●章 緒論 1
1.1 引言 1
1.2 多標記學習 3
1.3 多標記分類 5
1.3.1 問題轉換型 5
1.3.2 算法適應型 8
1.3.3 集成型 10
1.4 多標記維度約簡 10
1.4.1 特征選擇 10
1.4.2 特征提取 11
1.5 標記相關性分析 11
1.6 多標記學習評價指標 12
1.7 多標記數據集 15
1.7.1 自然場景數據集 16
1.7.2 音樂數據集 17
1.7.3 基因數據集 17
1.7.4 文本數據集 17
1.8 本章小結 18
第2章 基於鄰域粗糙集的多標記分類 19
2.1 引言 19
2.2 相關工作 20
2.2.1 圖像自動標注 20
2.2.2 鄰域粗糙集模型 21
2.3 基於鄰域粗糙集的多標記分類算法 23
2.4 實驗與分析 27
2.4.1 實驗數據集 27
2.4.2 實驗設置 27
2.4.3 實驗結果與分析 28
2.5 本章小結 34
第3章 基於深度神經網絡的多標記分類 36
3.1 引言 36
3.2 相關工作 37
3.2.1 特征表達 37
3.2.2 遷移學習 38
3.3 基於改進CNN的多標記分類算法 39
3.3.1 算法框架 39
3.3.2 雙通 40
3.3.3 損失函數 41
3.4 實驗與分析 42
3.5 本章小結 48
第4章 基於鄰域粗糙集的標記相關性分析 49
4.1 引言 49
4.2 相關工作 50
4.2.1 變精度鄰域粗糙集 50
4.2.2 標記相關性 51
4.3 全局相關性分析 52
4.3.1 基本思想和框架 52
4.3.2 MLRS算法 54
4.4 局部相關性分析 55
4.4.1 基本思想和框架 55
4.4.2 MLRS-LC算法 56
4.5 實驗仿真 57
4.5.1 實驗數據集 57
4.5.2 判別閾值選擇 58
4.5.3 實驗設置 58
4.5.4 實驗結果與分析 59
4.5.5 算法復雜度 69
4.6 本章小結 69
第5章 基於標記相關性的多標記三支分類 71
5.1 引言 71
5.2 相關工作 73
5.2.1 三支決策理論 73
5.2.2 貝葉斯網絡模型 74
5.3 多標記三支分類算法 75
5.3.1 算法原理 76
5.3.2 標記相關性建模 77
5.3.3 算法描述 78
5.4 實驗與分析 78
5.4.1 實驗數據集 79
5.4.2 實驗結果分析 79
5.5 本章小結 82
第6章 基於互信息的多標記特征選擇 83
6.1 引言 83
6.2 相關工作 84
6.2.1 多標記特征選擇 84
6.2.2 互信息理論 85
6.3 基於互信息的多標記特征選擇算法 86
6.3.1 基本思想 87
6.3.2 算法描述 89
6.4 實驗仿真 89
6.4.1 實驗數據 89
6.4.2 實驗設置 90
6.4.3 實驗結果與分析 90
6.5 本章小結 97
第7章 一種粒化多標記特征選擇算法 98
7.1 引言 98
7.2 相關工作 100
7.3 多標記特征選擇算法 101
7.3.1 基本流程 101
7.3.2 標記粒化 102
7.3.3 優選相關-最小冗餘條件 103
7.4 實驗與分析 106
7.4.1 實驗設置 106
7.4.2 標記粒化的有效性 107
7.4.3 不同算法的性能對比 115
7.5 本章小結 121
第8章 多標記決策知識獲取的粗糙集方法 122
8.1 引言 122
8.2 相關工作 124
8.3 多標記決策繫統的知識獲取 125
8.3.1 離散型多標記決策繫統知識獲取 127
8.3.2 連續型多標記決策繫統知識獲取 128
8.4 實驗仿真 131
8.4.1 DML算法實驗與分析 131
8.4.2 CML算法實驗與分析 133
8.5 本章小結 134
第9章 總結與展望 135
9.1 總結 135
9.2 展望 136
參考文獻 138
內容簡介
多標記學習指一個樣本可能對應多個語義標記的學習框架,在文本分類、基因功能分類、圖像識別等領域廣泛存在。多標記學習因其問題的復雜性及廣泛的應用背景,得到了越來越多的重視與研究。多標記學習的研究主要圍繞降低特征空間或標記空間的復雜性,提高多標記學習算法的精度而展開。《多標記學習:理論、方法與應用》主要介紹多標記分類、多標記特征降維、標記關繫分析及多標記決策知識獲取的理論、模型和方法,並力求展現多標記學習領域的新研究成果。