弱监督场景下的支持向量机算法综述.pdfVIP

第47卷第5期计算机学报Vol.47No.5

2024年5月CHINESEJOURNALOFCOMPUTERSMay2024

弱监督场景下的支持向量机算法综述

丁世飞2孙玉婷.2张健21），2)

梁志贞2郭丽丽徐晓

1)（中国矿业大学计算机科学与技术学院江苏徐州221116）

2（矿山数字化教育部工程研究中心（中国矿业大学）江苏徐州221116)

摘要支持向量机(SupportVectorMachine,SVM)是一种建立在结构风险最小化原则上的统计学习方法，以其

在非线性、小样本以及高维问题中的独特优势被广泛应用于图像识别、故障诊断以及文本分类等领域.但SVM是

一种监督学习算法，它旨在利用大量的、唯一且明确的真值标记样本来训练学习器，在不完全监督、不确切监督以

及多义监督等弱监督场景下难以取得较好的效果.本文首先阐述了弱监督场景的概念和SVM的相关理论，然后从

弱监督场景角度出发，系统地梳理了目前SVM算法的研究现状和发展，包括基于半监督学习、多示例学习以及多

标记学习的方法；其中基于半监督学习的方法根据数据假设可细分为基于聚类假设和基于流形假设的方法，基于

多标记学习的方法根据解决方案可细分为基于示例水平空间、基于包水平空间以及基于嵌人空间的方法，基于多

标记学习的方法根据处理思路可细分为基于问题转换和基于算法自适应的方法；随后，本文总结了部分代表性算

法在公开数据集上的实验结果；最后，探讨并展望了未来可能的研究方向。

关键词弱监督场景；支持向量机；半监督学习；多示例学习；多标记学习

中图法分类号TP181D0I号10.11897/SP.J.1016.2024.00987

SurveyonSupportVectorMachineAlgorithmsinWeaklySupervisedScenarios

DINGShi-Feil),2)SUNYu-TingLIANGZhi-Zhen)2)GUOLi-Lil),2)ZHANGJian),2)XUXiao1),2)

D(SchoolofComputerScienceandTechnology,ChinaUniversityofMiningandTechnology,Xuzhou,Jiangsu221116)

2)(MineDigitizationEngineeringResearchCenteroftheMinistryofEducation

(ChinaUniversityofMiningandTechnology),Xuzhou,Jiangsu221116)

AbstractSupportVectorMachine(SVM)isastatisticallearningmethodbasedontheprinciple

ofminimizingstructuralrisk.Itprovidesanintuitivegeometricinterpretationandrigorousmath-

ematicalderivation,showingtheuniqueadvantagesinhandlingnonlinear,fewshot,andhigh

dimensionalproblems.SVMhasgarneredsignificantattentionandwidelyappliedinvariousfields

suchasimagerecognition