機器學(xué)習(xí)是人工智能的核心研究領(lǐng)域之一,是實現(xiàn)智能化的根本途徑。傳統(tǒng)機器學(xué)習(xí)通常假設(shè)數(shù)據(jù)獨立同分布,并需要足夠多的標(biāo)記數(shù)據(jù)以獲得較好的學(xué)習(xí)器。隨著機器學(xué)習(xí)技術(shù)向更多應(yīng)用領(lǐng)域不斷拓展,越來越多的學(xué)習(xí)任務(wù)面臨更為真實的開放環(huán)境,具體表現(xiàn)為數(shù)據(jù)非獨立同分布,標(biāo)記數(shù)據(jù)稀少等特性。本文對開放環(huán)境中的多示例學(xué)習(xí)和半監(jiān)督異常檢測問題進行了研究,主要取得了以下創(chuàng)新成果:1.提出了一種對關(guān)鍵示例漂移不敏感的多示例學(xué)習(xí)方法MIKI(Multi-Instance learning with Key Instance shift)。傳統(tǒng)多示例學(xué)習(xí)方法通常假設(shè)數(shù)據(jù)獨立同分布,對分布漂移的研究相對較少。本文提出一種對關(guān)鍵示例漂移不敏感的多示例學(xué)習(xí)方法MIKI,該方法首先學(xué)習(xí)關(guān)鍵代表示例,基于關(guān)鍵代表示例構(gòu)建能同時刻畫示例包信息和分布漂移的特征表示,通過學(xué)習(xí)權(quán)重緩解訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)之間的分布差距。實驗結(jié)果表明,本文方法顯著優(yōu)于其他方法。2.提出 了一種半監(jiān)督異常檢測方法 ADOA(Anomaly Detection with partially Observed Anomalies)。傳統(tǒng)異常檢測大多關(guān)注于監(jiān)督和無...

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．２：基ｊ－多爾例學(xué)＞Ｊ的圖像分類舉例??在對多水例學(xué)的研究過程中，各種不同的算法先后被提出以處理這一問??

１．２?研究問題?３??而，在其他的■■些應(yīng)用領(lǐng)域，這樣假設(shè)往往是不妥的。以圖像分類為例，若將??一整個圖片當(dāng)成是一個包，而其中切分出來的每一小塊視作一個示例，則包的??標(biāo)記常常是由若干個小塊共同決定的。如圖１．２所示，圖中的紅框代表不同的??示例，一張閣片中需同時存在‘�！汀�....

圖２．２：基于示例空間的學(xué)習(xí)范式的示意圖??

１進行討論，概括來說，多示例學(xué)習(xí)的相關(guān)研究方法??可以分為三大類：基于示例空間（Ｉｎｓｔａｎｃｅ－Ｓｐａｃｅ）的學(xué)習(xí)范式、基于包空間??（Ｂａｇ－Ｓｐａｃｅ）的學(xué)習(xí)范式和基于嵌入空間（Ｅｍｂｅｄｄｅｄ－Ｓｐａｃｅ）的學(xué)習(xí)范式。以??下將對每一種學(xué)習(xí)范式的典型方法進行簡要介紹。??....

圖２．４：基�。О臻g的卞習(xí)范式的不意圖??

２．１多示例學(xué)習(xí)?１３??丨，??－＿？矩陣■■■？算法４模型??、、－－’＾＾，＇｛負包??；＜：）??圖２．４：基�。О臻g的卞習(xí)范式的不意圖??Ｗａｎｇ和Ｚｕｃｋｅｒ于２０００年提出基于Ｋ近鄰算法的擴展方法Ｃｉｔａｔｉｏｎ?Ｋ－??ＮＮｌ５５１，他們通過如式２．８所示白勺ｍ....

圖２．５：基于嵌入空間的學(xué)習(xí)范式的示意圖??基于嵌入空間的方法中，其中一類通過計算包中示例的統(tǒng)計信息來得到映??

１４?第二章研究背景??可以看出，基于包空間的方法并未強調(diào)示例層面的標(biāo)記信息，而是通過構(gòu)??建合理的包的距離或相似度的度量，直接對包進行分類。??２．１．２．３基于嵌入空間的方法??在基于嵌入空間（Ｅｍｂｅｄｄｅｄ－Ｓｐａｃｅ）的學(xué)習(xí)范式首先基于映射函數(shù)Ｔ將原??始的包映射為嵌入....

本文編號：3918474