基于多样性密度的多示例学习方法.pdfVIP

《工业控制计算机 ／2012年第 25卷第 7期 73 基于多样性密度的多示例学习方法 Multi-instance Learning Algorithm Based onDiverse Density 龙 哲 (杭州电子科技大学图形图像研究所，浙江 杭州 310018) 摘 要 结合多样性密度和带负类的支持 向量数据描述 ，提 出了一种能够有效解决多示例 问题 的算法：MIL—NSVDD_DD。该 算法首先通过多样性密度算法找 出多示例 问题 中最优示例模型，然后通过使用带负类的支持 向量数据描述对示例模型进 行训练，以得到最终的分类器，用得到的分类器再对新包进行预测。最后通过实验表明了该算法的有效性。 关键词 ：多示例学习，多样性密度 ，支持 向量数据描述 ，机器学习 Abstract In this paper，based on diverse density and supportvectordata description，we proposed MIL-NSVDD DD algorithm _ which can solve multi—instance learning problem effectively．The algorithm firstly through diverse density method to find someoptimalinstance prototypes，secondlytrainthese instance prototypesbyNegative—SVDD can geta classifier，thenuse the classifierto predictnew bag，finallytheexperimentalresultsare promising． Keywords：multiple-instancelearning，diverse density，supportvectordata description，machinelearning 20世纪 90年代 中后期 ，TG．Dietterich等人…在对药物活 X—Y或者是基于包的分类器 H(×)：X一Y。 性预测问题的研究中，将每一个分子作为一个包 ，分子 的每一种 从多示例 问题提 出后 ，国内外很多学者对该 问题进行 了研 低 能形状作为包 中的一个示例 ，由此提 出了多示例学习的概念 ， 究，并提出了很多实用的算法 。 其 目的是通过对 已知适于或不适于制药的分子进行分析来构造 1998年 ，O．Maron等人 提 出了多样性密度 (Diverse 一 个学习系统，以尽可能正确地预测某种新 的分子是否适合制 Density，简称 DD)算法 。他们对特征空间中的点定义一个多样 造药物。在多示例学习模型中，训练样本的歧义性比较特殊，使 性密度 ，然后在特征空间中寻找多样性密度最大的点，在寻找 目 得多示例学习模型与传统的机器学习模型有很大的差别 。由于 标点的过程 中需要进行多次的梯度下降搜索，所以DD算法的 多示例学 习本身独特 的性质和 良好的应用前景 ，被称为是与监 时间开销是非常大的。该算法对后来 的研究影响很大，很多后继 督学 习、非监督学习和强化学 习并列 的第 四种机器学习框架 ，并 的工作都是在此算法的基础上进行 的。 起 了国内外研究者 的极大关注 。