多示例学习的包层次覆盖k近邻算法

作     者：赵姝 芮辰 陈洁 张燕平 ZHAO Shu;RUI Chen;CHEN Jie;ZHANG Yan-ping

作者机构：安徽大学计算智能与信号处理教育部重点实验室合肥230601 安徽大学人工智能研究所合肥230601 

出 版 物：《小型微型计算机系统》 (Journal of Chinese Computer Systems)

年 卷 期：2014年第35卷第11期

页      面：2511-2514页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(61073117 61175046)资助 安徽省教育厅基金项目(kJ2013A016)资助 安徽大学研究生学术创新项目(10117700183)资助 

主　　题：机器学习 多示例学习 覆盖算法 k近邻算法 

摘      要：多示例学习是一种新型的机器学习框架,正包中大量的噪声使多示例数据集具有很大的歧义性.为了排除多示例数据集正包中大量的假正例,提高分类精度,结合邻域覆盖算法,提出一个新的多示例包层次覆盖k近邻算法.覆盖算法的学习结果是一系列的球形邻域,在每一个球形邻域中只含有同类样本,本文利用的覆盖算法的这一特性重新组织多示例数据集的包结构.概括的说,为了排除正包中大量的假正例,首先对原有的多示例包结构进行重新构造,使用覆盖算法生成的球形邻域做为新的包结构,从而提高多示例样本在新的特征空间中的可分离性.然后,使用包层次的k近邻算法排除正包中大量的噪声并预测测试包的类别.实验表明,多示例学习的包层次覆盖k近邻算法具有很好的性能.