半監(jiān)督學習是同時利用標記和未標記數(shù)據(jù)進行學習的一種機器學習方法,其希望挖掘未標記樣本的信息提升學習性能。但在某些場景中,由于未標記樣本的引入,半監(jiān)督學習的性能甚至不如相應監(jiān)督學習的性能,因此如何安全挖掘未標記樣本的信息,成為了一個研究熱點。文章在總結現(xiàn)有安全半監(jiān)督學習基礎上,結合正則化最小二乘算法(RLS)和拉普拉斯正則化最小二乘算法(Lap RLS),采用對偶學習機制和風險度自適應估計策略,提出了兩種安全半監(jiān)督學習算法。文章具體研究內(nèi)容如下:(1)提出了一種基于對偶學習的安全半監(jiān)督學習算法(DALLAS)。該算法采用RLS和協(xié)同表示分類算法(CRC)分別作為原模型和對偶模型,來預測和重構未標記樣本,根據(jù)重構誤差計算風險度,構建基于風險度的安全半監(jiān)督學習算法。對于每個未標記樣本,若重構誤差大,則其風險度大且其預測應該接近監(jiān)督學習預測。否則,未標記樣本的風險度小。最后,在醫(yī)療疾病和數(shù)字識別等標準數(shù)據(jù)集上的實驗表明,DALLAS能較好地降低未標記樣本的風險程度,特別是在標記樣本較少的情況下,從而降低了半監(jiān)督學習錯誤分類的風險,提升了算法的安全性。(2)提出了一種基于l₁

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

圖2.2泛化誤差與偏差、方差的關系示意圖

杭州電子科技大學碩士學位論文22的計算或模型參數(shù)增加等代價，在此時的各種解其實大致也能符合需求，故需要施加一種約束Ω()，使得在滿足的假設空間內(nèi)找到按照約束偏好的解。按照如上描述，加入正則項的目標函數(shù)形式如下：min(,())+()(2.24)(,())可以選取最小二乘形式、0/....

本文編號：3963564