本文選題：偏標(biāo)記學(xué)習(xí)　切入點：核方法　出處：《計算機研究與發(fā)展》2017年01期 　論文類型：期刊論文

【摘要】：偏標(biāo)記學(xué)習(xí)(partial label learning)是人們最近提出的一種弱監(jiān)督機器學(xué)習(xí)框架,由于放松了訓(xùn)練數(shù)據(jù)集的構(gòu)造條件,只需知道訓(xùn)練樣本的真實標(biāo)記的一個候選集合就可進行學(xué)習(xí),可以更方便地處理很多領(lǐng)域的實際問題.在該框架下,訓(xùn)練數(shù)據(jù)的標(biāo)記信息不再具有單一性和明確性,這就使得學(xué)習(xí)算法的構(gòu)建變得比傳統(tǒng)分類問題更加困難,目前只建立了幾種面向小規(guī)模訓(xùn)練數(shù)據(jù)的學(xué)習(xí)算法.先利用ECOC技術(shù)將原始偏標(biāo)記訓(xùn)練集轉(zhuǎn)換為若干標(biāo)準(zhǔn)二分類數(shù)據(jù)集,然后基于變分高斯過程模型在每個二分類數(shù)據(jù)集上構(gòu)建一個具有較低計算復(fù)雜度的二分類算法,最終實現(xiàn)了一種面向大規(guī)模數(shù)據(jù)的快速核偏標(biāo)記學(xué)習(xí)算法.仿真實驗結(jié)果表明,所提算法在預(yù)測精度幾乎相當(dāng)?shù)那闆r下,訓(xùn)練時間要遠遠少于已有的核偏標(biāo)記學(xué)習(xí)算法,利用普通的PC機處理樣本規(guī)模達到百萬級的問題只需要40min.
[Abstract]:Partial label learning (partial label learning) is a recently proposed a weakly supervised machine learning framework, due to structural conditions to relax the training data set, only need to know a real candidate set of labeled training samples can be carried out on learning, practical problems can be more convenient to handle in the framework of many fields. Under the training data label information is no longer single and clear, which makes more difficult than the traditional classification problem of constructing learning algorithm, currently only established several small training data for learning algorithm. By using the ECOC technology to the original partial labeled training set is converted to the number of standard two classification data set, and then based on the variational Gauss model in each of the two classification data set to construct a two classification algorithm has low computational complexity, finally realizes an oriented large-scale data quickly Simulation results show that the training time of the proposed algorithm is much less than that of the existing kernel biased markup learning algorithm when the prediction accuracy is almost the same. Using the ordinary PC machine to deal with the problem of sample size reaches to a million level, it only needs 40min..

【作者單位】： 大連理工大學(xué)電子信息與電氣工程學(xué)部;大連民族大學(xué)信息與通信工程學(xué)院;
【基金】：國家自然科學(xué)基金項目(61503058,61502074,U1560102) 遼寧省自然科學(xué)基金項目(201602190) 中央高�；究蒲袠I(yè)務(wù)費專項資金項目(DC201501055,DC201501060201)~~
【分類號】：TP181

【相似文獻】

相關(guān)期刊論文 前10條

1 呂勝尚;;關(guān)于高斯過程的幾個問題[J];西北電訊工程學(xué)院學(xué)報;1986年02期

2 喻鑫;柳健;田金文;;基于高斯過程的點匹配方法[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2007年12期

3 董曉慧;柴桂榮;孟憲春;;一種應(yīng)用稀疏高斯過程回歸模型的半監(jiān)督分類算法[J];電腦知識與技術(shù);2010年28期

4 傅啟明;劉全;伏玉琛;周誼成;于俊;;一種高斯過程的帶參近似策略迭代算法[J];軟件學(xué)報;2013年11期

5 李宏偉;劉揚;盧漢清;方亦凱;;結(jié)合半監(jiān)督核的高斯過程分類[J];自動化學(xué)報;2009年07期

6 黃麗平;孫永雄;申晨;;用基于中值濾波的高斯過程預(yù)測3G網(wǎng)絡(luò)性能[J];計算機工程與應(yīng)用;2013年02期

7 夏戰(zhàn)國;夏士雄;蔡世玉;萬玲;;類不均衡的半監(jiān)督高斯過程分類算法[J];通信學(xué)報;2013年05期

8 何志昆;劉光斌;趙曦晶;王明昊;;高斯過程回歸方法綜述[J];控制與決策;2013年08期

9 劉輝;白峰杉;;基于混合高斯過程模型的高光譜圖像分類算法[J];高校應(yīng)用數(shù)學(xué)學(xué)報A輯;2010年04期

10 張樂;劉忠;張建強;任雄偉;;基于人工蜂群算法優(yōu)化的改進高斯過程模型[J];國防科技大學(xué)學(xué)報;2014年01期

相關(guān)會議論文 前5條

1 劉信恩;肖世富;莫軍;;用于不確定性分析的高斯過程響應(yīng)面模型設(shè)計點選擇方法研究[A];中國計算力學(xué)大會'2010（CCCM2010）暨第八屆南方計算力學(xué)學(xué)術(shù)會議（SCCM8）論文集[C];2010年

2 劉冬;張清華;;基于高斯過程的精密衛(wèi)星鐘差加密[A];第二屆中國衛(wèi)星導(dǎo)航學(xué)術(shù)年會電子文集[C];2011年

3 李雅芹;楊慧中;;一種基于仿射傳播聚類和高斯過程的多模型建模方法[A];2009中國過程系統(tǒng)工程年會暨中國mes年會論文集[C];2009年

4 趙級漢;張國敬;姜龍;魏巍;;基于疊加高斯過程的數(shù)字噪聲產(chǎn)生方法FPGA實現(xiàn)[A];第二十四屆全國空間探測學(xué)術(shù)交流會論文摘要集[C];2011年

5 何志昆;劉光斌;姚志成;趙曦晶;;基于高斯過程回歸的FOG標(biāo)度因數(shù)溫度漂移建模新方法[A];第25屆中國控制與決策會議論文集[C];2013年

相關(guān)博士學(xué)位論文 前6條

1 王建民;礦山邊坡變形監(jiān)測數(shù)據(jù)的高斯過程智能分析與預(yù)測[D];太原理工大學(xué);2016年

2 趙靜;基于高斯過程的動態(tài)系統(tǒng)研究[D];華東師范大學(xué);2016年

3 潘偉;基于高斯過程的高爐煉鐵過程辨識與預(yù)測[D];浙江大學(xué);2012年

4 賀建軍;基于高斯過程模型的機器學(xué)習(xí)算法研究及應(yīng)用[D];大連理工大學(xué);2012年

5 夏戰(zhàn)國;基于高斯過程的提升機軸承性能評測方法研究[D];中國礦業(yè)大學(xué);2013年

6 趙偉;復(fù)雜工程結(jié)構(gòu)可靠度分析的高斯過程動態(tài)響應(yīng)面方法研究[D];廣西大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 李紅麗;回歸分析中的貝葉斯推斷技術(shù)的研究[D];江南大學(xué);2015年

2 李勵耘;基于高斯過程的抓取規(guī)劃方法研究[D];哈爾濱工業(yè)大學(xué);2015年

3 王雪茹;基于高斯過程的風(fēng)電機組部件建模與監(jiān)測研究[D];華北電力大學(xué);2015年

4 于立鑫;基于高斯過程—差異進化算法的隧道施工多元信息反分析研究[D];大連海事大學(xué);2015年

5 戈財若;基于高斯過程的高光譜圖像分類算法研究[D];東華理工大學(xué);2015年

6 葉婧;基于高斯過程回歸的鋰電池數(shù)據(jù)處理[D];北京交通大學(xué);2016年

7 張棟;基于在線學(xué)習(xí)高斯過程有桿泵油井動態(tài)液面建模方法研究[D];東北大學(xué);2014年

8 王奉偉;改進的局部均值分解和高斯過程在變形監(jiān)測數(shù)據(jù)處理中的應(yīng)用研究[D];東華理工大學(xué);2016年

9 曹瑜;基于高斯過程的非線性不確定延遲系統(tǒng)的模型預(yù)測控制[D];華中科技大學(xué);2014年

10 張莉萍;基于廣義高斯過程回歸的函數(shù)型數(shù)據(jù)分析[D];東南大學(xué);2016年

，

本文編號：1617941