非结构化数据的多粒度集成分类方法

• 作者: 商琳 徐苏平 王子一
• 来源期刊: 南京航空航天大学学报
• 学科: 工学
• 关键词: 集成学习 多粒度 神经网络 分类
• 年，卷（期）: 2020,（5）
• 页码范围: 723-728
• 页数: 6页
• 分类号: TP391
• 语种: 中文
• DOI: 10.16356/j.1005⁃2615.2020.05.007

摘要

深度学习模型已经在文本和图像等分类任务上取得了不错的效果,然而深度学习模型很难为分类结果提供可解释性.本文提出一种非结构化数据的多粒度集成分类方法,与其他学习方法相比,多粒度集成分类方法能够保留数据的上下文信息.在多粒度集成分类方法中,数据被划分成不同的粒度,用于训练不同的基学习器,这些学习结果为集成模型最后的分类提供了可解释性.基学习器根据它们在验证集上的精度被赋予不同的权重,从而构造出一个较好的集成学习器.在实验中,本文验证了所提出模型在3种非结构化数据类型(文本、医学图像和时间序列)上的有效性.实验结果表明,本文的模型比现有的基准方法简单,具有较好的分类精度,并且能够为数据的分类提供可解释性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	商琳		44	685	17.0	25.0
2	王子一		3	0	0.0	0.0
3	徐苏平		1	0	0.0	0.0