基于覆盖的多标记学习方法研究

doi:10.3778/j.issn.1002-8331.2010.14.006

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (14): 20-23.DOI: 10.3778/j.issn.1002-8331.2010.14.006

基于覆盖的多标记学习方法研究

段震^1，2，程家兴^1，2，张铃^1，2

1.安徽大学计算智能与信号处理教育部重点实验室，合肥 230039
2.安徽大学计算机科学与技术学院，合肥 230039

收稿日期:2010-01-29 修回日期:2010-03-12 出版日期:2010-05-11 发布日期:2010-05-11
通讯作者: 段震

Research of multi-label learning based on covering algorithm

DUAN Zhen^1，2，CHENG Jia-xing^1，2，ZHANG Ling^1，2

1.Key Lab of Intelligent Computing & Signal Proceesing，Ministry of Education，Anhui University，Hefei 230039，China
2.School of Computer Science and Engineering，Anhui University，Hefei 230039，China

Received:2010-01-29 Revised:2010-03-12 Online:2010-05-11 Published:2010-05-11
Contact: DUAN Zhen

摘要/Abstract

摘要： 多标记学习是实际应用中的一类常见问题，覆盖算法在单标记学习中表现出了优秀的性能，但无法处理多标记情况。将覆盖算法推广到多标记学习中，针对多标记学习的特点和评价指标，对算法的学习和构造过程进行了改造，给出待分类样本对各类别的隶属度。将算法应用于基因数据集和自然场景数据集的学习中，实验结果表明算法能够取得较好的分类效果，且相比于大多数同类算法有更高的性能。

关键词: 覆盖算法, 核函数, 多标记, 基因分类

Abstract: Multi-label learning is a common problem in real application.Covering algorithm performs well with single-label learning but can not deal with multi-label learning.In this paper，covering algorithm is extended to Multi-label Learning Covering Algorithm（MLCA）.Training and testing procedures are adapted to the characteristics of multi-label learning problem，and the membership function of sample is calculated.MLCA is applied to the gene classification and nature scene classification and the results show that MLCA is effective and has better performance than many other learning algorithms in the field.

Key words: covering algorithm, kernel function, multi-label, gene classification

中图分类号:

TP391

段震^1，2，程家兴^1，2，张铃^1，2. 基于覆盖的多标记学习方法研究[J]. 计算机工程与应用, 2010, 46(14): 20-23.

DUAN Zhen^1，2，CHENG Jia-xing^1，2，ZHANG Ling^1，2. Research of multi-label learning based on covering algorithm[J]. Computer Engineering and Applications, 2010, 46(14): 20-23.

[1]	邓利芳，党建武，王阳萍，王松. 结合混合核特征映射的空域图像隐写分析[J]. 计算机工程与应用, 2021, 57(9): 118-125.
[2]	桑江徽，姜海燕. 基于联合分布的多标记迁移学习[J]. 计算机工程与应用, 2021, 57(9): 154-161.
[3]	谢艺菲，卢琪，刘鑫，胡亚豪，潘志松，陈浩. 基于图的多层次注意力事实验证算法[J]. 计算机工程与应用, 2021, 57(10): 146-153.
[4]	赵童，黄钲，王秀超，李淼，张昀，郑秀娟，刘凯. 心理测试中掩饰行为的识别研究[J]. 计算机工程与应用, 2020, 56(20): 158-164.
[5]	魏锋涛，卢凤仪. 融合核函数在改进径向基代理模型中的应用[J]. 计算机工程与应用, 2019, 55(7): 58-65.
[6]	石凯1，2，聂富强1，孙峰2. 多维数据判别分析的非参核密度算法研究[J]. 计算机工程与应用, 2019, 55(6): 8-12.
[7]	张晓琴1，刘玲1，郭鑫垚2. 基于HSIC0的类间非线性相关系数度量[J]. 计算机工程与应用, 2019, 55(3): 46-49.
[8]	罗康洋，王国强. L-SMOTE与SVM结合的不平衡数据集分类研究[J]. 计算机工程与应用, 2019, 55(17): 55-62.
[9]	颜学龙，陈卓. PSO优化多核RVM的模拟电路故障预测[J]. 计算机工程与应用, 2019, 55(12): 140-144.
[10]	王一宾，田文泉，程玉胜，裴根生. 基于核极限学习机的标记分布学习[J]. 计算机工程与应用, 2018, 54(24): 128-135.
[11]	周水生，王保军，安亚利. 基于LS-SVM方法求高阶线性ODE近似解[J]. 计算机工程与应用, 2018, 54(23): 51-56.
[12]	李村合，朱红波. 基于半监督学习的多示例多标记E-MIMLSVM+算法[J]. 计算机工程与应用, 2018, 54(2): 149-154.
[13]	刘学博，李灯熬，赵菊敏，廖述剑. 基于变步长支持向量机的J波自动检测方法[J]. 计算机工程与应用, 2017, 53(23): 203-207.
[14]	彭利红1，刘海燕1，任日丽1，马俊1，王建芬2. 基于多标记学习预测药物-靶标相互作用[J]. 计算机工程与应用, 2017, 53(15): 260-265.
[15]	潘主强1，张林1，颜仕星2，张磊 3. 中医临床数据疾病分类机器学习方法研究[J]. 计算机工程与应用, 2017, 53(13): 146-154.

基于覆盖的多标记学习方法研究

Research of multi-label learning based on covering algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics