偏标记学习相关论文
随着互联网的发展,海量数据唾手可得。在数据监督信息准确的情况下,传统机器学习已经在诸多领域取得了丰硕的成果。然而,在很多现......
分类问题,如垃圾邮件检测、疾病自动诊断、信用卡诈骗识别等,是机器学习领域的核心基础问题。现有分类方法通常设计一个参数化模型......
在传统监督学习中,一个样本通常对应单个标记,提供了明确的监督信息。在偏标记学习中,一个样本对应一组候选标记,其中仅有一个标记......
在标准偏标记学习框架下,每个对象由单个特征向量进行刻画,同时与多个候选标记相关联,其中仅有一个未知的真实标记。另一方面,在真......
在强监督学习中,每个示例有着明确的标注信息,但是随着大数据时代的到来,标注示例所需的时间成本和金钱成本增加,弱监督学习越来越......
针对于类不平衡的偏标记学习问题,提出一种可以较有效处理类不平衡问题的偏标记K近邻学习算法（K-nearest neighbor algorithm for c......
现实生活中的许多场景都存在着样本标签不确定的问题,即样本在其对应的候选标签集中,只有一个标签是真实的标签,其余标签为伪标签,......
在传统的单标记学习中,一个对象具有单一、明确的标注,在具有确定的监督信息情况下,可学得具有强泛化性能的学习器。然而现实生活......
偏标记学习是一种重要的弱监督机器学习框架,它广泛地存在于现实世界的许多应用场景中,比如计算机视觉、互联网、生态信息学等。在......
机器学习的目的是基于训练数据进行模型学习,从而利用学习到的模型对未知样本进行预测。对于分类问题而言,传统的监督学习将现实世......
随着大数据时代的迅猛发展,运用机器学习的手段对大数据进行处理和分析已经成为一种公认有效的最佳方法。但是在各个领域中,呈现出......
弱监督数据相比于精确标注的强监督数据更易获取,成本更低。如何利用弱监督数据来训练分类器近年来得到了机器学习领域研究者的广......
近年来,偏标记学习作为一类重要的弱监督学习框架,在目标检测和临床医学等多个邻域得到了广泛关注。在偏标签学习框架中,一个样本......
偏标记学习是一类重要的弱监督学习框架,在该框架下标记信息不再具有单一性和明确性:一个示例对应于一个候选标记集合,而候选标记......
