基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
在多标记问题中,一个样本对应的多个类别之间经常会存在一定的相关性,这些相关性可以为多标记分类提供有用的信息。已有的多标记学习对于类别之间的相关性研究是建立在原始数据上的,然而原始数据往往是高维且含有噪声的,使得已有学习方法无法达到满意的效果。提出了一种基于共享子空间的多标记学习方法。该方法可以在类别信息的指导下,学到从原始特征空间到高层共享空间的映射函数,从而可以把原始的高维数据映射到一个低维空间中。同时也学到一个从类别空间到高层空间的映射函数,使得数据进行低维的重新表示后,可以直接对应到类别信息。在5个实际的数据集合上进行了测试,实验结果表明该模型可以有效地提高多标记数据的分类性能。
推荐文章
构建新包空间的多示例学习方法
多示例学习
反向传播算法
粗糙集
K均值聚类
新空间
多标记学习研究综述
多标记学习
机器学习
问题转换
算法改进
评估措施
基于子空间半监督学习线性判别方法的目标跟踪技术研究
半监督学习
目标跟踪
增量线性判别分析
置信度
分类面
状态估计
采用核增强学习方法的多机器人编队控制
多机器人
编队控制
增强学习
策略评测
策略迭代
核方法
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 共享子空间的多标记学习方法
来源期刊 计算机科学与探索 学科 工学
关键词 多标记学习 共享子空间 类别相关性
年,卷(期) 2015,(8) 所属期刊栏目 人工智能与模式识别
研究方向 页码范围 963-972
页数 10页 分类号 TP181
字数 6973字 语种 中文
DOI 10.3778/j.issn.1673-9418.1505013
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 杨柳 北京交通大学交通数据分析与挖掘北京市重点实验室 44 134 6.0 10.0
3 于剑 北京交通大学交通数据分析与挖掘北京市重点实验室 68 1099 12.0 32.0
6 景丽萍 北京交通大学交通数据分析与挖掘北京市重点实验室 20 84 5.0 8.0
7 邹珊 北京交通大学交通数据分析与挖掘北京市重点实验室 3 2 1.0 1.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (16)
共引文献  (18)
参考文献  (14)
节点文献
引证文献  (1)
同被引文献  (4)
二级引证文献  (2)
1933(1)
  • 参考文献(1)
  • 二级参考文献(0)
1936(1)
  • 参考文献(1)
  • 二级参考文献(0)
2000(3)
  • 参考文献(2)
  • 二级参考文献(1)
2004(2)
  • 参考文献(1)
  • 二级参考文献(1)
2005(1)
  • 参考文献(1)
  • 二级参考文献(0)
2006(1)
  • 参考文献(0)
  • 二级参考文献(1)
2007(2)
  • 参考文献(1)
  • 二级参考文献(1)
2008(2)
  • 参考文献(0)
  • 二级参考文献(2)
2009(1)
  • 参考文献(0)
  • 二级参考文献(1)
2010(1)
  • 参考文献(1)
  • 二级参考文献(0)
2011(6)
  • 参考文献(1)
  • 二级参考文献(5)
2012(2)
  • 参考文献(1)
  • 二级参考文献(1)
2013(2)
  • 参考文献(0)
  • 二级参考文献(2)
2014(5)
  • 参考文献(4)
  • 二级参考文献(1)
2015(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2019(2)
  • 引证文献(1)
  • 二级引证文献(1)
2020(1)
  • 引证文献(0)
  • 二级引证文献(1)
研究主题发展历程
节点文献
多标记学习
共享子空间
类别相关性
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机科学与探索
月刊
1673-9418
11-5602/TP
大16开
北京市海淀区北四环中路211号北京619信箱26分箱
82-560
2007
chi
出版文献量(篇)
2215
总下载数(次)
4
总被引数(次)
10748
论文1v1指导