多示例多標(biāo)記學(xué)習(xí)方法
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評(píng)論（0）
針對(duì)現(xiàn)有的大部分多示例多標(biāo)記（ MIML）算法都沒(méi)有考慮如何更好地表示對(duì)象特征這一問(wèn)題，將概率潛在語(yǔ)義分析（ PLSA）模型和神經(jīng)網(wǎng)絡(luò)（NN）相結(jié)合，提出了基于主題模型的多示例多標(biāo)記學(xué)習(xí)方法。算法通過(guò)概率潛在語(yǔ)義分析模型學(xué)習(xí)到所有訓(xùn)練樣本的潛在主題分布，該過(guò)程是一個(gè)特征學(xué)習(xí)的過(guò)程，用于學(xué)習(xí)到更好的特征表達(dá)，用學(xué)習(xí)到的每個(gè)樣本的潛在主題分布作為輸入來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。當(dāng)給定一個(gè)測(cè)試樣本時(shí)，學(xué)習(xí)測(cè)試樣本的潛在主題分布，將學(xué)習(xí)到的潛在主題分布輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，從而得到測(cè)試樣本的標(biāo)記集合。與兩種經(jīng)典的基于分解策略的多示例多標(biāo)記算法相比，實(shí)驗(yàn)結(jié)果表明提出的新方法在現(xiàn)實(shí)世界中的兩種多示例多標(biāo)記學(xué)習(xí)任務(wù)中具有更優(yōu)越的性能。
非常好我支持^.^
(0) 0%
不好我反對(duì)
(0) 0%