导读:本文包含了多标记学习论文开题报告文献综述及选题提纲参考文献，主要关键词:层次性多示例多标记学习,树结构,G蛋白偶联受体,生物学功能
多标记学习论文文献综述
袁京洲,高昊,周家特,冯巧遇,吴建盛[1]（2019）在《基于树结构的层次性多示例多标记学习》一文中研究指出针对多示例多标记学习中标记间树结构的问题,将多示例学习、多标记学习和树结构标记优化方法有机融合,提出了基于树结构标记的层次性多示例多标记学习方法TreeMIML. TreeMIML先将样本中的多个示例转化为单示例,然后通过多标记学习得到新样本的标记,最后通过树结构标记优化方法学习样本的最终标记.实验结果证明,TreeMIML方法在G蛋白偶联受体的生物学功能预测上获得了很好的分类性能,优于目前最好的多示例多标记学习和多标记学习方法.(本文来源于《南京师大学报(自然科学版)》期刊2019年03期）
于海涛[2]（2019）在《RBF多标记学习算法研究与改进》一文中研究指出随着时代的发展,人工智能进入到人们的生活,分类技术越来越成为人工智能领域中的研究热点。根据标记样本集对应标签的数量,分类问题可以分为单标记和多标记学习,而现实生活中的许多分类问题都可以被视为多标记学习问题。多标记学习的主要任务是在给定样本数据集与标签数据集的基础上,建立一个多标记的分类器模型,并以此对样本集中的未知实例进行预测。但是传统的多标记学习存在一个主要的问题:仅仅对实例中的多种标签进行了识别,没有充分利用标签之间关联性,从而影响了各项指标的评定。RBF多标记神经网络学习算法是典型的多标记学习方法之一,本文对RBF多标记学习算法进行研究和改进。主要研究内容如下:(1)针对传统的RBF多标记学习算法忽视不同标签之间的关联性问题,提出一种输出优化型ML-RBF算法。在聚类阶段,利用不同样本中心到所有样本中心的距离来进行关联性分析,分两次进行聚类,首先对相同标记样本进行K-means聚类,其次对全部样本进行K-means聚类;同时设计分段基函数,在上述的两种聚类结果中进行分步求值,从而获得标签之间的关联度值。(2)提出基于粒子群算法的PSO-ML-RBF多标记算法。该方法没有从多标记学习算法模型出发,而是通过优化神经网络权重方面提高多标记学习算法的各项指标。利用粒子群算法和模糊c均值方法,在ML-RBF算法中对基函数中心参数进行优化,并调整ML-RBF算法中神经网络中隐藏层到输出层之间的权重,从而达到对多标记学习算法的优化。(3)通过实验对输出优化型ML-RBF和PSO-ML-RBF进行分析和验证,在多个公共数据集上,改进的算法在汉明损失、一次错误率、覆盖率、排序损失和平均精度上均取得了良好的效果。(本文来源于《太原理工大学》期刊2019-06-01）
王一宾,裴根生,程玉胜[3]（2019）在《弹性网络核极限学习机的多标记学习算法》一文中研究指出将正则化极限学习机或者核极限学习机理论应用到多标记分类中,一定程度上提高了算法的稳定性。但目前这些算法关于损失函数添加的正则项都基于L2正则,导致模型缺乏稀疏性表达。同时,弹性网络正则化既保证模型鲁棒性且兼具模型稀疏化学习,但结合弹性网络的极限学习机如何解决多标记问题鲜有研究。基于此,本文提出一种对核极限学习机添加弹性网络正则化的多标记学习算法。首先,对多标记数据特征空间使用径向基核函数映射;随后,对核极限学习机损失函数施加弹性网络正则项;最后,采用坐标下降法迭代求解输出权值以得到最终预测标记。通过对比试验和统计分析表明,提出的算法具有更好的性能表现。(本文来源于《智能系统学报》期刊2019年04期）
任翀[4]（2019）在《基于转换策略的多标记学习改进算法》一文中研究指出针对传统转换多标记学习算法较难确定最低阈值的问题,该文对传统转换策略的多标记学习算法进行改进,提出了一种基于最低阈值的学习算法(TFEL),该方法根据类别标记学习为每个类别得到一个最低阈值.当分类器将一个测试示例预测为某个类别标记的分值大于为该类别标记学得的最低阈值时,则将该类别标记添加到该测试示例的最终分类结果中.实验结果表明, TFEL方法能够得到较好的分类效果,证明了该方法的可行性和有效性.(本文来源于《西南师范大学学报(自然科学版)》期刊2019年03期）
朱越,姜远,周志华[5]（2018）在《一种基于多示例多标记学习的新标记学习方法》一文中研究指出多标记学习是一种应用非常广泛的学习范式,其中,一个对象可能同时与多个标记相关联.传统的多标记学习研究多假设训练数据中观察到的标记分布与测试数据的真实标记分布一致.但在实际应用中,训练数据中可能存在一些从未被标注出的新标记.在预测时,不仅希望能够在目标标记集合(已知标记)上取得好的性能,还要求能够检测出样本是否存在新标记.针对这种多标记新标记学习问题,本文提出了一种端到端的多视图多示例多标记学习方法 EM3NL.该方法基于卷积神经网络产生多示例包,并通过最小化包上观察标记的错分损失和对新标记预测值排序损失的惩罚以及对多视图预测不一致的惩罚同时学习图像,文本两个视图的特征表示以及已知标记和新标记的预测函数.在大规模图片–文本真实数据集上验证了EM3NL在已知标记学习和新标记检测任务上的有效性.(本文来源于《中国科学:信息科学》期刊2018年12期）
冯巧遇[6]（2018）在《层次性多示例多标记学习算法的研究》一文中研究指出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。(本文来源于《南京邮电大学》期刊2018-11-14）
吴建盛,冯巧遇,袁京洲,胡海峰,周家特[7]（2018）在《基于快速多示例多标记学习的G蛋白偶联受体生物学功能预测》一文中研究指出G蛋白偶联受体(G protein-coupled receptors,GPCRs)是人类中最庞大的膜蛋白家族,也是很多药物的重要靶点,准确了解GPCRs生物学功能是理解它们参与的生物学过程及其药物作用机制的关键.以前的研究表明,蛋白质功能预测可抽象为多示例多标记学习(multi-instance multi-label learning,MIML)问题.设计了一种基于快速多示例多标记学习方法 MIMLfast的GPCRs生物学功能预测模型.该模型采用了一种新的混合特征,它考虑了GPCRs结构域的叁联氨基酸、氨基酸关联、进化、二级结构关联、信号肽及无序残基等多种信息.实验结果证明,该模型获得了很好的性能,优于目前最优的多示例多标记学习、多标记学习的预测方法和CAFA蛋白质功能预测方法.(本文来源于《计算机研究与发展》期刊2018年08期）
陈琳琳,陈德刚[8]（2018）在《一种基于核对齐的分类器链的多标记学习算法》一文中研究指出在解决多标记分类问题的问题转换方法中,二值相关是一种常用的方法,其对于标记间相互独立的假设忽略了标记之间的相关性.多标记分类的分类器链算法通过标记信息在分类器之间的传递考虑了标记间的相关性,从而克服了二值相关算法中标记独立性问题.然而此算法中,分类器链的排序是任意指定的,不同的排序具有不同的分类结果.为了解决这个问题,引入核对齐方法对分类器进行排序并提出了两种算法,其中核对齐是用来衡量两个核函数之间一致性程度的量.一种是最大化特征空间中核函数和标记空间中理想核的凸组合的对齐值,根据每个理想核的权重进行排序,其中理想核是由每个标记定义的.另一种是直接计算核函数与每个理想核的对齐值,根据对齐值进行排序.实验结果表明,提出的基于核对齐的分类器链的多标记学习算法是有效的.(本文来源于《南京大学学报(自然科学)》期刊2018年04期）
李峰,苗夺谦,张志飞,罗晟[9]（2018）在《一种标记粒化集成的多标记学习算法》一文中研究指出问题转化型方法和算法适应型方法是多标记学习中主要的两类研究方法,其中问题转化型方法因其独立分类算法得到了广泛的关注,而已有的问题转化型方法存在或忽略标记间相关性,或算法复杂过高,或算法性能不稳定的问题.针对上述不足,基于粒计算的思想,本文提出了一种粒化集成的多标记学习算法.该算法为每个标记划分出一个相关性最大的标记子集,称为关系粒,将标记空间粒化为多个标记子集,该方式考虑到并最大化保留了标记间的相关性,避免了算法复杂度过高,提升了算法性能.随后为每个关系粒训练一个分类模型,最终将各个分类模型的结果集成.实验结果表明相较于对比的叁种方法,本文所提算法能取得较好的性能.(本文来源于《小型微型计算机系统》期刊2018年06期）
何月[10]（2018）在《关联规则回归核极限学习机的多标记学习算法》一文中研究指出多标记学习解决了单标记学习中多义性对象分类问题,成为近年来机器学习领域中的热门研究之一。而其中基于极限学习机(ELM)的多标记学习算法,则是一种高效的多标记学习方法。但目前基于ELM的多标记学习算法多使用ELM中的分类模式,在一定程度上限制了ELM算法在多标记问题中的运行效率,针对上述问题,本文的主要工作如下:(1)本文首次使用回归核极限学习机解决多标记分类问题,并首次提出回归核极限学习机(ML-RKELM),传统的分类ELM在处理高维数据时,时间消耗较大,而回归核ELM直接将特征空间映射后,直接求解目标函数矩阵解析解,同时算法时间消耗对比分类模式具有很大优势。(2)使用ELM解决多标记学习问题,算法未考虑标记之间的强相关信息。因此,对于标记之间存在强相关性问题,首次提出结合关联规则与回归核极限学习机的多标记学习算法(ML-ASRKELM)。首先,对标记空间进行关联规则分析,提取标记之间的规则向量,后通过提出的多标记回归核极限学习机(ML-RKELM)得出预测结果。最终若规则向量不为空,则将规则向量与预测结果运算得出最终预测结果,否则最终结果即为ML-RKELM的预测结果。提出的算法在公开的14个基准多标记数据集中的实验结果表明MLASRKELM与ML-RKELM两种算法较其它对比算法优秀,统计假设检验进一步说明所提出算法的有效性。(本文来源于《安庆师范大学》期刊2018-06-15）
多标记学习论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着时代的发展,人工智能进入到人们的生活,分类技术越来越成为人工智能领域中的研究热点。根据标记样本集对应标签的数量,分类问题可以分为单标记和多标记学习,而现实生活中的许多分类问题都可以被视为多标记学习问题。多标记学习的主要任务是在给定样本数据集与标签数据集的基础上,建立一个多标记的分类器模型,并以此对样本集中的未知实例进行预测。但是传统的多标记学习存在一个主要的问题:仅仅对实例中的多种标签进行了识别,没有充分利用标签之间关联性,从而影响了各项指标的评定。RBF多标记神经网络学习算法是典型的多标记学习方法之一,本文对RBF多标记学习算法进行研究和改进。主要研究内容如下:(1)针对传统的RBF多标记学习算法忽视不同标签之间的关联性问题,提出一种输出优化型ML-RBF算法。在聚类阶段,利用不同样本中心到所有样本中心的距离来进行关联性分析,分两次进行聚类,首先对相同标记样本进行K-means聚类,其次对全部样本进行K-means聚类;同时设计分段基函数,在上述的两种聚类结果中进行分步求值,从而获得标签之间的关联度值。(2)提出基于粒子群算法的PSO-ML-RBF多标记算法。该方法没有从多标记学习算法模型出发,而是通过优化神经网络权重方面提高多标记学习算法的各项指标。利用粒子群算法和模糊c均值方法,在ML-RBF算法中对基函数中心参数进行优化,并调整ML-RBF算法中神经网络中隐藏层到输出层之间的权重,从而达到对多标记学习算法的优化。(3)通过实验对输出优化型ML-RBF和PSO-ML-RBF进行分析和验证,在多个公共数据集上,改进的算法在汉明损失、一次错误率、覆盖率、排序损失和平均精度上均取得了良好的效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多标记学习论文参考文献
[1].袁京洲,高昊,周家特,冯巧遇,吴建盛.基于树结构的层次性多示例多标记学习[J].南京师大学报(自然科学版).2019
[2].于海涛.RBF多标记学习算法研究与改进[D].太原理工大学.2019
[3].王一宾,裴根生,程玉胜.弹性网络核极限学习机的多标记学习算法[J].智能系统学报.2019
[4].任翀.基于转换策略的多标记学习改进算法[J].西南师范大学学报(自然科学版).2019
[5].朱越,姜远,周志华.一种基于多示例多标记学习的新标记学习方法[J].中国科学:信息科学.2018
[6].冯巧遇.层次性多示例多标记学习算法的研究[D].南京邮电大学.2018
[7].吴建盛,冯巧遇,袁京洲,胡海峰,周家特.基于快速多示例多标记学习的G蛋白偶联受体生物学功能预测[J].计算机研究与发展.2018
[8].陈琳琳,陈德刚.一种基于核对齐的分类器链的多标记学习算法[J].南京大学学报(自然科学).2018
[9].李峰,苗夺谦,张志飞,罗晟.一种标记粒化集成的多标记学习算法[J].小型微型计算机系统.2018
[10].何月.关联规则回归核极限学习机的多标记学习算法[D].安庆师范大学.2018
标签：层次性多示例多标记学习; 树结构; G蛋白偶联受体; 生物学功能;