多视图多标记学习方法研究与应用

发布时间：2022-02-26 13:58

　　多视图多标记学习作为机器学习中最具潜力的技术之一,近年来备受关注且已被广泛应用至异质多媒体数据分析和生物信息学等诸多领域中。该技术旨在从不同的角度出发,对有多个特征表示的事物进行描述。在多视图多标记学习中,一个对象拥有多个属性视图且被多个概念标签所标注。传统的多视图多标记学习方法旨在通过对同一对象的多个属性视图进行整合以获取其所对应的标记,且这些多视图数据融合方式大多都是监督式的,在模型训练过程中需要大量的有标记样本作为输入。然而,在真实世界中,对多视图多标记对象进行标注代价十分昂贵,需要耗费大量的人力和财力,且同一对象的多个视图之间信息的交流与传递对于该对象的学习表现力也会产生很大影响。进一步地,为了更好地解决多视图样本学习过程中每个对象在不同视图上多个子样本之间存在的语义鸿沟,衍生出了另外一种更为复杂的多视图多示例多标记学习框架。该框架的学习目的是通过整合一个样本（包）在多个视图中所含子样本（示例）的特征来获取该样本所对应的多个概念标签。传统的多视图多示例多标记学习算法大多都是监督式的,且忽略了包、示例以及标记这3种类型对象之间所存在的多种关联关系对样本学习表现力的影响。此外,这些... 

【文章来源】：西南大学重庆市211工程院校教育部直属院校

【文章页数】：93 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文主要内容
    1.4 本文组织结构
2 相关研究方法
    2.1 相关知识
    2.2 评价方法
    2.3 本章小结
3 多标记协同训练算法(MLCT)
    3.1 MLCT算法原理
    3.2 实验结果与分析
    3.3 本章小结
4 基于协同矩阵分解的多视图多示例多标记学习算法(M3Lcmf)
    4.1 M3Lcmf算法原理
    4.2 实验结果与分析
    4.3 本章小结
5 弱监督多视图多示例多标记学习算法(WSM3L)
    5.1 WSM3L算法原理
    5.2 实验结果与分析
    5.3 本章小结
6 多视图多示例多标记主动学习算法(M3AL)
    6.1 M3AL算法原理
    6.2 实验结果与分析
    6.3 本章小结
7 总结与展望
    7.1 论文总结
    7.2 论文展望
参考文献
致谢
发表论文及参加课题一览


【参考文献】：
硕士论文
[1]基于样本和标记建模的弱监督分类方法研究[D]. 陈霞.西南大学 2019



本文编号：3644617