方式均衡训练集,再采用多个分类器投票方式实现消岐,最终运用集成学习的方法实现分类。在公开数据集上的仿... 针对样本集不均衡造成分类器精度不足的问题,提出一种KD树均衡训练集的集成偏标记学习算法。按照伪标签划分样本,采用KD树检索的方式均衡训练集,再采用多个分类器投票方式实现消岐,最终运用集成学习的方法实现分类。在公开数据集上的仿真实验结果表明,该偏标记学习算法在分类上具有较好的表现力。 展开更多
关键词 偏标记学习 伪标签 KD树 集成学习 均衡训练集
下载PDF
一种基于最大间隔的偏标记学习算法 被引量:1
12
作者 张仕将 柴晶 《科学技术与工程》 北大核心 2018年第28期109-115,共7页
在机器学习中,偏标记学习是一类重要的弱监督学习框架;在该框架中训练示例不再具有单一明确的标记,每个训练示例的真实标记被隐藏在一个候选标记集中并且在学习过程中不可获知。为了解决从训练示例的候选标记集中学习真实标记的问题,基... 在机器学习中,偏标记学习是一类重要的弱监督学习框架;在该框架中训练示例不再具有单一明确的标记,每个训练示例的真实标记被隐藏在一个候选标记集中并且在学习过程中不可获知。为了解决从训练示例的候选标记集中学习真实标记的问题,基于最大间隔准则提出了一种新的偏标记学习算法;该算法是通过优化模型在候选标记集中最大输出与非候选标记集中最大输出之间的间隔,以及优化模型在候选标记集中最大输出与候选标记集中其他输出之间的间隔进行偏标记学习。采用改进的次梯度Pegasos算法完成模型参数的优化学习。在四组人工改造的UCI数据集中,在平均65%的情况下优于其他对比算法。在四组真实偏标记数据集中,相比其他对比算法,取得了4.4%~10.2%的性能提升。实验证明,具有更好的泛化性能。 展开更多
关键词 偏标记学习 最大间隔准则 弱监督学习 Pegasos算法 分类
下载PDF
基于一致性假设的偏标记学习算法
13
作者 唐才智 张敏灵 《模式识别与人工智能》 EI CSCD 北大核心 2016年第12期1140-1146,共7页
解决偏标记问题的基本策略是消歧,现有的消歧策略大都分别对每个示例单独进行消歧,并未充分利用示例之间的相关性.基于此原因,文中提出一致性偏标记学习算法(COPAL).该算法基于一个基本假设:相似示例的标记也应该有相关性.基于该假设,CO... 解决偏标记问题的基本策略是消歧,现有的消歧策略大都分别对每个示例单独进行消歧,并未充分利用示例之间的相关性.基于此原因,文中提出一致性偏标记学习算法(COPAL).该算法基于一个基本假设:相似示例的标记也应该有相关性.基于该假设,COPAL在消歧过程中同时考虑样本自身及其近邻样本的标记信息.实验表明,在人工合成的UCI数据集和真实数据集上,COPAL均取得较好的泛化性能. 展开更多
关键词 偏标记学习 一致性 弱监督学习 消歧策略
下载PDF
改进特征引导消歧的偏标记学习算法 被引量:1
14
作者 易品 刘振丙 殷建华 《桂林电子科技大学学报》 2021年第4期312-319,共8页
在偏标记学习问题中,每个样本都有一个对应的候选标签集,而其中只有一个标签是真实的标签,其余标签为伪标签,如何利用标签不确定的数据训练得到稳定的分类模型是偏标记学习的主要研究任务。为了解决偏标记学习领域标签信息未得到充分利... 在偏标记学习问题中,每个样本都有一个对应的候选标签集,而其中只有一个标签是真实的标签,其余标签为伪标签,如何利用标签不确定的数据训练得到稳定的分类模型是偏标记学习的主要研究任务。为了解决偏标记学习领域标签信息未得到充分利用的问题,提出一种改进特征引导消歧的偏标记学习算法。通过最小二乘法计算特征之间的相似程度,利用样本与近邻样本标签的皮尔逊相关系数来确定样本之间的相似程度,并确定一个样本间的综合相似度完成消歧。在分类阶段采用bagging策略来构建分类决策树,实现对数据的分类。在UCI数据集和偏标记数据集上进行实验,并与现有算法进行对比分析得出,PL-FGD算法的分类效果得到了显著提升,表明本算法有较好的性能和表现。 展开更多
关键词 偏标记学习 消歧 最小二乘法 皮尔逊相关系数 集成学习
下载PDF
基于一致性正则化的深度偏标记半监督学习方法
15
作者 祝彪 李艳 王硕 《西南大学学报(自然科学版)》 CAS CSCD 北大核心 2024年第5期27-39,共13页
大部分偏标记学习方法假设所有训练样本都具有候选标记集,然而在许多现实场景下存在大量无标记样本.如何同时利用偏标记和无标记样本所隐含的信息构建学习模型,是偏标记半监督学习研究的关键问题.针对只含有少量标记样本、偏标记样本和... 大部分偏标记学习方法假设所有训练样本都具有候选标记集,然而在许多现实场景下存在大量无标记样本.如何同时利用偏标记和无标记样本所隐含的信息构建学习模型,是偏标记半监督学习研究的关键问题.针对只含有少量标记样本、偏标记样本和大量无标记样本的图像分类问题,运用一致性正则化方法和伪标记方法建立深度学习模型.对于偏标记和无标记样本,基于其弱增强的输出结果生成伪标记,且偏标记样本的伪标记限制于其候选标记集中.研究设计了新的损失函数,包含3个损失项,可以同时利用数据中的监督信息、弱监督信息和无监督信息.为了提高参与训练过程样本的可靠性,只选择高置信度伪标记的样本来计算两种增强后的输出交叉熵损失.实验结果说明,该方法(CR-SSPL)比现有半监督学习SOTA方法FlexMatch和偏标记学习代表方法具有更高的精度和稳定性,收敛速度也有明显提升. 展开更多
关键词 偏标记学习 半监督学习 一致性正则化 标记方法 图像分类 深度学习
原文传递
融合实例和标记相关性增强消歧的偏多标记学习算法
16
作者 高光亮 梁广俊 +2 位作者 洪磊 高谷刚 王群 《信息网络安全》 CSCD 北大核心 2024年第11期1763-1772,共10页
实例的候选标记集合包含真实标记和噪声标记。基于消歧的偏多标记学习旨在消除噪声标记,识别并预测与实例真正相关的标记。传统的消歧策略通常仅考虑标记间的相关性,忽略了实例间的相关性。为此,文章提出一种融合实例和标记相关性增强... 实例的候选标记集合包含真实标记和噪声标记。基于消歧的偏多标记学习旨在消除噪声标记,识别并预测与实例真正相关的标记。传统的消歧策略通常仅考虑标记间的相关性,忽略了实例间的相关性。为此,文章提出一种融合实例和标记相关性增强消歧的偏多标记学习算法,进而提升基于消歧的偏多标记学习性能。首先,依据真实标记矩阵的低秩性和噪声标记的稀疏性构建基础模型;然后,定义核函数以捕捉实例间的线性和非线性相关性,从而进一步消除噪声标记;最后,通过从特征空间到标记空间的线性映射,实现相关标记的预测。在合成和真实偏多标记数据集上的实验结果表明,与8种对比算法相比,文章所提算法在统计学上具有显著差异并且表现更好。 展开更多
关键词 标记学习 实例相关性 标记相关性 噪声标记消除
下载PDF
偏多标记分类学习
17
作者 王小碧 《应用数学进展》 2024年第4期1425-1432,共8页
在偏多标记学习中,以往研究者常将偏多标记分类和标记消歧过程独立进行,并且未考虑标记相关性的先验知识难以事先获得。为此,本文提出了偏多标记分类和标记消歧联合学习的算法(JPMLLD)。JPMLLD建立一个从样本特征到标记的映射;其次通过... 在偏多标记学习中,以往研究者常将偏多标记分类和标记消歧过程独立进行,并且未考虑标记相关性的先验知识难以事先获得。为此,本文提出了偏多标记分类和标记消歧联合学习的算法(JPMLLD)。JPMLLD建立一个从样本特征到标记的映射;其次通过将观测标记矩阵分解的方式进行消歧;最后建立了一个偏多标记分类和标记消歧统一的联合学习框架。大量实验结果验证了本文提出的JPMLLD算法的有效性。 展开更多
关键词 标记学习 标记相关性 特征选择 低秩表示 稀疏表示
下载PDF
离异图消歧引导的偏标记学习
18
作者 胡峰 刘鑫 +2 位作者 邓维斌 代劲 刘群 《控制与决策》 EI CSCD 北大核心 2023年第6期1753-1760,共8页
偏标记学习是一种弱监督学习框架,它试图从样本的多个候选标签中选择唯一正确的标签.消歧是偏标记学习中的一种重要手段,主要通过算法判别潜在的真实标签.目前,人们普遍采用单一的特征空间或者标签空间进行消歧,容易导致算法受到不准确... 偏标记学习是一种弱监督学习框架,它试图从样本的多个候选标签中选择唯一正确的标签.消歧是偏标记学习中的一种重要手段,主要通过算法判别潜在的真实标签.目前,人们普遍采用单一的特征空间或者标签空间进行消歧,容易导致算法受到不准确先验知识的引导而陷入鞍点.针对消歧过程中特征相似样本易受到异类样本影响从而影响消歧效果这一问题,定义了样本离异点和离异图;在此基础上,提出一种离异图引导消歧的偏标记学习方法.该方法利用标签空间的差异构建离异图,可以有效结合特征空间的相似性和标签空间的差异性,降低离异点为消歧过程带来的潜在风险.实验结果表明,与PLKNN、IPAL、SURE、PL-AGGD、SDIM、PL-BLC、PRODEN等方法相比较,所提出的算法在偏标签学习方法中表现更好,能够取得良好的消歧效果. 展开更多
关键词 弱监督 偏标记学习 消歧 流形假设 最大间隔 图嵌入
原文传递
非消歧偏标记学习 被引量:3
19
作者 张敏灵 吴璇 《中国科学:信息科学》 CSCD 北大核心 2019年第9期1083-1096,共14页
偏标记学习是一类重要的弱监督机器学习框架.在该框架下,每个对象在输入空间由单个示例进行刻画,在输出空间与一组候选标记相对应,其中仅有一个标记为其真实标记.利用有歧义性的样本进行建模,直观的策略是对候选标记集合进行消歧,然而... 偏标记学习是一类重要的弱监督机器学习框架.在该框架下,每个对象在输入空间由单个示例进行刻画,在输出空间与一组候选标记相对应,其中仅有一个标记为其真实标记.利用有歧义性的样本进行建模,直观的策略是对候选标记集合进行消歧,然而该策略会受到伪标记的影响,因此有必要考虑从非消歧的角度解决偏标记学习问题.本文将围绕基于消歧、非消歧策略的偏标记学习算法对该领域进行综述.首先,给出偏标记学习的定义以及其与其他相关学习框架的关系.然后对现有几种代表性基于消歧策略的偏标记学习算法进行介绍.接下来重点介绍我们提出的两种基于非消歧策略的偏标记学习算法.最后对本文进行总结并简要讨论进一步的研究方向. 展开更多
关键词 机器学习 弱监督学习 偏标记学习 候选标记 非消歧策略
原文传递
基于稀疏重构消歧的偏标记分类算法 被引量:1
20
作者 殷建华 刘振丙 魏黄曌 《智能系统学报》 CSCD 北大核心 2023年第4期708-718,共11页
针对现有的大多数方法在消歧过程中缺乏对特征空间潜在有用信息的利用和对候选标签不同置信度水平的考虑的问题,本文提出了一种基于稀疏重构消歧的偏标记学习(partial label learning by sparse reconstruction disambiguation,PL-SRD)... 针对现有的大多数方法在消歧过程中缺乏对特征空间潜在有用信息的利用和对候选标签不同置信度水平的考虑的问题,本文提出了一种基于稀疏重构消歧的偏标记学习(partial label learning by sparse reconstruction disambiguation,PL-SRD)的新方法,利用特征空间的结构信息促进标签的消歧过程。本文通过对训练样本进行稀疏重构来刻画特征空间的拓扑结构并将其融入到标签消歧过程中;提出一个统一的框架将标签消歧与训练预测模型同时进行。在人工合成和真实数据集上进行的大量实验表明,本文提出的方法比多个现有的偏标记学习算法取得了更好的性能。 展开更多
关键词 弱监督学习 稀疏重构 平滑假设 标签消歧 偏标记学习 候选标签 特征空间 多分类
下载PDF
上一页 1 2 下一页 到第
使用帮助 返回顶部