典型文献
半监督多示例分类的两层粒化与空间转换方法
文献摘要：
多示例学习(MIL)的任务是训练一个有效的分类器,以处理具有复杂数据结构的包.一个包对应一个样本,由多个实例构成,描述了样本的信息特征.基于标准MIL假设,如果包中至少有一个正实例,则该包为正,反之为负.已有的多示例学习算法通常将包看作一个整体或基于整个实例空间进行学习.然而,数据集中通常包含噪声,将对分类结果造成一定的影响.本文提出半监督多示例分类的两层粒化与空间转换方法(TSSM).首先,在单包粒度层次上,设计基于密度与距离的去噪技术,获得特征值更为突出的包.其次,在数据集粒度层次上,设计关键包选择技术,获得更具全局代表性的关键包.最后,利用基于关键包的空间转换技术,获得新的数据嵌入,以构建更加精确的分类器.实验结果表明TSSM比大多数MIL分类算法有更高的性能.
文献关键词：
多示例学习;半监督学习;粒化;去噪;空间转换
中图分类号：
作者姓名：
杨梅;唐文韬;王轩;闵帆
作者机构：
西南石油大学计算机科学学院,四川成都 610500;西南石油大学网络与信息化中心,四川成都 610500;西南石油大学人工智能研究院,四川成都 610500
文献出处：
引用格式：
[1]杨梅;唐文韬;王轩;闵帆-.半监督多示例分类的两层粒化与空间转换方法)[J].模糊系统与数学,2022(01):110-119
A类：
B类：
两层,粒化,空间转换,转换方法,多示例学习,MIL,分类器,复杂数据,数据结构,一个包,一个样,信息特征,反之,一个整,TSSM,基于密度,去噪技术,转换技术,分类算法,半监督学习
AB值：
0.296062
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
