基于抗噪声的多任务多示例学习算法研究
在多示例学习中, 当训练样本数量不充足或者训练样本中存在噪声信息时, 分类器的分类性能将降低. 针对该问题, 本文提出了一种基于抗噪声的多任务多示例学习算法. 一方面, 针对训练样本中可能存在的噪声问题, 该算法赋予包中示例不同的权值, 通过迭代更新权值来降低噪声数据对预测结果的影响. 另一方面, 针对训练样本数量不充足问题, 该算法运用多任务学习策略, 通过同时训练多个学习任务, 利用任务间的关联性来提高各个分类任务的预测性能.实验结果证明, 与现有的分类算法相比, 该方法在相同的实验条件下具有更优秀的性能.
多示例学习、抗噪声、多任务学习、关联性、分类器
35
TP301.6(计算技术、计算机技术)
国家自然科学基金资助项目61472090,61672169,61472089
2018-06-19(万方平台首次上网日期,不代表论文的发表时间)
共7页
47-53