一种针对弱标记的直推式多标记分类方法

被引：13

作者：

孔祥南

黎铭

姜远

周志华

机构：

[1] 南京大学计算机软件新技术国家重点实验室

来源：

计算机研究与发展 | 2010年 / 08期

关键词：

机器学习; 多标记学习; 弱标记; 图像场景分类; 直推式学习;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

多标记学习主要解决一个样本可以同时属于多个类别的问题,它广泛适用于图像场景分类、文本分类等任务.在传统的多标记学习中,分类器往往需要利用大量具有完整标记的训练样本才能获得较好的分类性能,然而,在很多现实应用中又往往只能获得少量标记不完整的训练样本.为了更好地利用这些弱标记训练样本,提出一种针对弱标记的直推式多标记分类方法,它可以通过标记误差加权来补全样本标记,同时也能更好地利用弱标记样本提高分类性能.实验结果表明,该方法在弱标记情况下的图像场景分类任务上具有较好的性能提高.

引用

页码：1392 / 1399

页数：8

共 5 条

[1] 基于多核集成的在线半监督学习方法 [J].

黎铭 ;

周志华 .

计算机研究与发展, 2008, (12) :2060-2068

[2] 一种直推式多标记文档分类方法 [J].

姜远 ;

佘俏俏 ;

黎铭 ;

周志华 .

计算机研究与发展 , 2008, (11) :1817-1823

[3]

M L-KNN : A lazy learning approach to multi-label learning[J] . Min-Ling Zhang,Zhi-Hua Zhou.Pattern Recognition . 2007 (7)

[4] Learning multi-label scene classification [J].

Boutell, MR ;

Luo, JB ;

Shen, XP ;

Brown, CM .

PATTERN RECOGNITION, 2004, 37 (09) :1757-1771

[5]

BoosTexter: A Boosting-based System for Text Categorization[J] . Robert E. Schapire,Yoram Singer.Machine Learning . 2000 (2-3)

← 1 →