鲁棒多标记学习

《鲁棒多标记学习》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、鲁鲁鲁棒棒棒多多多标标标记记记学学学习习习RobustMulti-LabelLearning学科专业：计算机科学与技术作者姓名：余子伟指导教师：胡清华教授张长青讲师天津大学计算机学院二零一七年十一月摘摘摘要要要多标记学习指一个样本可能对应多个标记的学习，其在很多实际应用，如文本分类，基因功能分类，场景分类。近些年来，多标记学习因其问题的复杂性以及广泛的应用背景，得到了越来越多的重视与研究。传统的多标记算法，往往基于训练数据是无噪声或者噪声种类单一的假设，这样导致模型在真实复杂噪声数据上的表现不佳。而现实世界中，训练数据往往是存在不同种类的噪声，如属性噪声、标记噪声或者混合噪

2、声。因此，围绕多标记学习，如何构建一个鲁棒性的多标记学习模型，也是近几年来热门的研究方向。本文围绕鲁棒性的多标记学习设计模型算法，通过引入集成学习、混合噪声模型和多视角学习分别提出了三个鲁棒性的多标记学习模型，从不同方面研究和引入鲁棒性机制。本文模型主要贡献有以下三个方面：1、独立增强的多标记学习，通过引入集成学习的机制构造并采用了希尔伯特施密特独立性准则来构造“好而不同”的多标记分类器，在融合阶段采用自适应加权求和的方法来对分类结果进行加权求和。2、混合噪声的多标记学习，区别于传统的鲁棒性的多标记学习算法只考虑属性噪声或者标记噪声，本文提出了基于标记增强的双向连接的混合噪

3、声的多标记学习模型，通过标记增强矩阵桥接属性与标记，并通过引入结构化稀疏同时处理属性噪声和标签噪声，构造出混合噪声的多标记学习模型。3、隐语义感知的多视角多标记学习，通过引入多视角的思想，构造一个多视角数据公共的隐语义表达，并且采用希尔伯特施密特独立性准则来使每一个视角下的基对齐，保证隐语义的有效性。然后基于获取的公共隐表达进行分类，从而利用了多视角数据的一致性和互补性，增强了多标记算法的鲁棒性。关键词：鲁棒，多标记，集成学习，多视角，混合噪声IABSTRACTMulti-labellearningreferstoasamplemaycorrespondtomultiple

4、classesandcanbeusedinmanypracticalapplication,suchastextclassification,genefunctionclassifi-cation,sceneclassification,etc.Inrecentyears,multi-labellearninghasreceivedmoreandmoreattentionandresearchduetoitscomplexityandextensiveapplicationback-ground.Traditionalmulti-labelalgorithmsareoftenba

5、sedontheassumptionthatthetrainingdataisnoiselessorofasingletypeofnoise,whichleadstopoorperformanceofthemodelonrealcomplexnoisedata.Intherealworld,trainingdataoftencontaindierenttypeofnoise,suchasattributenoise,labelnoise,orhybridnoise.Therefore,howtobuildarobustmulti-labellearningmodelisal

6、soahotresearchdirectioninrecentyears.Basedontherobustmulti-labellearningmodel,thispaperproposesthreerobustmulti-labellearningmodelbyintroducingtheframeworkofensemblelearning,hybridnoisemodelandmulti-viewlearningrespectively.Themaincontributionsofthispaperhasthefollowingthreeaspects:(1).Ind

7、ependenceRegularizedMulti-LabelEnsemble,weproposeanensemblemethodtolearnthebasicclassifierbyintroducetheHilbert-SchmidtIndependenceCri-terion(HSIC)tomodelthegeneralindependenceofthedierentclassifiers.Andcon-sideringthedierentqualitiesoftheseclassifiers,aweightave