项目名称: 标记分布学习

项目编号: No.61273300

项目类型: 面上项目

立项/批准年度: 2013

项目学科: 自动化技术、计算机技术

项目作者: 耿新

作者单位: 东南大学

项目金额: 81万元

中文摘要: 对一个特定的应用来说,一个多义性对象不同含义的重要性往往是不同的,而现有的多标记学习框架不能很好的匹配这一现象。标记分布学习是为此提出的一种新型学习框架。在该框架内,一个示例不是由一个标记集,而是由一个标记分布来标注。标记分布中对应每个标记都有一个表示其重要性的实数值,称为描述度。标记分布学习相较多标记学习展现出更多的一般性、灵活性和表达力,是解决多义性问题的一种崭新尝试。并且由于单标记和多标记学习都可以看作标记分布学习的特例,对标记分布学习的研究也有可能对解决单标记和多标记学习中的问题起到启发和促进作用。本项目是对标记分布学习最初的探索之一,将研究其基础理论、算法、应用,以及其在群学习和利用标记间相关性方面的作用。本项目预期将建立一个标记分布学习基本理论框架,提出若干标记分布学习算法,并通过实际应用证明其价值。预期成果包括8-10篇高质量论文、2-3项发明专利,以及培养6-8名研究生。

中文关键词: 机器学习;标记分布学习;;;

英文摘要: In a particular application, the importance of the different meanings of an ambiguous object is often different. The current framework of multi-label learning cannot match this phenomenon well. To deal with such situation, label distribution learning is proposed as a new learning framework, where an instance is not labeled by a label set, but by a label distribution. For each label in a label distribution, there is a real number called description degree, which represents the importance of the corresponding label. Compared with multi-label learning, label distribution learning is more general, flexible, and expressive. It is a fresh try to solve the ambiguity problem in learning. Moreover, both single-label and multi-label learning can be viewed as special cases of label distribution learning. Thus the research on label distribution learning might help to solve the problems in single-label and multi-label learning. This project is one of the first explorations of label distribution learning, which will study its theory, algorithms, applications, and uses in learning from crowds and the utilization of label correlation. This project endeavors to propose a basic theoretical framework and several algorithms for label distribution learning, and prove their values in real applications. It will result in 8-10 high-qua

英文关键词: Machine Learning;Label Distribution Learning;;;

成为VIP会员查看完整内容
0

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【博士论文】开放环境下的度量学习研究
专知会员服务
46+阅读 · 2021年12月4日
【博士论文】机器学习中的标记增强理论 与应用研究
专知会员服务
29+阅读 · 2021年12月3日
专知会员服务
14+阅读 · 2021年9月11日
专知会员服务
25+阅读 · 2021年9月10日
专知会员服务
36+阅读 · 2021年7月17日
专知会员服务
36+阅读 · 2021年6月3日
【斯坦福经典书】机器学习导论,188页pdf
专知会员服务
77+阅读 · 2021年3月31日
【NeurIPS 2020】深度学习的不确定性估计和鲁棒性
专知会员服务
49+阅读 · 2020年12月8日
【博士论文】开放环境下的度量学习研究
专知
7+阅读 · 2021年12月4日
【KDD2021】基于生成对抗图网络的不平衡网络嵌入
论文浅尝 | 将结构预测作为增广自然语言间的翻译任务
一文读懂贝叶斯分类算法(附学习资源)
大数据文摘
12+阅读 · 2017年12月14日
一文读懂机器学习概率图模型(附示例&学习资源)
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
4+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Quantum Computing -- from NISQ to PISQ
Arxiv
1+阅读 · 2022年4月15日
Challenges for Open-domain Targeted Sentiment Analysis
小贴士
相关VIP内容
【博士论文】开放环境下的度量学习研究
专知会员服务
46+阅读 · 2021年12月4日
【博士论文】机器学习中的标记增强理论 与应用研究
专知会员服务
29+阅读 · 2021年12月3日
专知会员服务
14+阅读 · 2021年9月11日
专知会员服务
25+阅读 · 2021年9月10日
专知会员服务
36+阅读 · 2021年7月17日
专知会员服务
36+阅读 · 2021年6月3日
【斯坦福经典书】机器学习导论,188页pdf
专知会员服务
77+阅读 · 2021年3月31日
【NeurIPS 2020】深度学习的不确定性估计和鲁棒性
专知会员服务
49+阅读 · 2020年12月8日
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
4+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员