多标记学习

摘要： 多标记学习广泛应用于图像分类、疾病诊断等领域,然而特征的高维性给多标记分类算法带来时间负担、过拟合和性能低等问题.基于多粒度邻域一致性设计相应的多标记特征选择算法:首先利用标记空间和特征空间邻域一致性来粒化所有样本,并基于多粒度邻域一致性观点定义新的多标记邻域信息熵和多标记邻域互信息;其次,基于邻域互信息构建一个评价候选特征质量的目标函数用于评价每个特征的重要性;最后通过多个指标验证了所提算法的有效性.

摘要： 为了提升标记分布学习在歧义性分类问题上的预测性能,对标记形态上的模糊度进行研究。提出了标记形态模糊度的概念,给出了基于峰度的一种度量方式,探讨了不同模糊程度样本对于分类学习的影响。根据低模糊度数据更有利于学习的研究发现,基于加权低模糊度样本和对齐模糊度损失这两种策略设计了一种新的标记分布学习算法。14个数据集上的十折交叉试验表明,该文提出的标记分布学习模糊度量化标记算法在各种数据集上都能够降低模糊度损失并提升预测精度,具有良好的鲁棒性。

摘要： 在多标记学习与分类中,现有邻域粗糙集特征选择算法若将样本的分类间隔作为邻域半径,则会出现分类间隔过大导致分类无意义、样本距离过大容易造成异类样本和同类样本失效,以及无法处理弱标记数据等情况。为解决这些问题,提出一种基于多标记邻域粗糙集和多标记Relief的弱标记特征选择方法。首先,引入异类样本数和同类样本数来改进分类间隔,在此基础上定义邻域半径,构造新的邻域近似精度与多标记邻域粗糙集模型,并有效度量边界域引起的集合不确定性。其次,利用迭代更新权重公式填补大部分缺失标记信息,将邻域近似精度与互信息相结合,以构造新的标记相关性,填补剩余的缺失标记信息。然后,使用异类样本数和同类样本数,以构造新的标记权重和特征权重计算公式,进而提出多标记Relief模型,并将其应用于多标记特征选择。最后,结合多标记邻域粗糙集模型和多标记Relief算法,设计一种新的弱标记特征选择算法,以处理带有缺失标记的高维数据,并有效地提升多标记分类性能。在11个公共多标记数据集上进行仿真实验,结果验证了所提出的弱标记特征选择算法的有效性。

摘要： 交通场景中对遮挡车辆的检测是车辆检测中的一个难点,基于此提出了一种不同于传统滑动窗口方法的新的车辆检测方法。该方法通过学习一个高斯混合模型联合基于多标记学习的局部遮挡模式捕获方法,通过从少量帧中提取检测信息,进行无监督学习,混合图像的每个部分都代表了在图像区域内找到的目标期望。运行时,最有可能包含车辆的窗口将从部件中取样,并由分类器进行评估。在分析局部遮挡时,用部件检测器共享一组决策树,通过学习和组合利用区域相关性,减少计算时间。实验结果表明,采用联合高斯混合模型与局部遮挡捕获方法,可大大降低计算复杂度,同时在遮挡方面提供更好的识别性能。

摘要： 在多标记学习(MLL)问题中,每个示例都与一组标记相关联.为了实现对未见示例的高效预测,挖掘和利用标记之间的关系是至关重要的.大多数已有的研究都将关系简化为标记之间的相关性,而相关性又通常基于标记的共现性.揭示了因果关系对于描述一个标记在学习过程中如何帮助另一个标记更为重要.基于这一观察,提出了两种策略来从标记因果有向无环图(DAG)中生成标记的因果顺序,同时使得生成的因果顺序都遵循因标记应该在果标记之前的准则.第1种策略的主要思想是对随机顺序进行排序,使其满足DAG中的因果关系.而第2种策略的主要思想是根据DAG的结构,将标记放入许多不相交的拓扑层次中,再通过它们的拓扑结构进行排序.进一步,通过将因果顺序纳入到分类器链(CC)模型中,提出了一种有效的MLL方法,从而从更加本质的角度来利用标记关系.在多个数据集上的实验结果验证了该方法确实能够挖掘出有效的标记因果顺序,并帮助提升学习性能.

摘要： 针对多视图多标记学习中视图不完整和标记不完整问题,提出一种自适应标记关联与实例关联诱导的缺失多视图弱标记学习模型。模型假设样本各视图特征基于一个共享表示,通过不同映射得到。首先通过嵌入指示矩阵进行矩阵分解,充分利用已有的不完整多视图弱标记数据,然后引入图论中学习标准拉普拉斯矩阵的技术来刻画标记关联关系、实例关联关系,从而在模型里嵌入流形正则化思想,使学到的潜在共享表示以及分类器更加合理,最后在4个多视图多标记数据集上实验。实验结果表明,所提方法能够有效解决不完整多视图弱标记学习问题。

摘要： 处理复杂的多标记数据对于特征选择而言是一项挑战性任务.然而,现存的多标记特征选择方法存在三个问题未解决.首先,现有的多标记特征选择方法利用样例层流形正则化项保持样例的相似性结构或借助标签关联来指导特征选择,但两者对于特征选择的指导存在互补关系.其次,早期方法基于样例相似性所构造的近邻矩阵来探索标签关联,却忽略了成对标签本身的关联性.最后,早期方法整合多个未知变量,导致目标函数的求解变得困难.为解决上述问题,本文基于最小二乘回归模型构建经验损失函数,然后在目标函数中引入标签正则化项探索标签之间的关联,同时利用特征矩阵与重构稀疏系数矩阵的乘积表示预测标签并保留数据本身的局部几何结构.上述各项被整合在一个联合学习框架内.针对该学习框架,一套证明可收敛的优化方案被设计.在13个真实的多标记基准数据集上进行实验,实验结果验证了所提方法的有效性.

摘要： 特征选择是多标记学习中重要的预处理过程.针对现有多标记分类方法没有考虑标记占比对特征和标记相关性的影响,以及不能有效处理弱标记数据等问题,提出一种基于仿射传播(affinity propagation,AP)聚类和互信息的弱标记特征选择方法.首先,在AP聚类的基础上,结合剩余标记信息和样本相似性,构建概率填补公式,预测缺失标记值,有效补齐缺失标记;然后,使用先验概率定义标记占比,结合互信息构建相关性度量,评估特征与标记集之间的相关程度;最后,设计一种弱标记特征选择算法,有效提高弱标记数据的分类性能.在6个多标记数据集上进行仿真实验,结果表明,该算法在多个指标上获得了良好的分类性能,优于当前多种相关的多标记特征选择算法,有效验证了所提算法的有效性.

摘要： 针对现有一些特征选择算法未充分考虑特征和标记之间的相关性,造成分类精度偏低,以及ReliefF算法中样本间分类间隔较大导致分类无意义的问题,提出了一种基于标记相关性和改进ReliefF的多标记特征选择方法。首先,根据正类样本在标记集合中的所占比例定义标记权重,结合互信息和标记权重,构建特征与标记集合之间的相关度计算公式,有效反映特征与标记集的相关性,进而提高算法的分类精度。然后,依据ReliefF模型中的距离计算公式,分别计算样本与最近邻异类样本、最近邻同类样本的距离,提出一种新的样本分类间隔,结合标记权重与分类间隔构建新的特征权值更新公式,有效解决了传统ReliefF算法中因样本间距离过大导致异类样本和同类样本失效的问题。最后,结合标记相关性和改进的ReliefF算法,设计了一种新的多标记特征选择算法。在7个多标记数据集上选择不同评价指标,对所提多标记特征选择算法进行仿真实验与分析,实验结果表明所提算法是有效的。

摘要： 针对多标记学习中特征噪声和标记噪声经常共同出现的问题,提出了一种图趋势过滤诱导的噪声容错多标记学习模型(GNTML).该模型通过组稀疏约束桥接增强的标记,从而同时容忍特征噪声和标记噪声.模型的关键之处在于标记增强矩阵的学习.为了在混合噪声场景下学习到合理的标记增强矩阵,首先通过引入图趋势过滤(GTF)机制来容忍含噪示例特征与标记之间关联的不一致性,从而减轻特征噪声对标记增强矩阵学习的影响;然后通过引入组稀疏约束的标记保真惩罚来减轻标记噪声对标记增强矩阵学习的影响,同时引入标记关联矩阵的稀疏约束来刻画标记之间的局部关联特性,使得样本标记能够在相似样本之间得到更好的传播;最后在7个真实多标记数据集上进行5个不同评价指标下的实验.实验结果表明,提出的模型在66.67％的情况下取得最优值或次优值,优于其他5个多标记学习算法,能有效地提高多标记学习的鲁棒性.

摘要： 针对汽车产品评论文本中出现的多方面性能,提出一种基于多标记学习的汽车评论文本多方面性能识别方法.首先,结合文本挖掘方法,利用多标记文本特征选择方法选取特征,将非结构化的文本转化为结构化的多标记数据集.在此基础上,使用4种多标记分类方法,对待识别的评论文档标注一个或多个方面标记.最后,以8种多标记评价指标评估方面识别的性能.在新浪汽车评论语料上的实验表明,方面识别的子集准确率达到了95％,验证了方法的可行性.

摘要： 问诊的目的在于充分收集其他三诊无法获取的患者资料，以便全面了解病情，在四诊中占有重要位置。本文开发一种根据传统中医理论指导下的中医问诊智能系统，是一种将计算机技术、智能信息处理技术和中医理论相结合，实现中医问诊智能化。本系统可以收集患者的基本信息、症状、望切诊、既往史、中医诊断和西医诊断等信忠。并对这些信息进行数据管理、数据统计、数据挖掘和打印输出。系统应用多标记学习建立中医问诊模型，对患者进行自动诊断，有利于临床问诊的规范化，可以辅助医生进行临床辨证。

摘要： 本发明提供一种数据嵌入网络的学习方法，该方法包括：学习装置获得原始数据和标记数据并将其输入到数据嵌入网络中，以使数据嵌入网络合成原始数据和标记数据从而生成已标记学习数据；将已标记学习数据输入到学习网络中以使学习网络对已标记学习数据进行网络运算来生成第1特征信息，并将原始学习数据输入到学习网络以使学习网络对原始学习数据进行网络运算来生成第2特征信息；以及学习数据嵌入网络，以使通过参考将第1特征信息和第2特征信息作为参考的错误与将任务特定输出和与其对应的真实数据作为参考的错误中的至少一部分来生成的数据错误最小化且使已标记数据分数最大化，并学习鉴别器，以使原始数据分数最大化且使已标记数据分数最小化。

摘要： 公开了标记检测装置、标记学习装置和基板加工装置。标记检测装置，包括：成像单元，被配置成通过对物体上的对准标记成像来生成对准标记图像；检测单元，被配置成检测对准标记图像中的对准标记；以及调节单元，被配置成基于如下的学习模型来调节与成像相关的参数，所述学习模型是通过使用其中不能检测到对准标记的对准标记图像和作为用于对其中能够检测到对准标记的对准标记图像成像的参数的第一参数进行学习而生成的。调节单元取得作为基于学习模型的推断处理的结果的第二参数。成像单元在参数被调节为第二参数的状态下执行成像。

摘要： 本发明公布了一种基于MATLAB的图像标记软件，在具体实现的时候有七个模块可以供选择，分别是图片打开模块、圆或椭圆标记模块、多边形标记模块、导入模块、顺序标记模块、新图层模块、深度学习训练文件生成模块。MATLAB Runtime是一组独立的共享库，可用于在未安装MATLAB的计算机上执行编译后的MATLAB应用程序或组件，利用它可以在不安装MATLAB的PC上面运行MATLAB编译的.EXE文件，可以完成两种标记。一、椭圆或圆的标记，可以在用点确定了椭圆或圆的长短轴之后通过拖动其长短轴端点，来改变椭圆或圆的大小及椭圆倾斜方向；二、多边形的标记，在用点标记出多边形的边界点之后，可以拖动多边形的边界点来改变多边形的大小和形状。

摘要： 本发明公开了一种基于特征选择和标记相关性联合学习的多标记数据分类方法，主要针对标记缺失情况下的多标记数据分类问题，包含如下步骤：标记相关性矩阵初始化；运用特征选择和标记相关性联合学习算法(JLFLLC)学习得到标记相关性矩阵和分类器参数；模型预测；本发明将特征选择与标记相关性联合学习算法应用于多标记数据的分类，以此来提高多标记数据的分类精度，此外，本发明中将正则化技术运用在模型中，以控制联合学习模型中分类模型的复杂度和标记相关性的大小，防止过拟合，进一步提高多标记数据的分类效果。

摘要： 本发明提供一种基于深度学习的多标记图片分类中未知标记分类方法，属于机器学习领域。本发明在充分学习了已知标记特征表示的前提下，通过非负矩阵分解技术，对CNNs提取的特征进行非负矩阵分解，挖掘出未知标记信息，并与分类器做一致性约束，帮助学习未知标记的特征表示。同时根据非负矩阵分解得到的完整标记矩阵的近似解构建更准确的标记关系矩阵，然后利用图神经网络学习标记关系，得到具有语义信息的未知标记特征表示。本发明通过发现未知标记，挖掘出数据中有价值的隐含信息，利用已知标记和未知标记之间的关联性，使已知标记分类和未知标记分类相互指导，共同促进，最终提升已知标记和未知标记的分类性能，更好的进行多标记学习任务。

摘要： 本发明属于偏多标记学习、数据挖掘领域，具体涉及一种基于偏多标记学习的患者筛选标记方法；该方法包括：获取患者的病理样本数据，将病理样本数据输入到训练好的基于偏多标记学习的医疗文本语义信息大数据预测模型中，预测患者的患病类型和患病概率，根据患者的患病类型和患病概率对患者进行标记；本发明对分类类别不平衡性问题进行进一步的处理，可以预测到更精准的标记结果，病人可根据此标记结果进行健康管理，医生也可以根据此结果对病人进行下一步诊断，具有良好的社会效益和经济效益。

摘要： 本发明公开了一种基于补标记协同训练的偏多标记学习方法，该方法针对样本多标记场景下训练数据中存在噪声标记的问题，提高分类模型的性能。该方法使用了两个神经网络进行协同训练，其中一个网络仅从候选标记集合中学习，另一个网络仅从非候选标记集合即补标记中学习。具体来说，在每个batch数据中选择损失小的样本，指导另一个网络更新参数，最后按权重组合两个网络的输出来赋予此batch数据标记置信度。分别从候选标记和非候选标记中学习并综合考虑两个网络来降低候选标记中噪声对模型性能的影响，从而获得偏多标记学习场景下的鲁棒分类模型。

摘要： 本发明公开了一种基于标记和特征局部相关性的多标记学习方法，属于机器学习技术领域；本发明在考虑利用局部标记相关性的同时加入局部特征相关性进行多标记的分类，通过聚类将训练数据分解成若干个数据子集，在每个数据子集中利用标记流形正则化和特征流形正则化获取局部标记相关性和局部特征相关性，分别为每组实例学习一个模型系数，并加入一个新的正则项考虑各个聚类数据子集之间的关系；特征相关性有助于去除冗余的特征，标记相关性和特征相关性并非是全局共享的，因此通过局部标记相关性和局部特征相关性为不同的实例分配不同的标记相关性和特征相关性，从而提升多标记分类模型的分类性能，更好的进行多标记学习任务。

摘要： 本发明提供了一种基于全局和局部标记关系的偏多标记学习方法。该方法包括：构建特征信息矩阵，利用特征信息矩阵构建不精确标记矩阵；利用低秩稀疏表示模型将不精确标记矩阵分解为噪声标记矩阵和正确标记系数矩阵，利用噪声标记矩阵、正确标记系数矩阵和特征信息矩阵构建所有标记的预测模型；基于正确标记系数矩阵、噪声矩阵和预测模型构建偏多标记学习模型，采用块坐标下降法迭代更新方法训练偏多标记学习模型，得到训练好的预测模型；将未见示例输入到训练好的预测模型，得到未见示例对应的标记。本发明的方法充分利用了全局和局部标签的相关性，去除有噪声的标签，通过低秩表示来训练分类器，从而提高算法的性能。

摘要： 本发明公开了一种基于图像标记特定特征的延迟多标记学习方法，属于机器学习领域的多标记学习技术。步骤1：对原始数据集进行划分，将原始数据集分为训练数据集和测试数据集。步骤2：对训练数据集进行标记特征提取，构建标记特征空间。步骤3：训练模型；步骤4：采用算法对公开酵母数据集Yeast Dataset进行模型的训练预测，并与步骤3的结果对比。本方法以公开数据集相关数据为基础，相关模型建立均是基于数据分析比较进行的，最终得到的模型也是服务于数据的比对，整个技术方案是能够有效实施的，本方法能够大大提高标记预测能力，在预测效果和模型的稳定性方面比一般的多标记学习算法有优势。