多示例多標記學習是機器學習中解決實際問題時常見的學習框架。在過去,學習對象由一個示例（即屬性向量）描述且對應于一個類別標記,但是隨著問題的復雜性和事物的多變性,一個樣本可以由多個示例組成,同時該樣本屬于多個類別標記,這種問題的學習就是多示例多標記學習框架。隨著科技的飛速發(fā)展,大數(shù)據(jù)時代日益逼近,深入研究多示例多標記學習算法具有很大的現(xiàn)實意義�，F(xiàn)實很多多示例多標記學習應用中,標記之間是有關(guān)聯(lián)的,并且很多應用場景下,標記呈現(xiàn)層次性樹（TREE）結(jié)構(gòu)或者有向無環(huán)圖（DAG,Directed Acyclic Graph）結(jié)構(gòu)。但是目前對多示例多標記研究時往往忽略了標記之間的層次依賴性,迫切需要開發(fā)一種可以考慮這種層次性標記關(guān)系的全新多示例多標記學習方法。所以本論文將提出兩種基于層次性結(jié)構(gòu)的多示例多標記學習算法,即基于樹結(jié)構(gòu)、有向無環(huán)圖結(jié)構(gòu)的多示例多標記學習算法。算法充分考慮了標記之間的層次性結(jié)構(gòu),提高了算法的效率,并擴大了多示例多標記學習的應用范圍。本文把算法應用于G蛋白偶聯(lián)受體的生物學功能預測,由于GO（Gene Ontology）標記通�？杀硎緸閮煞N層次性結(jié)構(gòu),即樹和有向無環(huán)圖結(jié)構(gòu),所以在... 

【文章來源】：南京郵電大學江蘇省

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

多示例多標記（MIML）學習樣例

多示例多標記學習框架的提出和定義多示例多標記學習框架的提出是為了解決對象具有多義性的問題，因為這種多重含義的對象通常具有難以理解的內(nèi)涵，所以如果只用一個示例特征向量來描述，那么未免太過簡化。這也使得在特征描述的時候丟失掉了重要的信息，那么之后在進行模型訓練時將帶來更大的挑戰(zhàn)和困難。舉些例子來說，在圖像分類問題中，如圖 2.1，一幅圖片往往可以分割為多個具有特定含義且相對獨立的部分，我們用一個示例來描述每一個部分，這樣，多個示例組成的集合就可以描述一副圖片，與此同時，該副圖像可能隸屬于多個類別標記。在文檔分類中，根據(jù)其各部分表達含義的不同，將文檔劃分為若干部分，每個部分用一個示例來描述，這樣，一個文檔就可以表示成多個示例的集合，而該文檔在從不同的角度進行思考時，可能同時隸屬于多個類別標記；在生物信息學中，基因或者蛋白質(zhì)的每個特征可以由一個示例進行表示，而基因或者蛋白質(zhì)本身往往隸屬于多個生物學功能。

輸出空間的映射，這種映射可以表示為 ：2 → 2時映射函數(shù)可以表示為 ： × 2 → 1， + ( ) = （ ），此時 = （ ）， ：2 →假設(shè)數(shù)據(jù)樣本為 ，并且 的概念類別標記集合為Y = （ （ ）） 學習是多示例學習和多標記學習的具體化實例，監(jiān)督學習問題來解決。監(jiān)督學習概論中是一個示例： × → 1， + 1 ，那么可以通過以下公式習問題，即： ( ) = ， = +1

【參考文獻】：
期刊論文
[1]數(shù)據(jù)挖掘綜述[J]. 王光宏,蔣平.  同濟大學學報(自然科學版). 2004(02)



本文編號：2955166