提出了一种多示例学习的可行域定位及快速因果实例选择(feasible region localization and fast causal instance selection for multi-instance learning,FFCM)算法,包含3个技术。可行域定位技术基于距离度量,从正包中选出具有代表性的实例作为候选实例;然后利用概率分析筛选负裁判包,以最大限度缩减选择因果实例的可行域范围。快速因果实例选择技术利用候选实例与负裁判包的因果关系构建融合包,设计因果性评判指标,使用先验知识从候选实例中选择出因果实例。包映射技术基于因果实例和差值映射函数,将包映射为有较高可区分性的单向量。本算法在27个常用数据集上进行了实验,并与6个前沿的MIL算法进行了对比,实验结果展示了FFCM的良好分类性能。
多标签学习已成功应用于文本分类、图像识别等各个领域。流行的技术包括提取标签特定特征、利用标签相关性等。提出带有标签相关性的预测调整算法PALC(Prediction adjusting with label correlation)将标签相关性融入串行并行神经网络。一方面,采用新颖的、更有效的串行并行神经网络架构来替代常见的显式特征提取或压缩感知方法;另一方面,考虑用固有的标签矩阵内的相关性来计算相关性矩阵,并以流形正则的方式优化分类器。对10个基准数据集与7种流行算法进行比较,结果表明PALC在3大排名指标下均有优势。
