-
题名基于全局和局部标签相关性的MIMLSVM改进算法
- 1
-
-
作者
李村合
张振凯
-
机构
中国石油大学(华东)计算机与通信工程学院
-
出处
《计算机系统应用》
2019年第4期131-138,共8页
-
基金
山东省自然科学基金项目(ZR2014FQ018)~~
-
文摘
多示例多标记学习是用多个示例来表示一个对象,同时该对象与多个类别标记相关联的新型机器学习框架.设计多示例多标记算法的一种方法是使用退化策略将其转化为多示例学习或者是多标记学习,最后退化为传统监督学习,然后使用某种算法进行训练和建模,但是在退化过程中会有信息丢失,从而影响到分类准确率.MIMLSVM算法是以多标记学习为桥梁,将多示例多标记学习问题退化为传统监督学习问题求解,但是该算法在退化过程中没有考虑标记之间的相关信息,本文利用一种既考虑到全局相关性又考虑到局部相关性的多标记算法GLOCAL来对MIMLSVM进行改进,实验结果显示,改进的算法取得了良好的分类效果.
-
关键词
多示例多标记
局部性
全局性
退化
mimlsvm
GLOCAL
-
Keywords
Multi-Instance Multi-Label(MIML)
locally
globally
degradation
mimlsvm
GLOCAL
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于概念权重向量的MIMLSVM改进算法
- 2
-
-
作者
环天
郝宁
牛强
-
机构
中国矿业大学计算机科学与技术学院
-
出处
《计算机科学》
CSCD
北大核心
2017年第12期48-51,63,共5页
-
基金
江苏省产学研联合创新资金前瞻性联合研究项目(BY2014028-09)资助
-
文摘
针对多示例多标记学习算法MIMLSVM只从包层面构造聚类,而忽略了包内示例分布对分类造成影响这一不足,提出一种基于概念权重向量的MIMLSVM改进算法——I-MIMLSVM算法。首先从示例层面构造聚类,挖掘出示例中的潜在概念簇,运用R-PATTERN算法计算每个概念簇的概念权重;然后利用TF-IDF算法计算每个概念簇在各个示例包中的重要度;最后将示例包表示为概念权重向量,向量的每一维即为概念簇的概念权重与其在该包中的重要度的乘积。将该算法在包含2000幅图像的自然数据集上进行实验验证,结果表明改进的算法在分类性能上整体优于原算法,尤其在Hamming loss,Coverage和Average precision这3个测评指标上较为明显。
-
关键词
mimlsvm
聚类
R-PATTERN
TF-IDF
-
Keywords
mimlsvm
Cluster
R-PATTERN
TF-IDF
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
