多樣性密度學(xué)習(xí)算法的研究與應(yīng)用.pdf

1、多示例學(xué)習(xí)是與監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)并列的第四類學(xué)習(xí)框架，目前已廣泛應(yīng)用于藥物設(shè)計、圖像搜索等領(lǐng)域,并已獲得很好的效果。在多示例學(xué)習(xí)中，訓(xùn)練樣本是由多個示例組成的包，包是有概念標(biāo)記的，但示例本身卻沒有概念標(biāo)記，學(xué)習(xí)的目的是預(yù)測新包的類別。
　　多樣性密度(DD)算法是一種典型的多示例學(xué)習(xí)算法，能夠根據(jù)概率學(xué)習(xí)到比較接近的目標(biāo)函數(shù)，但DD算法尚存在兩點不足。首先，DD算法只學(xué)習(xí)到一個目標(biāo)函數(shù)，該算法的學(xué)習(xí)能力有待提高；其次，

2、在預(yù)測新包時，如果一個包中至少包含一個正例，則該包是一個正包，否則即為反包，沒有考慮某些樣本存在正例稀疏的特點，在對重疊示例的包進行分類時，通常出現(xiàn)把反包誤分為正包的情況。
　　首先，本文針對DD算法只能學(xué)習(xí)到一個目標(biāo)函數(shù)的缺點，提出了多概念DD算法，多概念DD算法通過學(xué)習(xí)多個目標(biāo)函數(shù)，較全面的描述目標(biāo)概念。
　　其次，本文針對在預(yù)測新包時，沒有考慮某些樣本存在正例稀疏的特點，提出了基于重疊示例的分類算法，該算法通過改變示例

3、在包分類時的影響策略，消除反包中個別示例的噪聲。
　　本文在理論優(yōu)化的基礎(chǔ)上，將改進算法應(yīng)用在圖像檢索和鑒別microRNA前體中。在圖像檢索中，將多概念DD算法與基于重疊示例的分類算法相結(jié)合，多概念DD算法全面獲得了讀者感興趣的概念，重疊示例的分類算法濾除了反包中個別有正例性質(zhì)的噪聲，并且實驗結(jié)果優(yōu)于以前的DD算法；另外，本文使用多示例學(xué)習(xí)算法鑒別microRNA前體的真?zhèn)危褂弥丿B示例的分類算法對真?zhèn)蝝icroRNA前體進行分