【摘要】：弱標(biāo)記學(xué)習(xí)是多標(biāo)記學(xué)習(xí)的一個重要分支,近幾年已被廣泛研究并被應(yīng)用于多標(biāo)記樣本的缺失標(biāo)記補(bǔ)全和預(yù)測等問題.然而,針對特征集合較大、更容易擁有多個語義標(biāo)記和出現(xiàn)標(biāo)記缺失的高維數(shù)據(jù)問題,現(xiàn)有弱標(biāo)記學(xué)習(xí)方法普遍易受這類數(shù)據(jù)包含的噪聲和冗余特征的干擾.為了對高維多標(biāo)記數(shù)據(jù)進(jìn)行準(zhǔn)確的分類,提出了一種基于標(biāo)記與特征依賴最大化的弱標(biāo)記集成分類方法 En WL.En WL首先在高維數(shù)據(jù)的特征空間多次利用近鄰傳播聚類方法,每次選擇聚類中心構(gòu)成具有代表性的特征子集,降低噪聲和冗余特征的干擾;再在每個特征子集上訓(xùn)練一個基于標(biāo)記與特征依賴最大化的半監(jiān)督多標(biāo)記分類器;最后,通過投票集成這些分類器實(shí)現(xiàn)多標(biāo)記分類.在多種高維數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,En WL在多種評價度量上的預(yù)測性能均優(yōu)于已有相關(guān)方法.
[Abstract]:Weak marker learning is an important branch of multi-marker learning. In recent years, it has been widely studied and applied to the problems of missing marker complement and prediction of multi-marker samples. However, due to the large feature set, it is easier to have multiple semantic tags and high dimensional data with missing markers. The existing weak label learning methods are generally vulnerable to the noise and redundant features contained in this kind of data. In order to classify the high-dimensional multi-label data accurately, a new method, En WL.En WL, based on the maximization of label and feature dependency, is proposed. Firstly, the nearest neighbor clustering method is used in the feature space of high-dimensional data for many times. Each selection of clustering centers constitutes a representative feature subset to reduce the interference of noise and redundant features. Then, a semi-supervised multi-label classifier based on maximization of label and feature dependence is trained on each feature subset. Finally, multi-label classification is realized by voting to integrate these classifiers. The experimental results on a variety of high-dimensional data sets show that the prediction performance of, En WL on various evaluation metrics is superior to that of existing methods.
【作者單位】： 西南大學(xué)計算機(jī)與信息科學(xué)學(xué)院;北京建筑大學(xué)電氣與信息工程學(xué)院;
【分類號】：TP181

【相似文獻(xiàn)】

相關(guān)會議論文 前3條

1 Raimund Parzmair;荊德君;;高溫產(chǎn)品的標(biāo)記和跟蹤[A];1999中國鋼鐵年會論文集（上）[C];1999年

2 錢竹青;譚慶平;劉峰;楊艷萍;;基于本體論和標(biāo)記圖相似性的Web服務(wù)匹配算法[A];2006年全國開放式分布與并行計算學(xué)術(shù)會議論文集（二）[C];2006年

3 沈志軍;馬瑞娟;俞明亮;蔡志翔;杜平;許建蘭;;油蟠桃組合SSR標(biāo)記連鎖圖譜及主要糖酸風(fēng)味性狀的QTL分析[A];中國園藝學(xué)會桃分會成立暨學(xué)術(shù)研討會論文集[C];2007年

相關(guān)博士學(xué)位論文 前2條

1 付彬;基于標(biāo)記依賴關(guān)系的多標(biāo)記學(xué)習(xí)算法研究[D];北京交通大學(xué);2016年

2 張韜;基于多級次同步混疊干涉的光柵標(biāo)記對準(zhǔn)測量方法[D];哈爾濱工業(yè)大學(xué);2017年

相關(guān)碩士學(xué)位論文 前6條

1 姚前;基于部分標(biāo)記圖的頻繁子圖挖掘算法研究[D];重慶大學(xué);2009年

2 高振華;基于標(biāo)記間相關(guān)性的多標(biāo)記分類算法[D];中南大學(xué);2013年

3 任晉滔;基于多標(biāo)記學(xué)習(xí)的中醫(yī)問診系統(tǒng)的研究[D];華東理工大學(xué);2012年

4 王亮;基于擴(kuò)展標(biāo)記圖的網(wǎng)頁瀏覽與檢索研究[D];重慶大學(xué);2004年

5 劉倩;民國出版標(biāo)記的設(shè)計與文化[D];北京印刷學(xué)院;2015年

6 郝虹;基于樣例及屬性特征分析的多標(biāo)記分類算法研究[D];山東師范大學(xué);2015年

，

本文編號：2404599