距离度量学习在多示例多标记学习中的应用研究

摘要

多示例多标记学习（MIMLL，Multi-Instance Multi-Label Learning）是机器学习的一个重要分支。MIML学习框架中，一个样本由多个示例即特征向量表示，并同时与多个标记相关联。因为自身的结构复杂和多语义特性，图像和文本的分类和近邻搜索问题可以归结为MIML学习问题。传统的MIML算法使用豪斯多夫距离（Hausdorff distance）来度量样本在特征空间的距离，无法反映出样本间的语义相关性。而距离度量学习通过利用样本的标记信息来优化样本间距离，达到距离度量的语义一致。本文在 MIML学习架构下，通过距离度量学习优化样本的分类和搜索算法，主要贡献如下：
　　提出了一种基于聚类策略的 MIML距离度量学习算法，该算法在学习过程中引入了聚类思想与标记相关性，在简化了距离度量学习复杂度的同时探索了标记与示例之间的关系；设计了一种联合距离度量学习和 k-最近邻技术的 MIML分类算法，利用学习得到的距离度量计算样本近邻充分考虑了语义一致性，提高了分类算法的性能；设计了一种联合距离度量学习和锚图哈希（AGH，Anchor Graph Hashing）技术的MIML哈希算法，利用学习得到的距离度量构建样本与锚点的邻接矩阵，充分考虑语义一致性，提高了哈希算法性能；实验验证了本文提出的分类及哈希算法的有效性。

目录

声明

缩略词

第一章 绪论

1.1 引言

1.2 MIML学习框架

1.3 距离度量学习问题

1.4 本文工作

第二章 多示例多标记架构和距离度量学习

2.1 MIML分类及哈希技术

2.2 距离度量学习

2.3 本章小结

第三章 距离度量学习在MIML分类算法中的应用

3.1 引言

3.2 MI(ML)2kNN算法

3.3 仿真验证

3.4 本章小结

第四章 距离度量学习在MIML哈希算法中的应用

4.1 引言

4.2 AGH_MI(ML)2算法

4.3 仿真验证

4.4 本章小结

第五章 未来工作及展望

参考文献

附录1 攻读硕士学位期间申请的专利

附录2 攻读硕士学位期间参加的科研项目

附录3 公式证明

致谢