基于全局最小冗余的多視角協(xié)同訓(xùn)練算法的研究與應(yīng)用.pdf

1、數(shù)據(jù)的爆炸式增長、廣泛可用和巨大數(shù)量使得我們的時(shí)代成為真正的數(shù)據(jù)時(shí)代。在數(shù)據(jù)量增長的同時(shí)，數(shù)據(jù)的表現(xiàn)形式也越來越多樣化，具有多種表現(xiàn)形式的數(shù)據(jù)稱之為多視角數(shù)據(jù)。如何對(duì)高維數(shù)據(jù)進(jìn)行降維以提高后續(xù)分類算法的性能，如何利用多視角數(shù)據(jù)各視角相容、互補(bǔ)的性質(zhì)對(duì)多視角數(shù)據(jù)進(jìn)行正確的分類是當(dāng)前的研究熱點(diǎn)。本文對(duì)特征選擇算法和多視角學(xué)習(xí)進(jìn)行了深入研究，提出了基于全局最小冗余的多視角協(xié)同訓(xùn)練算法，通過對(duì)UCI中的3個(gè)多視角數(shù)據(jù)集的分類實(shí)驗(yàn)，驗(yàn)證了算法的有

2、效性。
　　本文對(duì)多視角數(shù)據(jù)特征選擇采用了逐個(gè)視角進(jìn)行特征選擇的策略。在基于全局最小冗余的基礎(chǔ)上對(duì)多視角數(shù)據(jù)進(jìn)行了特征選擇，重點(diǎn)考慮了特征在全局上的最小冗余性。在對(duì)多視角數(shù)據(jù)進(jìn)行數(shù)據(jù)降維后，考慮到在實(shí)際應(yīng)用中，每個(gè)視角都往往會(huì)受到屬性退化和噪聲的影響而沒有充足的信息用于分類，提出了基于全局最小冗余的多視角協(xié)同訓(xùn)練算法。在協(xié)同訓(xùn)練的過程中，改進(jìn)了傳統(tǒng)的協(xié)同訓(xùn)練算法，我們把每個(gè)未標(biāo)記數(shù)據(jù)通過分類器標(biāo)記的標(biāo)簽信息都記錄下來，分類器經(jīng)過更

3、新后重新對(duì)這些數(shù)據(jù)進(jìn)行標(biāo)記，如果前后標(biāo)簽信息不一致則刪除這些數(shù)據(jù)從而提高算法的性能。該算法重點(diǎn)探索蘊(yùn)含于多視角數(shù)據(jù)中的互補(bǔ)信息和關(guān)系，利用少量標(biāo)記數(shù)據(jù)蘊(yùn)含的信息協(xié)同未標(biāo)記數(shù)據(jù)訓(xùn)練分類器，對(duì)多視角數(shù)據(jù)進(jìn)行分類，用于處理“部分標(biāo)記”的多視角數(shù)據(jù)。
　　本文的實(shí)驗(yàn)選取的數(shù)據(jù)集為UCI中的3個(gè)多視角數(shù)據(jù)集。因?yàn)閰f(xié)同訓(xùn)練需要在每個(gè)視角上分別訓(xùn)練一個(gè)分類器，因此實(shí)驗(yàn)首先在兩個(gè)分類器都是支持向量機(jī)的情況下對(duì)基于全局最小冗余的多視角協(xié)同訓(xùn)練算法和