規(guī)范化標(biāo)簽傳遞法處理標(biāo)簽不平衡問題的研究.pdf

1、近些年來，在科學(xué)與技術(shù)等諸多領(lǐng)域?qū)τ诜诸悊栴}的研究已經(jīng)呈現(xiàn)出爆炸式的增長勢頭。半監(jiān)督學(xué)習(xí)的蓬勃發(fā)展規(guī)避了無監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)的局限性。同時利用大量容易獲取的未標(biāo)簽數(shù)據(jù)和稀少珍貴的已標(biāo)簽數(shù)據(jù)，挖掘其中的隱含信息，達(dá)到了前所未有的效果。其中基于圖的半監(jiān)督學(xué)習(xí)方法建立在數(shù)學(xué)理論較為完善的圖論之上，以其合理的抽象模型，直觀的表現(xiàn)形式以及較強的可理解性，得到了國際以及國內(nèi)數(shù)據(jù)挖掘界的強烈認(rèn)可。對于基于圖的半監(jiān)督學(xué)習(xí)方法的應(yīng)用，大多數(shù)的分類方法都在

2、分類前假設(shè)數(shù)據(jù)集和標(biāo)簽數(shù)據(jù)的分布是均衡的。但在實際應(yīng)用中，往往存在不平衡問題，并且會影響半監(jiān)督分類器的性能，導(dǎo)致其分類正確率下降。如何解決分類問題中存在的標(biāo)簽數(shù)據(jù)不平衡問題成為本論文研究的主要議題。
　　本文首先分析了基于圖的半監(jiān)督學(xué)習(xí)算法的研究現(xiàn)狀，闡述了聚類假設(shè)(ClusterAssumption)和流形假設(shè)(Manifold Assumption)等基礎(chǔ)假設(shè)對于基于圖的半監(jiān)督學(xué)習(xí)的重要性。結(jié)合圖的構(gòu)造方法分析經(jīng)典算法高斯隨機

3、場和調(diào)和函數(shù)算法(Gaussian Fieldsand Harmonic Functions, GFHF)，局部與全局一致性算法(Local and Global Consistency，LGC)。接下來對不平衡問題的現(xiàn)狀進(jìn)行了分析。并著重探討了本文研究的重點問題----標(biāo)簽數(shù)據(jù)不平衡問題。列舉了諸如自動調(diào)優(yōu)標(biāo)簽診斷法（Label Diagnosis through Self Tuning，LDST）在內(nèi)的幾種處理標(biāo)簽數(shù)據(jù)不平衡問題的方

4、法。在此基礎(chǔ)上，通過對比幾種經(jīng)典算法，本文提出了對半監(jiān)督學(xué)習(xí)領(lǐng)域經(jīng)典的標(biāo)簽傳遞法的一種基于樸素貝葉斯理論的改進(jìn)----規(guī)范化的標(biāo)簽傳遞法(Normalized Label Propagation，NLP)，使之能夠平衡每個類的已標(biāo)簽數(shù)據(jù)在傳遞標(biāo)簽的過程中所攜帶的標(biāo)簽信息量，達(dá)到解決標(biāo)簽數(shù)據(jù)不平衡問題的目的。在實驗環(huán)節(jié)的設(shè)計上，對IRIS、WINE以及基因領(lǐng)域的GENE三個有代表性的數(shù)據(jù)集分別進(jìn)行了對比實驗，分別驗證NLP算法在改進(jìn)后處理