基于标签空间降维的多视角多标签学习

发布时间：2021-12-27 18:59

　　随着科学技术的发展,样本的标签越来越多。这给经典的多标签学习模型带来了计算压力并降低了多标签学习的性能。研究学者受到特征空间降维的启发,提出了标签空间降维的思想。随着人工智能时代的来临,样本或任务不再只用一个视角进行简单的描述。在样本具有多个视角同时样本标签空间维度大的时候,现有的基于标签空间降维的多标签学习和多视角多标签学习的方法无法解决。在此基础上,本文提出了两种基于标签空间降维的多视角多标签学习的方法。本文的主要内容和动机点列举如下:本文首先提出了一种集成的多视角标签空间降维方法。该方法在对多视角的每个视角的特征空间分别计算出相应的预测标签空间基础上,利用每个视角的预测和真实标签空间之间存在的误差学习一系列用于衡量其与真实标签接近程度的权重。本文通过三个典型多标记图片数据集上的实验证明了提出的方法准确度高于通过投票方式集成结果以及选择最优的特征空间的结果这两类方法。在第一个工作的基础上,提出了完整的基于标签空间降维的多视角多标签学习算法。该算法在通过最大化标签空间、隐空间和特征空间之间的关系得到相应隐空间的基础上,采用了希尔伯特-施密特独立性准则平衡多视角之间的一致性和互补性,通... 

【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校

【文章页数】：47 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景及研究目的
    1.2 标签空间降维的研究现状
        1.2.1 基于标签选择的标签空间降维
        1.2.2 基于标签转换的标签空间降维
        1.2.3 基于隐空间的标签空间降维
    1.3 多视角多标签学习的研究现状
    1.4 论文的研究内容
    1.5 论文的组织结构
第2章 基于集成的多视角标签空间降维
    2.1 问题描述
    2.2 模型介绍
    2.3 模型优化和算法介绍
        2.3.1 训练过程
        2.3.2 预测过程
    2.4 实验分析
        2.4.1 数据集和评价指标
        2.4.2 评价指标
        2.4.3 参数设置
        2.4.4 实验结果
    2.5 结论
第3章 基于多视角标签嵌入的标签空间降维
    3.1 问题描述
    3.2 模型介绍
    3.3 模型优化和算法介绍
        3.3.1 训练过程
        3.3.2 预测过程
        3.3.3 拓展的核方法
    3.4 实验分析
        3.4.1 数据集和评价指标
        3.4.2 评价指标
        3.4.3 参数设置
        3.4.4 对比算法
        3.4.5 实验结果
    3.5 结论
第4章 结语与展望
参考文献
发表论文和参加科研情况说明
致谢



本文编号：3552543