在移動(dòng)互聯(lián)網(wǎng)時(shí)代,數(shù)據(jù)信息不僅在規(guī)模上飛速增長,其表現(xiàn)形式也呈現(xiàn)出多樣性和豐富性。人們往往可以從多個(gè)角度對(duì)一個(gè)物體進(jìn)行描述,即每個(gè)對(duì)象不僅可以由多個(gè)視圖的數(shù)據(jù)特征表示,而且同時(shí)擁有多個(gè)類標(biāo)簽。多視圖多標(biāo)簽學(xué)習(xí)就是研究這類數(shù)據(jù)問題的一個(gè)重要框架。因其在實(shí)際生活中廣泛存在,已成為當(dāng)今機(jī)器學(xué)習(xí)研究關(guān)注的焦點(diǎn)之一。本文圍繞多視圖多標(biāo)簽學(xué)習(xí)問題展開研究,以決策級(jí)融合的多視圖多標(biāo)簽學(xué)習(xí)算法為核心,旨在通過有效利用每個(gè)視圖的獨(dú)特信息以及多個(gè)視圖之間的相關(guān)性來提升算法的分類性能。本文主要研究內(nèi)容如下:1、針對(duì)現(xiàn)有方法易忽略不同數(shù)據(jù)視圖之間信息的互補(bǔ)性和相關(guān)性所帶來的挑戰(zhàn),提出了一種基于策略融合的多視圖多標(biāo)簽學(xué)習(xí)算法。該方法綜合考慮了視圖特有特征、多視圖一致性、標(biāo)簽相關(guān)性以及各視圖貢獻(xiàn)權(quán)重對(duì)模型分類性能的影響。首先,學(xué)習(xí)每個(gè)數(shù)據(jù)視圖的低維特有特征矩陣。然后,利用標(biāo)簽相關(guān)性和多視圖一致性在各視圖中分別構(gòu)建多標(biāo)簽分類模型,并學(xué)習(xí)每個(gè)視圖對(duì)多標(biāo)簽學(xué)習(xí)任務(wù)的貢獻(xiàn)權(quán)重。最后,將各視圖中的多標(biāo)簽預(yù)測結(jié)果及視圖貢獻(xiàn)權(quán)重融合得到最終的標(biāo)簽預(yù)測結(jié)果。在5個(gè)公開的多視圖多標(biāo)簽數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),結(jié)果表明算法的綜合性能較優(yōu)。2... 

【文章來源】：湘潭大學(xué)湖南省

【文章頁數(shù)】：63 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

協(xié)同訓(xùn)練算法示意圖

41這種情況下，考慮提取它們自己的特有信息可能更為合理。事實(shí)上，每一個(gè)視圖的數(shù)據(jù)都有其特殊的內(nèi)部結(jié)構(gòu)和獨(dú)特的物理意義，又由于不同視圖描述的是同一對(duì)象，所以它們之間的信息又是相互關(guān)聯(lián)的，彼此之間存在共同點(diǎn)。換言之，每個(gè)視圖提供的信息包含共享特征和特有特征兩部分。在處理多視圖多標(biāo)簽學(xué)習(xí)問題時(shí)，如果能同時(shí)有效利用共享特征和特有特征，對(duì)于提高模型的性能具有重要意義。基于以上考慮，本章提出了一種基于視圖共享和特有特征的多視圖多標(biāo)簽學(xué)習(xí)算法（SS-MVML）。本算法的貢獻(xiàn)在于：1)利用對(duì)抗網(wǎng)絡(luò)框架提取視圖的共享特征，具體地，通過最小化對(duì)抗損失和多標(biāo)簽預(yù)測損失來提取多視圖中的共享信息。2)通過聚類相關(guān)技術(shù)提取視圖內(nèi)的標(biāo)簽特有信息。即利用聚類集成技術(shù)，同時(shí)考慮了不同標(biāo)簽之間的相關(guān)性來生成標(biāo)簽特有特征。圖4.1SS-MVML模型框架圖4.2SS-MVML模型設(shè)計(jì)多視圖多標(biāo)簽學(xué)習(xí)的目標(biāo)是充分集成單個(gè)對(duì)象的各種表示形式，并為其分配適當(dāng)?shù)呢S富語義。如上所述，來自不同視圖的信息通常包含共享的和特有的兩個(gè)部分。因此，SS-MVML的關(guān)鍵步驟是共享信息提取和特有信息的提齲模型框架如圖4.1所示，總體分為3部分，第一部分為提取特有信息，這部分主要利用了聚類集成技術(shù)，并結(jié)合標(biāo)簽之間的相關(guān)性來生成標(biāo)簽特有特征。第二部分是采用對(duì)抗神經(jīng)網(wǎng)絡(luò)，通過最小化混淆對(duì)抗損失和多標(biāo)簽預(yù)測損失之和來提取多視圖中的共享信息。第三部分是預(yù)測部分，主要是將提取到的共享特征和特有特征拼接起來形成新的聯(lián)合特征，然后在每個(gè)視圖內(nèi)用一個(gè)多標(biāo)簽分類器對(duì)未知示例進(jìn)行預(yù)測。最后將所有視圖的預(yù)測結(jié)果結(jié)合起來得到最終的預(yù)測結(jié)果。

【參考文獻(xiàn)】：
期刊論文
[1]Novel Apriori-Based Multi-Label Learning Algorithm by Exploiting Coupled Label Relationship[J]. Zhenwu Wang,Longbing Cao.  Journal of Beijing Institute of Technology. 2017(02)
[2]多視圖學(xué)習(xí)的中文文本分類研究[J]. 卜哲,張化祥.  信息技術(shù)與信息化. 2016(09)
[3]多標(biāo)記學(xué)習(xí)研究綜述[J]. 李志欣,卓亞琦,張燦龍,周生明.  計(jì)算機(jī)應(yīng)用研究. 2014(06)
[4]多標(biāo)簽數(shù)據(jù)挖掘技術(shù):研究綜述[J]. 李思男,李寧,李戰(zhàn)懷.  計(jì)算機(jī)科學(xué). 2013(04)
[5]一種基于正則化的半監(jiān)督多標(biāo)記學(xué)習(xí)方法[J]. 李宇峰,黃圣君,周志華.  計(jì)算機(jī)研究與發(fā)展. 2012(06)
[6]基于協(xié)同聚類的兩階段文本聚類方法[J]. 王明文,付劍波,羅遠(yuǎn)勝,陸旭.  模式識(shí)別與人工智能. 2009(06)

碩士論文
[1]基于稀疏表示的圖像去噪算法研究[D]. 喬雅莉.北京交通大學(xué) 2009



本文編號(hào)：3021343