多視角的構建及其在單任務學習和多任務學習中的應用.pdf

1、根據(jù)獲取方式或來源的不同，模式可由多組不同類別的信息集組成，即由多組彼此不同的屬性集構成。在特定的應用領域中，立足于不同的視覺角度往往可得到不同的視覺效果，即對同一模式可形成多組不同方位或多層次的信息。在不同視角下的數(shù)據(jù)可能存在著較強的信息互補性，充分利用它們，能夠達到從不同的角度米刻畫待解決問題的目的。
　　 這種思想在半監(jiān)督學習中得到充分的體現(xiàn)。在半監(jiān)督學習中，存在大量未標記樣本和少量的已標記樣本，需要利用未標記數(shù)據(jù)輔助已標

2、記數(shù)據(jù)來獲得較好性能的學習器。協(xié)同訓練是一種簡單有效的半監(jiān)督學習方法，且是基于多視角的，通過不同的視角可以得到多個學習器。在學習過程中，學習器選出置信度較高的未標記樣本進行相互標記，從而用于更新模型。目前，這個算法在廣度及深度上都得到了擴展，基于協(xié)同訓練設定下，也提出了很多新的多視角半監(jiān)督學習算法。它們的成功應用展現(xiàn)了多視角學習方法的可行性。但在現(xiàn)實應用中，很多數(shù)據(jù)集僅僅只包含一個視角的描述，這在很大程度上限制了多視角學習方法的應用。因

3、此，研究從原始數(shù)據(jù)中生成多個視角描述的方法是十分有意義的。
　　 首先，本文采用遺傳算法進行特征選擇，根據(jù)最終模型目標，從已知的一組特征集中選擇出有明顯區(qū)分特性的特征子集，用其形成多個視角。這些由從原始數(shù)據(jù)集中選擇出的與輸出結果有關或重要的特征構成的視角，對于構造具有充分性的學習器是有保證的。實驗結果以及與任意劃分特征集形成多個視角的方法的比較表明，特征選擇用于形成多個視角的方法是行之有效的，并且能夠得到較充分的多個視角。