基于标记相关性的多示例多标记算法

• 作者: 姜宇 李村合 田程程
• 来源期刊: 计算机系统应用
• 关键词: 多示例多标记学习 ML-LOC算法 标记依赖 支持向量机
• 年，卷（期）: 2018,（8）
• 所属期刊栏目: 软件技术·算法
• 页码范围: 146-152
• 页数: 7页
• 字数: 6963字
• 语种: 中文
• DOI: 10.15888/j.cnki.csa.006490

摘要

多示例多标记学习(Multi-Instance Multi-Label,MIML)是一种新的机器学习框架,基于该框架上的样本由多个示例组成并且与多个类别相关联,该框架因其对多义性对象具有出色的表达能力,已成为机器学习界研究的热点.解决MIML分类问题的最直接的思路是采用退化策略,通过向多示例学习或多标记学习的退化,将MIML框架下的分类问题简化为一系列的二类分类问题进行求解.但是在退化过程中会丢失标记之间的关联信息,降低分类的准确率.针对此问题,本文提出了MIMLSVM-LOC算法,该算法将改进的MIMLSVM算法与一种局部标记相关性的方法ML-LOC相结合,在训练过程中结合标记之间的关联信息进行分类.算法首先对MIMLSVM算法中的K-medoids聚类算法进行改进,采用的混合Hausdorff距离,将每一个示例包转化为一个示例,将MIML问题进行了退化.然后采用单示例多标记的算法ML-LOC算法继续以后的分类工作.在实验中,通过与其他多示例多标记算法对比,得出本文提出的算法取得了比其他分类算法更优的分类效果.