基于圖數(shù)據(jù)的主動學習方法的多標簽分類研究與應用.pdf

1、多標簽的數(shù)據(jù)類型是比單標簽的數(shù)據(jù)的應用更為廣泛的數(shù)據(jù)類型。相對的，多標簽數(shù)據(jù)的分類比單標簽數(shù)據(jù)的分類更為復雜且耗費更高，然而其訓練的分類器預測的準確率比單標簽的要低得多。所以我們需要為多標簽的分類提出一種低耗費卻有高的準確率的分類算法。為了達到這樣一個目標，我們的多標簽數(shù)據(jù)分類中引入主動學習，為了使我們的方法應用更為廣泛，也將訓練的數(shù)據(jù)類型定為圖數(shù)據(jù)。本文引入一種單標簽的圖數(shù)據(jù)訓練分類器的方法:局部和全局的一致性方法(LLGC)。通過結

2、合多標簽的圖數(shù)據(jù)的標簽特性，我們提出了多標簽的局部和全局的一致性方法(ML-LLGC)。我們?yōu)槎鄻撕瀳D數(shù)據(jù)訓練出多個相互獨立的分類器，以獲得我們方法所需的多標簽圖數(shù)據(jù)的分類器。
　　本文利用一種復雜度，直推式的拉德馬赫復雜度，并使之為優(yōu)化工具關聯(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雜度模型，通過求解復雜度模型以及經(jīng)驗的直推式的拉德馬赫復雜度，獲得泛化誤差與經(jīng)驗的直推式的拉德馬赫復雜度關系式。當

3、我們獲得最小的經(jīng)驗的直推式的拉德馬赫復雜度的同時，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)化算法對經(jīng)驗的直推式的拉德馬赫復雜度進行了優(yōu)化。在對經(jīng)驗的直推式的拉德馬赫復雜度最小化的同時獲取具有最大信息價值的未被標記的數(shù)據(jù)節(jié)點，并人為的將這些節(jié)點進行標記以用于訓練多標簽的分類器，這是一種迭代的計算過程亦是主動學習的求解過程。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)