基于稀疏重构消歧的偏标记分类算法
针对现有的大多数方法在消歧过程中缺乏对特征空间潜在有用信息的利用和对候选标签不同置信度水平的考虑的问题,本文提出了一种基于稀疏重构消歧的偏标记学习(partial label learning by sparse reconstruc-tion disambiguation,PL-SRD)的新方法,利用特征空间的结构信息促进标签的消歧过程.本文通过对训练样本进行稀疏重构来刻画特征空间的拓扑结构并将其融入到标签消歧过程中;提出一个统一的框架将标签消歧与训练预测模型同时进行.在人工合成和真实数据集上进行的大量实验表明,本文提出的方法比多个现有的偏标记学习算法取得了更好的性能.
弱监督学习、稀疏重构、平滑假设、标签消歧、偏标记学习、候选标签、特征空间、多分类
18
TP181(自动化基础理论)
国家自然科学基金61866009
2023-08-28(万方平台首次上网日期,不代表论文的发表时间)
共11页
708-718