機器學習是人工智能的核心研究領域之一,是實現智能化的根本途徑。傳統(tǒng)機器學習通常假設數據獨立同分布,并需要足夠多的標記數據以獲得較好的學習器。隨著機器學習技術向更多應用領域不斷拓展,越來越多的學習任務面臨更為真實的開放環(huán)境,具體表現為數據非獨立同分布,標記數據稀少等特性。本文對開放環(huán)境中的多示例學習和半監(jiān)督異常檢測問題進行了研究,主要取得了以下創(chuàng)新成果:1.提出了一種對關鍵示例漂移不敏感的多示例學習方法MIKI(Multi-Instance learning with Key Instance shift)。傳統(tǒng)多示例學習方法通常假設數據獨立同分布,對分布漂移的研究相對較少。本文提出一種對關鍵示例漂移不敏感的多示例學習方法MIKI,該方法首先學習關鍵代表示例,基于關鍵代表示例構建能同時刻畫示例包信息和分布漂移的特征表示,通過學習權重緩解訓練數據和測試數據之間的分布差距。實驗結果表明,本文方法顯著優(yōu)于其他方法。2.提出 了一種半監(jiān)督異常檢測方法 ADOA(Anomaly Detection with partially Observed Anomalies)。傳統(tǒng)異常檢測大多關注于監(jiān)督和無...

【文章頁數】：71 頁

【學位級別】：碩士

【部分圖文】：

圖１．２：基ｊ－多爾例學＞Ｊ的圖像分類舉例??在對多水例學的研究過程中，各種不同的算法先后被提出以處理這一問??

１．２?研究問題?３??而，在其他的■■些應用領域，這樣假設往往是不妥的。以圖像分類為例，若將??一整個圖片當成是一個包，而其中切分出來的每一小塊視作一個示例，則包的??標記常常是由若干個小塊共同決定的。如圖１．２所示，圖中的紅框代表不同的??示例，一張閣片中需同時存在‘�！汀�....

圖２．２：基于示例空間的學習范式的示意圖??

１進行討論，概括來說，多示例學習的相關研究方法??可以分為三大類：基于示例空間（Ｉｎｓｔａｎｃｅ－Ｓｐａｃｅ）的學習范式、基于包空間??（Ｂａｇ－Ｓｐａｃｅ）的學習范式和基于嵌入空間（Ｅｍｂｅｄｄｅｄ－Ｓｐａｃｅ）的學習范式。以??下將對每一種學習范式的典型方法進行簡要介紹。??....

圖２．４：基丁＇包空間的卞習范式的不意圖??

２．１多示例學習?１３??丨，??－＿？矩陣■■■？算法４模型??、、－－’＾＾，＇｛負包??；＜：）??圖２．４：基丁＇包空間的卞習范式的不意圖??Ｗａｎｇ和Ｚｕｃｋｅｒ于２０００年提出基于Ｋ近鄰算法的擴展方法Ｃｉｔａｔｉｏｎ?Ｋ－??ＮＮｌ５５１，他們通過如式２．８所示白勺ｍ....

圖２．５：基于嵌入空間的學習范式的示意圖??基于嵌入空間的方法中，其中一類通過計算包中示例的統(tǒng)計信息來得到映??

１４?第二章研究背景??可以看出，基于包空間的方法并未強調示例層面的標記信息，而是通過構??建合理的包的距離或相似度的度量，直接對包進行分類。??２．１．２．３基于嵌入空間的方法??在基于嵌入空間（Ｅｍｂｅｄｄｅｄ－Ｓｐａｃｅ）的學習范式首先基于映射函數Ｔ將原??始的包映射為嵌入....

本文編號：3918474