多標記學習：理論、方法與應用

目錄
第1章 緒論 1
1.1 引言 1
1.2 多標記學習 3
1.3 多標記分類 5
1.3.1 問題轉換型 5
1.3.2 算法適應型 8
1.3.3 集成型 10
1.4 多標記維度約簡 10
1.4.1 特征選擇 10
1.4.2 特征提取 11
1.5 標記相關性分析 11
1.6 多標記學習評價指標 12
1.7 多標記數據集 15
1.7.1 自然場景數據集 16
1.7.2 音樂數據集 17
1.7.3 基因數據集 17
1.7.4 文本數據集 17
1.8 本章小結 18
第2章 基于鄰域粗糙集的多標記分類 19
2.1 引言 19
2.2 相關工作 20
2.2.1 圖像自動標注 20
2.2.2 鄰域粗糙集模型 21
2.3 基于鄰域粗糙集的多標記分類算法 23
2.4 實驗與分析 27
2.4.1 實驗數據集 27
2.4.2 實驗設置 27
2.4.3 實驗結果與分析 28
2.5 本章小結 34
第3章 基于深度神經網絡的多標記分類 36
3.1 引言 36
3.2 相關工作 37
3.2.1 特征表達 37
3.2.2 遷移學習 38
3.3 基于改進CNN的多標記分類算法 39
3.3.1 算法框架 39
3.3.2 雙通道神經元 40
3.3.3 損失函數 41
3.4 實驗與分析 42
3.5 本章小結 48
第4章 基于鄰域粗糙集的標記相關性分析 49
4.1 引言 49
4.2 相關工作 50
4.2.1 變精度鄰域粗糙集 50
4.2.2 標記相關性 51
4.3 全局相關性分析 52
4.3.1 基本思想和框架 52
4.3.2 MLRS算法 54
4.4 局部相關性分析 55
4.4.1 基本思想和框架 55
4.4.2 MLRS-LC算法 56
4.5 實驗仿真 57
4.5.1 實驗數據集 57
4.5.2 判別閾值選擇 58
4.5.3 實驗設置 58
4.5.4 實驗結果與分析 59
4.5.5 算法復雜度 69
4.6 本章小結 69
第5章 基于標記相關性的多標記三支分類 71
5.1 引言 71
5.2 相關工作 73
5.2.1 三支決策理論 73
5.2.2 貝葉斯網絡模型 74
5.3 多標記三支分類算法 75
5.3.1 算法原理 76
5.3.2 標記相關性建模 77
5.3.3 算法描述 78
5.4 實驗與分析 78
5.4.1 實驗數據集 79
5.4.2 實驗結果分析 79
5.5 本章小結 82
第6章 基于互信息的多標記特征選擇 83
6.1 引言 83
6.2 相關工作 84
6.2.1 多標記特征選擇 84
6.2.2 互信息理論 85
6.3 基于互信息的多標記特征選擇算法 86
6.3.1 基本思想 87
6.3.2 算法描述 89
6.4 實驗仿真 89
6.4.1 實驗數據 89
6.4.2 實驗設置 90
6.4.3 實驗結果與分析 90
6.5 本章小結 97
第7章 一種?；鄻擞浱卣鬟x擇算法 98
7.1 引言 98
7.2 相關工作 100
7.3 多標記特征選擇算法 101
7.3.1 基本流程 101
7.3.2 標記粒化 102
7.3.3 大相關-小冗余條件 103
7.4 實驗與分析 106
7.4.1 實驗設置 106
7.4.2 標記?；挠行?107
7.4.3 不同算法的性能對比 115
7.5 本章小結 121
第8章 多標記決策知識獲取的粗糙集方法 122
8.1 引言 122
8.2 相關工作 124
8.3 多標記決策系統的知識獲取 125
8.3.1 離散型多標記決策系統知識獲取 127
8.3.2 連續(xù)型多標記決策系統知識獲取 128
8.4 實驗仿真 131
8.4.1 DML算法實驗與分析 131
8.4.2 CML算法實驗與分析 133
8.5 本章小結 134
第9章 總結與展望 135
9.1 總結 135
9.2 展望 136
參考文獻 138