面向标记分布学习的标记增强.pdfVIP

面向标记分布学习的 标记增强 2018.5.15, 成都 耿新 模式学习与挖掘实验室（PALM） 东南大学计算机科学与工程学院 报告内容 • 研究背景 • 标记增强 • 概念定义 • 学习算法 • 实验 • 结论 标记端多义性 标记分布：覆盖所有可能 的标记，并显式表示每个 标记对示例的重要程度 ?? 单标记学习 多标记学习 标记分布学习 ? 明确 标记端多义性 多义 举例1：表情情感分布 情感 人工打分 高兴（HAP） 1.48 悲伤（SAD） 2.48 惊讶（SUR） 2.19 气愤（ANG） 4.48 恶心（DIS） 3.42 害怕（FER） 2.16 举例2 ：电影评分分布 更多含有标记分布的真实问题和数据，可从如下链接下载： /PersonalPage/xgeng/LDL 本质上的普适性 • 本质上，标记与示例的相关或不相关是相对的 • 相关与不相关的划分 将标记集合分为相关和不相关两个子集往往是对实际问题的简化， 而实际上两者的“边界”可能没那么明确 本质上的普适性 • 本质上，标记与示例的相关或不相关是相对的 • 对于相关标记 当一个示例与多个标记相关时，这些标记对于这个示例的重要程度 一般情况下不会恰好完全一样 本质上的普适性 • 本质上，标记与示例的相关或不相关是相对的 • 对于不相关标记 对一个示例来说，众多不相关标记的“不相关性”可能差异巨大 实践上的局限性 • 实践中，直接获得每个标记的重要程度在许多应用中并不 现实 • 代价高昂 • 难以量化 • 多数现有数据的监督信息是对问题的简化，即逻辑标记 • 1：相关标记 • 0 ：不相关标记 {0, 1, 0, 1, 0} 需要一种方法，将简单逻辑 标记转化为标记分布 标记增强 标记分布 标记增强 标记分布数据