多标记学习：理论、方法与应用

目录
第1章 绪论 1
1.1 引言 1
1.2 多标记学习 3
1.3 多标记分类 5
1.3.1 问题转换型 5
1.3.2 算法适应型 8
1.3.3 集成型 10
1.4 多标记维度约简 10
1.4.1 特征选择 10
1.4.2 特征提取 11
1.5 标记相关性分析 11
1.6 多标记学习评价指标 12
1.7 多标记数据集 15
1.7.1 自然场景数据集 16
1.7.2 音乐数据集 17
1.7.3 基因数据集 17
1.7.4 文本数据集 17
1.8 本章小结 18
第2章 基于邻域粗糙集的多标记分类 19
2.1 引言 19
2.2 相关工作 20
2.2.1 图像自动标注 20
2.2.2 邻域粗糙集模型 21
2.3 基于邻域粗糙集的多标记分类算法 23
2.4 实验与分析 27
2.4.1 实验数据集 27
2.4.2 实验设置 27
2.4.3 实验结果与分析 28
2.5 本章小结 34
第3章 基于深度神经网络的多标记分类 36
3.1 引言 36
3.2 相关工作 37
3.2.1 特征表达 37
3.2.2 迁移学习 38
3.3 基于改进CNN的多标记分类算法 39
3.3.1 算法框架 39
3.3.2 双通道神经元 40
3.3.3 损失函数 41
3.4 实验与分析 42
3.5 本章小结 48
第4章 基于邻域粗糙集的标记相关性分析 49
4.1 引言 49
4.2 相关工作 50
4.2.1 变精度邻域粗糙集 50
4.2.2 标记相关性 51
4.3 全局相关性分析 52
4.3.1 基本思想和框架 52
4.3.2 MLRS算法 54
4.4 局部相关性分析 55
4.4.1 基本思想和框架 55
4.4.2 MLRS-LC算法 56
4.5 实验仿真 57
4.5.1 实验数据集 57
4.5.2 判别阈值选择 58
4.5.3 实验设置 58
4.5.4 实验结果与分析 59
4.5.5 算法复杂度 69
4.6 本章小结 69
第5章 基于标记相关性的多标记三支分类 71
5.1 引言 71
5.2 相关工作 73
5.2.1 三支决策理论 73
5.2.2 贝叶斯网络模型 74
5.3 多标记三支分类算法 75
5.3.1 算法原理 76
5.3.2 标记相关性建模 77
5.3.3 算法描述 78
5.4 实验与分析 78
5.4.1 实验数据集 79
5.4.2 实验结果分析 79
5.5 本章小结 82
第6章 基于互信息的多标记特征选择 83
6.1 引言 83
6.2 相关工作 84
6.2.1 多标记特征选择 84
6.2.2 互信息理论 85
6.3 基于互信息的多标记特征选择算法 86
6.3.1 基本思想 87
6.3.2 算法描述 89
6.4 实验仿真 89
6.4.1 实验数据 89
6.4.2 实验设置 90
6.4.3 实验结果与分析 90
6.5 本章小结 97
第7章 一种粒化多标记特征选择算法 98
7.1 引言 98
7.2 相关工作 100
7.3 多标记特征选择算法 101
7.3.1 基本流程 101
7.3.2 标记粒化 102
7.3.3 大相关-小冗余条件 103
7.4 实验与分析 106
7.4.1 实验设置 106
7.4.2 标记粒化的有效性 107
7.4.3 不同算法的性能对比 115
7.5 本章小结 121
第8章 多标记决策知识获取的粗糙集方法 122
8.1 引言 122
8.2 相关工作 124
8.3 多标记决策系统的知识获取 125
8.3.1 离散型多标记决策系统知识获取 127
8.3.2 连续型多标记决策系统知识获取 128
8.4 实验仿真 131
8.4.1 DML算法实验与分析 131
8.4.2 CML算法实验与分析 133
8.5 本章小结 134
第9章 总结与展望 135
9.1 总结 135
9.2 展望 136
参考文献 138