多示例学习的簇频繁性分析及双角度融合嵌入OA北大核心CSTPCD
多示例学习(Multi-Instance Learning,MIL)的训练数据是由若干个未带标记的示例组成的带标记的包,基于嵌入的方法,通过将包嵌入成单向量来解决包表示问题,然而大部分现有方法忽略了示例与包的联系,难以保证所选示例的代表性.同时,单角度的嵌入方法无法有效地提取正、负包的差异信息,使嵌入向量的质量较差.提出一种多示例学习的簇频繁性分析及双角度融合嵌入(FADE).簇频繁性分析技术从正、负子空间中分别筛选部分示例作为子空间的簇心,依据…查看全部>>
杨梅;张靖宇;闵帆;方宇
西南石油大学计算机与软件学院,成都610500 西南石油大学人工智能研究院,成都610500 西南石油大学机器学习研究中心,成都610500西南石油大学计算机与软件学院,成都610500西南石油大学计算机与软件学院,成都610500 西南石油大学人工智能研究院,成都610500 西南石油大学机器学习研究中心,成都610500西南石油大学计算机与软件学院,成都610500 西南石油大学人工智能研究院,成都610500 西南石油大学机器学习研究中心,成都610500
计算机与自动化
多示例学习嵌入方法簇频繁性示例来源双角度融合
《南京大学学报（自然科学版）》 2024 (4)
P.531-541,11
南充市-西南石油大学市校科技战略合作专项资金(23XNSYSX0084,23XNSYSX0062)浙江省海洋大数据挖掘与应用重点实验室开放课题(OBDMA202102)国家自然科学基金(61976194)。
评论