基于標記分布的機器學習方法研究.pdf

1、為了更好地解決標記不確定性問題，人們提出了新的學習框架——標記分布學習。與傳統(tǒng)多標記學習相比，標記分布學習能夠解決不同標記對示例描述程度不同的問題，因此能夠更好地利用標記之間的相關(guān)性。盡管標記分布學習已經(jīng)成功運用到了多個領域并且取得了較好的應用效果（如人臉年齡估計、表情識別、多標記排序等），但目前的研究仍然存在一些問題。首先，在數(shù)據(jù)層面，標記分布學習要求輸入數(shù)據(jù)的標記必須為分布形式，而當前機器學習領域研究更多的是分類問題，對于其中絕大部

2、分應用來說，標記分布是難以獲得的，這就極大地限制了標記分布學習的應用范圍。其次，對于某些特定領域（如人臉年齡估計），由于存在先驗知識，標記分布可以從原始分類數(shù)據(jù)中自適應地學習得到，但是這種方法對訓練數(shù)據(jù)量的要求很高，當數(shù)據(jù)量不足時自適應過程就會失效以致于無法學習到合理的標記分布。最后，在方法層面，目前的標記分布學習算法仍然較少，很多機器學習領域成熟有效的算法（如支持向量機）沒有能夠很好地引入到標記分布學習中來。本文的目標是針對以上問題展

3、開深入研究并提出相應的解決方法。
　　本文的主要貢獻包括:1.以多標記學習為例，對標記分布進行擴展并首次提出了“標記流形”的概念，同時提出了“多標記流形學習”(ML2)算法，降低了標記分布學習對輸入數(shù)據(jù)的要求，使其能夠直接應用在傳統(tǒng)分類數(shù)據(jù)上;2.以人臉年齡估計問題為例，提出了“半監(jiān)督自適應標記分布學習”(SALDL)算法，通過引入無標記數(shù)據(jù)，解決了標記自適應過程對數(shù)據(jù)量的要求，提高了標記分布學習在有標記數(shù)據(jù)不足情況下的性能;3.