基于核极限学习机自编码器的标记分布学习

王一宾^1,2(),李田力¹,程玉胜^1,2,*(),钱坤¹

1. 安庆师范大学计算机与信息学院，安徽 安庆 246133
2. 安徽省高校智能感知与计算重点实验室，安徽 安庆 246133

收稿日期:2019-06-10出版日期:2020-06-01发布日期:2020-06-16
通讯作者:程玉胜E-mail:wangyb07@mail.ustc.edu.cn;chengyshaq@163.com
作者简介:王一宾(1970—)，男，安徽安庆人，教授，硕士，主要研究方向为软件安全与多标记学习. E-mail: wangyb07@mail.ustc.edu.cn
基金资助:安徽省高校重点自然科学基金资助项目(KJ2017A352);安徽省高校重点实验室基金资助项目(ACAIM160102)

Label distribution learning based on kernel extreme learning machine auto-encoder

Yibin WANG^1,2(),Tianli LI¹,Yusheng CHENG^1,2,*(),Kun QIAN¹

1. School of Computer and Information, Anqing Normal University, Anqing 246133, Anhui, China
2. The University Key Laboratory of Intelligent Perception and Computing of Anhui Province, Anqing 246133, Anhui, China

Received:2019-06-10Online:2020-06-01Published:2020-06-16
Contact:Yusheng CHENG E-mail:wangyb07@mail.ustc.edu.cn;chengyshaq@163.com

Supported by:安徽省高校重点自然科学基金资助项目(KJ2017A352);安徽省高校重点实验室基金资助项目(ACAIM160102)

摘要/Abstract

摘要： 标记分布学习中示例由多个不同重要程度的标记共同标注，而在已有的标记分布学习算法中，大部分均在完备数据集下进行，未考虑数据噪声干扰。针对这一问题，结合自编码器的降噪特性和核极限学习机的稳定性，提出一种基于核极限学习机自编码器的标记分布学习算法。使用核极限学习机自编码器对原始特征空间映射，得到更具鲁棒性的特征表达，构造适应标记分布学习的极限学习机模型作为分类器以提升分类效率及性能。试验结果表明，本文算法较其他对比算法具有一定优势，使用假设检验方法进一步说明所提算法的有效性。


PDF全文下载地址:

http://gxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=1938