原创力文档- 1、本文档共3页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
《工业控制计算机》 年第 卷第 期 73
2012 25 7
基于多样性密度的多示例学习方法
Multi－instance Learning Algorithm Based on Diverse 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 support vector data description,we proposed MIL－NSVDD＿DD algorithm
which can solve multi －instance learning problem effectively．The algorithm firstly through diverse density method to find
some optimal instance prototypes,secondly train these instance prototypes by Negative－SVDD can get a classifier,then use
the classifier to predict new bag,finally the experimental results are promising．
Keywords:multiple－instance learning,diverse density,support vector data description,machine learning
［1］ m
世纪 年代中后期， 等人 在对药物活 或者是基于包的分类器 （ ）： 。
20 90 T．G．Dietterich X→Y H X X →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
文档评论（0）