半監(jiān)督學(xué)習(xí)中協(xié)同訓(xùn)練與多視圖方法的比較及改進(jìn).pdf

1、近幾年來(lái),隨著數(shù)據(jù)分析和數(shù)據(jù)挖掘等領(lǐng)域的實(shí)際問題廣泛提出,半監(jiān)督學(xué)習(xí)在理論和實(shí)際應(yīng)用研究中獲得了長(zhǎng)足的發(fā)展,半監(jiān)督學(xué)習(xí)研究主要關(guān)注當(dāng)訓(xùn)練數(shù)據(jù)的部分信息缺失的情況下,如何獲得具有良好性能和推廣能力的學(xué)習(xí)機(jī)器。協(xié)同訓(xùn)練和多視圖方法是半監(jiān)督學(xué)習(xí)理論的基本方法,在實(shí)際問題解決方案中這兩種方法被越來(lái)越廣泛的采用,并取得了較好的結(jié)果。
　　 本文首先從半監(jiān)督學(xué)習(xí)的理論體系入手,概述半監(jiān)督學(xué)習(xí)理論產(chǎn)生淵源及發(fā)展過程,主要介紹了人工智能與機(jī)器學(xué)

2、習(xí)的發(fā)展,半監(jiān)督學(xué)習(xí)在數(shù)據(jù)挖掘體系中的作用,半監(jiān)督學(xué)習(xí)的研究現(xiàn)狀與進(jìn)展以及簡(jiǎn)要介紹了半監(jiān)督學(xué)習(xí)主要算法框架。對(duì)貝葉斯理論、期望最大化算法、有限混合模型三個(gè)方面進(jìn)行了剖析,這些理論算法是本文研究的基礎(chǔ)。
　　 其次介紹了協(xié)同訓(xùn)練方法的注意點(diǎn)及應(yīng)用背景。指出屬性集合的聚類假設(shè)和分割集合的PAC設(shè)置是該方法的限制之一,并闡述了協(xié)同訓(xùn)練方法在自然語(yǔ)言處理和基于內(nèi)容的圖像檢索這兩個(gè)研究熱點(diǎn)的應(yīng)用問題。
　　 然后,本文對(duì)半監(jiān)督框架

3、下傳統(tǒng)多視圖EM算法的實(shí)現(xiàn)及算法中使用的公式推理細(xì)節(jié)進(jìn)行說明;主要針對(duì)貝葉斯分類器和基于高斯混合模型的多視圖EM算法進(jìn)行分析,并對(duì)上述算法進(jìn)行設(shè)計(jì)上的高進(jìn),以提高該算法在多視圖框架下獲取合適參數(shù)的能力,特別指出的是,改進(jìn)后的算法設(shè)計(jì)在后續(xù)的實(shí)驗(yàn)中取得較好的分類結(jié)果;多視圖EM算法的具體實(shí)現(xiàn)的注意點(diǎn)以及如何協(xié)調(diào)不同視圖的權(quán)重參數(shù)等內(nèi)容進(jìn)行闡述。
　　 最后,本文采用煙草數(shù)據(jù)進(jìn)行驗(yàn)證實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明該協(xié)同訓(xùn)練方法與傳統(tǒng)算法相比在分