主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
付治,王红军,李天瑞,滕飞,张继.基于k个标记样本的弱监督学习框架.软件学报,2020,31(4):0
基于k个标记样本的弱监督学习框架
Weakly supervised learning framework based on k labeled samples
投稿时间:2019-03-10  修订日期:2019-07-11
DOI:10.13328/j.cnki.jos.005918
中文关键词:  机器学习  弱监督学习  聚类
英文关键词:Machine learning  Weakly supervised learning  Clustering model
基金项目:四川省国际科技创新合作重点项目(2019YFH0097)
作者单位E-mail
付治 西南交通大学 信息科学与技术学院, 四川 成都 611756
西南交通大学 综合交通大数据应用技术国家工程实验室, 四川 成都 611756 
 
王红军 西南交通大学 信息科学与技术学院, 四川 成都 611756
西南交通大学 综合交通大数据应用技术国家工程实验室, 四川 成都 611756 
wanghongjun@swjtu.edu.cn 
李天瑞 西南交通大学 信息科学与技术学院, 四川 成都 611756
西南交通大学 综合交通大数据应用技术国家工程实验室, 四川 成都 611756 
 
滕飞 西南交通大学 信息科学与技术学院, 四川 成都 611756
西南交通大学 综合交通大数据应用技术国家工程实验室, 四川 成都 611756 
 
张继 西南交通大学 信息科学与技术学院, 四川 成都 611756
西南交通大学 综合交通大数据应用技术国家工程实验室, 四川 成都 611756 
 
摘要点击次数: 104
全文下载次数: 0
中文摘要:
      聚类是机器学习领域中的一个研究热点,弱监督学习是半监督学习中一个重要的研究方向,有广泛的应用场景.在对聚类与弱监督学习的研究中,提出了一种基于k个标记样本的弱监督学习框架.该框架首先用聚类及聚类置信度实现了标记样本的扩展.其次,对受限玻尔兹曼机的能量函数进行改进,提出了基于k个标记样本的受限玻尔兹曼机学习模型.最后,完成了对该模型的推理并设计相关算法.为了完成对该框架和模型的检验,本文选择了公开数据集进行对比实验,实验结果表明基于k个标记样本的弱监督学习框架实验效果较好.
英文摘要:
      Clustering is an active research topic in the field of machine learning. Weakly supervised learning is an important research direction in semi-supervised learning, which has wide range of application scenarios. In the research of clustering and weakly supervised learning, it is proposed that a framework of weakly supervised learning is based on k labeled samples. Firstly, the framework expands labeled samples by clustering and clustering confidence level. Secondly, the energy function of the restricted boltzmann machine is improved, and a learning model of the restricted Boltzmann machine based on k labeled samples is proposed. Finally, the model of ratiocination and algorithm are proposed. In order to test the framework and the model, we choose a series of public data sets for comparative experiments. The experimental results show that the proposed weakly supervised learning framework based on k labeled samples is more effective.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利