开放环境下多示例学习与异常检测研究

发布时间：2024-03-03 22:50

　　机器学习是人工智能的核心研究领域之一,是实现智能化的根本途径。传统机器学习通常假设数据独立同分布,并需要足够多的标记数据以获得较好的学习器。随着机器学习技术向更多应用领域不断拓展,越来越多的学习任务面临更为真实的开放环境,具体表现为数据非独立同分布,标记数据稀少等特性。本文对开放环境中的多示例学习和半监督异常检测问题进行了研究,主要取得了以下创新成果:1.提出了一种对关键示例漂移不敏感的多示例学习方法MIKI(Multi-Instance learning with Key Instance shift)。传统多示例学习方法通常假设数据独立同分布,对分布漂移的研究相对较少。本文提出一种对关键示例漂移不敏感的多示例学习方法MIKI,该方法首先学习关键代表示例,基于关键代表示例构建能同时刻画示例包信息和分布漂移的特征表示,通过学习权重缓解训练数据和测试数据之间的分布差距。实验结果表明,本文方法显著优于其他方法。2.提出 了一种半监督异常检测方法 ADOA(Anomaly Detection with partially Observed Anomalies)。传统异常检测大多关注于监督和无...

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

图１．２：基ｊ－多尔例学＞Ｊ的图像分类举例??在对多水例学的研究过程中，各种不同的算法先后被提出以处理这一问??

１．２?研究问题?３??而，在其他的■■些应用领域，这样假设往往是不妥的。以图像分类为例，若将??一整个图片当成是一个包，而其中切分出来的每一小块视作一个示例，则包的??标记常常是由若干个小块共同决定的。如图１．２所示，图中的红框代表不同的??示例，一张阁片中需同时存在‘海’和‘....

图２．２：基于示例空间的学习范式的示意图??

１进行讨论，概括来说，多示例学习的相关研究方法??可以分为三大类：基于示例空间（Ｉｎｓｔａｎｃｅ－Ｓｐａｃｅ）的学习范式、基于包空间??（Ｂａｇ－Ｓｐａｃｅ）的学习范式和基于嵌入空间（Ｅｍｂｅｄｄｅｄ－Ｓｐａｃｅ）的学习范式。以??下将对每一种学习范式的典型方法进行简要介绍。??....

图２．４：基丁＇包空间的卞习范式的不意图??

２．１多示例学习?１３??丨，??－＿？矩阵■■■？算法４模型??、、－－’＾＾，＇｛负包??；＜：）??图２．４：基丁＇包空间的卞习范式的不意图??Ｗａｎｇ和Ｚｕｃｋｅｒ于２０００年提出基于Ｋ近邻算法的扩展方法Ｃｉｔａｔｉｏｎ?Ｋ－??ＮＮｌ５５１，他们通过如式２．８所示白勺ｍ....

图２．５：基于嵌入空间的学习范式的示意图??基于嵌入空间的方法中，其中一类通过计算包中示例的统计信息来得到映??

１４?第二章研究背景??可以看出，基于包空间的方法并未强调示例层面的标记信息，而是通过构??建合理的包的距离或相似度的度量，直接对包进行分类。??２．１．２．３基于嵌入空间的方法??在基于嵌入空间（Ｅｍｂｅｄｄｅｄ－Ｓｐａｃｅ）的学习范式首先基于映射函数Ｔ将原??始的包映射为嵌入....

本文编号：3918474