层次性多示例多标记学习算法的研究

摘要

多示例多标记学习是机器学习中解决实际问题时常见的学习框架.在过去,学习对象由一个示例(即属性向量)描述且对应于一个类别标记,但是随着问题的复杂性和事物的多变性,一个样本可以由多个示例组成,同时该样本属于多个类别标记,这种问题的学习就是多示例多标记学习框架.随着科技的飞速发展,大数据时代日益逼近,深入研究多示例多标记学习算法具有很大的现实意义. 现实很多多示例多标记学习应用中,标记之间是有关联的,并且很多应用场景下,标记呈现层次性树(TREE)结构或者有向无环图(DAG,Directed Acyclic Graph)结构.但是目前对多示例多标记研究时往往忽略了标记之间的层次依赖性,迫切需要开发一种可以考虑这种层次性标记关系的全新多示例多标记学习方法.所以本论文将提出两种基于层次性结构的多示例多标记学习算法,即基于树结构、有向无环图结构的多示例多标记学习算法.算法充分考虑了标记之间的层次性结构,提高了算法的效率,并扩大了多示例多标记学习的应用范围. 本文把算法应用于G蛋白偶联受体的生物学功能预测,由于GO(Gene Ontology)标记通常可表示为两种层次性结构,即树和有向无环图结构,所以在该数据集上分别对提出的两种算法TreeMIML和DAGMIML进行实验仿真.实验证明,两种层次性多示例多标记学习算法具有较好的预测性能.

目录

第一个书签之前