基于决策级融合策略的多视图多标签学习算法研究

发布时间：2021-02-07 00:33

　　在移动互联网时代,数据信息不仅在规模上飞速增长,其表现形式也呈现出多样性和丰富性。人们往往可以从多个角度对一个物体进行描述,即每个对象不仅可以由多个视图的数据特征表示,而且同时拥有多个类标签。多视图多标签学习就是研究这类数据问题的一个重要框架。因其在实际生活中广泛存在,已成为当今机器学习研究关注的焦点之一。本文围绕多视图多标签学习问题展开研究,以决策级融合的多视图多标签学习算法为核心,旨在通过有效利用每个视图的独特信息以及多个视图之间的相关性来提升算法的分类性能。本文主要研究内容如下:1、针对现有方法易忽略不同数据视图之间信息的互补性和相关性所带来的挑战,提出了一种基于策略融合的多视图多标签学习算法。该方法综合考虑了视图特有特征、多视图一致性、标签相关性以及各视图贡献权重对模型分类性能的影响。首先,学习每个数据视图的低维特有特征矩阵。然后,利用标签相关性和多视图一致性在各视图中分别构建多标签分类模型,并学习每个视图对多标签学习任务的贡献权重。最后,将各视图中的多标签预测结果及视图贡献权重融合得到最终的标签预测结果。在5个公开的多视图多标签数据集上进行实验,结果表明算法的综合性能较优。2... 

【文章来源】：湘潭大学湖南省

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

协同训练算法示意图

41这种情况下，考虑提取它们自己的特有信息可能更为合理。事实上，每一个视图的数据都有其特殊的内部结构和独特的物理意义，又由于不同视图描述的是同一对象，所以它们之间的信息又是相互关联的，彼此之间存在共同点。换言之，每个视图提供的信息包含共享特征和特有特征两部分。在处理多视图多标签学习问题时，如果能同时有效利用共享特征和特有特征，对于提高模型的性能具有重要意义。基于以上考虑，本章提出了一种基于视图共享和特有特征的多视图多标签学习算法（SS-MVML）。本算法的贡献在于：1)利用对抗网络框架提取视图的共享特征，具体地，通过最小化对抗损失和多标签预测损失来提取多视图中的共享信息。2)通过聚类相关技术提取视图内的标签特有信息。即利用聚类集成技术，同时考虑了不同标签之间的相关性来生成标签特有特征。图4.1SS-MVML模型框架图4.2SS-MVML模型设计多视图多标签学习的目标是充分集成单个对象的各种表示形式，并为其分配适当的丰富语义。如上所述，来自不同视图的信息通常包含共享的和特有的两个部分。因此，SS-MVML的关键步骤是共享信息提取和特有信息的提龋模型框架如图4.1所示，总体分为3部分，第一部分为提取特有信息，这部分主要利用了聚类集成技术，并结合标签之间的相关性来生成标签特有特征。第二部分是采用对抗神经网络，通过最小化混淆对抗损失和多标签预测损失之和来提取多视图中的共享信息。第三部分是预测部分，主要是将提取到的共享特征和特有特征拼接起来形成新的联合特征，然后在每个视图内用一个多标签分类器对未知示例进行预测。最后将所有视图的预测结果结合起来得到最终的预测结果。

【参考文献】：
期刊论文
[1]Novel Apriori-Based Multi-Label Learning Algorithm by Exploiting Coupled Label Relationship[J]. Zhenwu Wang,Longbing Cao.  Journal of Beijing Institute of Technology. 2017(02)
[2]多视图学习的中文文本分类研究[J]. 卜哲,张化祥.  信息技术与信息化. 2016(09)
[3]多标记学习研究综述[J]. 李志欣,卓亚琦,张灿龙,周生明.  计算机应用研究. 2014(06)
[4]多标签数据挖掘技术:研究综述[J]. 李思男,李宁,李战怀.  计算机科学. 2013(04)
[5]一种基于正则化的半监督多标记学习方法[J]. 李宇峰,黄圣君,周志华.  计算机研究与发展. 2012(06)
[6]基于协同聚类的两阶段文本聚类方法[J]. 王明文,付剑波,罗远胜,陆旭.  模式识别与人工智能. 2009(06)

硕士论文
[1]基于稀疏表示的图像去噪算法研究[D]. 乔雅莉.北京交通大学 2009



本文编号：3021343