隨著社會經(jīng)濟的發(fā)展和信息技術(shù)的進步,各行各業(yè)累積并存儲了海量數(shù)據(jù)。使用機器學(xué)習(xí)方法對數(shù)據(jù)進行處理和分析扮演著尤為重要的角色。我們知道,在監(jiān)督學(xué)習(xí)領(lǐng)域,標(biāo)記樣本的數(shù)量和質(zhì)量是影響學(xué)習(xí)效果的重要因素,但是標(biāo)記樣本的獲取需要付出一定的代價。在很多機器學(xué)習(xí)任務(wù)中,無法獲得充足的標(biāo)記樣本訓(xùn)練模型。主動學(xué)習(xí)、遷移學(xué)習(xí)和半監(jiān)督學(xué)習(xí)是三種解決標(biāo)記樣本缺乏問題的方法。前人在這三個領(lǐng)域已有頗多的研究,但是仍存在一些值得深入探索的問題。例如,當(dāng)相關(guān)領(lǐng)域已經(jīng)累積一定的標(biāo)記樣本時,可以將遷移學(xué)習(xí)與主動學(xué)習(xí)結(jié)合來解決標(biāo)記樣本缺乏的問題。然而,如何將主動學(xué)習(xí)和遷移學(xué)習(xí)有機地結(jié)合在一起形成統(tǒng)一框架,充分發(fā)揮二者的優(yōu)勢,仍然值得我們思考。又如,當(dāng)標(biāo)記樣本數(shù)量有限而未標(biāo)記樣本非常豐富時,可以使用基于圖的半監(jiān)督學(xué)習(xí)解決樣本缺乏問題。然而在基于圖的半監(jiān)督學(xué)習(xí)中,如何克服模型對于標(biāo)簽噪聲敏感的問題,也需要繼續(xù)探究。針對這些問題,本文提出兩種創(chuàng)新性的方法。第一,將主動學(xué)習(xí)與遷移學(xué)習(xí)結(jié)合,提出了一種基于熵的主動遷移學(xué)習(xí)方法。這種方法同時結(jié)合了主動學(xué)習(xí)與遷移學(xué)習(xí)的優(yōu)點,既能夠通過主動查詢減少標(biāo)注大量樣本帶來的工作量,又能夠充分利用源... 

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 研究內(nèi)容
    1.3 論文組織結(jié)構(gòu)
第二章 主動學(xué)習(xí)和半監(jiān)督學(xué)習(xí)基礎(chǔ)理論
    2.1 主動學(xué)習(xí)
        2.1.1 不確定性抽樣
        2.1.2 委員會查詢
        2.1.3 期望模型改變
        2.1.4 批模式主動學(xué)習(xí)中的多樣性策略
        2.1.5 結(jié)合遷移學(xué)習(xí)的主動學(xué)習(xí)
    2.2 半監(jiān)督學(xué)習(xí)
        2.2.1 生成式模型
        2.2.2 自訓(xùn)練和協(xié)同訓(xùn)練
        2.2.3 轉(zhuǎn)導(dǎo)支持向量機
        2.2.4 基于圖的半監(jiān)督方法
    2.3 本章小結(jié)
第三章 基于熵的主動遷移學(xué)習(xí)方法
    3.1 引言
    3.2 基于熵的主動遷移學(xué)習(xí)方法
        3.2.1 主動學(xué)習(xí)
        3.2.2 領(lǐng)域適應(yīng)
        3.2.3 主動學(xué)習(xí)與遷移學(xué)習(xí)的結(jié)合
    3.3 實驗
        3.3.1 實驗設(shè)置
        3.3.2 實驗結(jié)果和分析
            3.3.2.1 UCI數(shù)據(jù)集實驗結(jié)果
            3.3.2.2 TCIA數(shù)據(jù)集實驗結(jié)果
    3.4 本章小結(jié)
第四章 基于最大相關(guān)熵和圖的魯棒性半監(jiān)督學(xué)習(xí)方法
    4.1 引言
    4.2 基于最大相關(guān)熵和圖的魯棒性半監(jiān)督學(xué)習(xí)方法
        4.2.1 魯棒性模型
        4.2.2 優(yōu)化問題求解
        4.2.3 預(yù)測
    4.3 實驗
        4.3.1 實驗設(shè)置
        4.3.2 實驗結(jié)果和分析
            4.3.2.1 PASCAL VOC 2007數(shù)據(jù)集實驗結(jié)果
            4.3.2.2 AWA數(shù)據(jù)集實驗結(jié)果
            4.3.2.3 ImageNet數(shù)據(jù)集實驗結(jié)果
            4.3.2.4 RGSSL-MCC中兩點改進的分析
            4.3.2.5 討論
    4.4 本章小結(jié)
第五章 總結(jié)
    5.1 全文總結(jié)
    5.2 后續(xù)工作展望
參考文獻
附錄
致謝



本文編號：3702379