多示例多标记哈希学习方法研究

摘要

近几十年中，伴随着人类进入信息时代，计算机多媒体技术得到快速而惊人的飞速发展。与之相伴的是，各种图像和文本数据库中存储的图像及文本日新月异，数据库的大小以惊人的速度增长到海量的级别，并还在不断膨胀发展着。对海量的图像及文本信息进行有效而准确快速的管理与检索成为新时期的重大挑战。场景分类和文本分类问题成为迎接这个挑战的所需要处理的核心问题。
　　为了解决场景分类和文本问题等大数据多媒体网络问题，人们提出了多种解决方案，除了传统的监督学习、非监督学习，人们还相继提出了多示例学习、多标记学习、多示例多标记学习等等新的学习模型。这些学习模型可以更好的描述现实世界的样本，从而更加快速和准确的应用于实际问题。
　　多示例多标记学习是近几年研究者提出的解决复杂学习问题的有效框架。在这个框架中，每个样本被表示为如下形式:输入空间为多个示例、输出空间为多个标记。这种表示形式的优点在于:其不仅考虑了样本在输入空间的歧义性，同时也体现了输出空间的多样性，从而使得该模型能够更好的与实际场景相匹配，进而获得较高的准确率。当前，该模型已被应用到场景分类和文本分类等实际应用中。在过去的几年中，很多人对多示例多标记学习进行了改进，以取得更好的准确率，但是，很少有人考虑在大的样本情境下，训练模型的速度问题。在本文中，我们提出了多示例多标记哈希学习框架，将多示例多标记学习与哈希学习的思想进行了创造性的融合，利用两个视角的哈希-包级别哈希和示例级别哈希，对原方法中的点乘核函数操作进行替换，映射整个样本到海明空间，从而使得算法的速度得到极大的提升。另外，为了弥补由于引入哈希学习造成的准确性下降问题，我们还提出了利用标记信息来提高准确性的方法。这样，我们的算法在保证与以往算法类似的准确度前提下，同时速度也得到大大的提升。
　　我们将模型应用于场景分类和文本分类问题中。实验使用了两个流行的多示例多标记数据集，其来源于真实世界的场景分类和文本分类应用。我们对原有的非哈希多示例多标记学习算法和本文提出的多示例多标记哈希学习算法在各个评价指标上进行了对比。实验表明，我们的模型与之前的方法相比，可以取得更好的准确性与速度的折中。

目录

声明

摘要

第1章 绪论

1．1 研究背景

1．1．1 多示例学习框架及应用

1．1．2 多标记学习框架及应用

1．1．3 多示例多标记学习框架及应用

1．1．4 与传统监督学习的区别与联系

1．2 研究意义

1．3 论文的研究内容

1．4 论文的组织结构

第2章 多示例多标记学习

2．1 多示例多标记学习的定义

2．2 多示例多标记学习的退化算法

2．3 多示例多标记学习的直接算法

2．4 多示例多标记学习方法的扩展

第3章 哈希学习

3．1 局部敏感啥希

3．2 紧凑编码的哈希

3．3 基于排序关系的哈希

第4章 多示例多标记哈希学习

4．1 多示例多标记哈希学习框架

4．2 两种视角的哈希

4．2．1 包级别哈希

4．2．2 示例级别哈希

4．3 具体使用的哈希方法

第5章 基于多示例多标记哈希的场景分类和文本分类

5．1 实验设置

5．1．1 数据集

5．1．2 评价指标

5．2 实验流程

5．2．1 流程设计

5．2．2 实验过程

5．3 实验结果

5．3 结果分析

第6章 结论与展望

参考文献

致谢

读研期间发表的论文和其他科研成果