基于圖數(shù)據(jù)的主動(dòng)學(xué)習(xí)方法的多標(biāo)簽分類研究與應(yīng)用.pdf

1、多標(biāo)簽的數(shù)據(jù)類型是比單標(biāo)簽的數(shù)據(jù)的應(yīng)用更為廣泛的數(shù)據(jù)類型。相對(duì)的，多標(biāo)簽數(shù)據(jù)的分類比單標(biāo)簽數(shù)據(jù)的分類更為復(fù)雜且耗費(fèi)更高，然而其訓(xùn)練的分類器預(yù)測(cè)的準(zhǔn)確率比單標(biāo)簽的要低得多。所以我們需要為多標(biāo)簽的分類提出一種低耗費(fèi)卻有高的準(zhǔn)確率的分類算法。為了達(dá)到這樣一個(gè)目標(biāo)，我們的多標(biāo)簽數(shù)據(jù)分類中引入主動(dòng)學(xué)習(xí)，為了使我們的方法應(yīng)用更為廣泛，也將訓(xùn)練的數(shù)據(jù)類型定為圖數(shù)據(jù)。本文引入一種單標(biāo)簽的圖數(shù)據(jù)訓(xùn)練分類器的方法:局部和全局的一致性方法(LLGC)。通過(guò)結(jié)

2、合多標(biāo)簽的圖數(shù)據(jù)的標(biāo)簽特性，我們提出了多標(biāo)簽的局部和全局的一致性方法(ML-LLGC)。我們?yōu)槎鄻?biāo)簽圖數(shù)據(jù)訓(xùn)練出多個(gè)相互獨(dú)立的分類器，以獲得我們方法所需的多標(biāo)簽圖數(shù)據(jù)的分類器。
　　本文利用一種復(fù)雜度，直推式的拉德馬赫復(fù)雜度，并使之為優(yōu)化工具關(guān)聯(lián)我們的分類器的泛化誤差。以我們所求出的分類函數(shù)為變量建立直推式的拉德馬赫復(fù)雜度模型，通過(guò)求解復(fù)雜度模型以及經(jīng)驗(yàn)的直推式的拉德馬赫復(fù)雜度，獲得泛化誤差與經(jīng)驗(yàn)的直推式的拉德馬赫復(fù)雜度關(guān)系式。當(dāng)

3、我們獲得最小的經(jīng)驗(yàn)的直推式的拉德馬赫復(fù)雜度的同時(shí)，也將獲得最小的泛化誤差的上界值。因此，本文引入了詹森不等式、柯西-施瓦茨不等式以及一種順序優(yōu)化算法對(duì)經(jīng)驗(yàn)的直推式的拉德馬赫復(fù)雜度進(jìn)行了優(yōu)化。在對(duì)經(jīng)驗(yàn)的直推式的拉德馬赫復(fù)雜度最小化的同時(shí)獲取具有最大信息價(jià)值的未被標(biāo)記的數(shù)據(jù)節(jié)點(diǎn)，并人為的將這些節(jié)點(diǎn)進(jìn)行標(biāo)記以用于訓(xùn)練多標(biāo)簽的分類器，這是一種迭代的計(jì)算過(guò)程亦是主動(dòng)學(xué)習(xí)的求解過(guò)程。最終，我們將獲得具有符合我們要求的泛化誤差界的分類器。本文以一種醫(yī)