多示例多標記學習中的最最佳化方法及其套用

《多示例多標記學習中的最最佳化方法及其套用》是依託中國農業大學，由鄧乃揚擔任項目負責人的面上項目。

基本介紹

• 中文名：多示例多標記學習中的最最佳化方法及其套用
• 依託單位：中國農業大學
• 項目負責人：鄧乃揚
• 項目類別：面上項目

項目摘要

多示例學習、多標記學習和多示例多標記學習是兩類分類問題的實質性的推廣，它們可以更加細緻地描述問題因而更符合實際情況，已成為當今數據挖掘領域的一個的研究熱點。多示例學習、多標記學習和多示例多標記學習的理論研究和實際套用正在快速的發展。最最佳化方法是研究它們的主要工具之一。本項目擬從最最佳化角度研究多示例學習、多標記學習和多示例多標記學習問題，特別注意多示例多標記學習問題的新模型及其最最佳化方法。支持向量機型方法是基於最最佳化的求解這類問題的重要方法。本項目將在系統研究各支持向量機型方法關係的基礎上，建立新的多示例多標記最最佳化模型，並研究其求解方法。在套用領域中，我們將利用多示例學習、多標記學習和多示例多標記學習的方法，解決圖像分類中的熱點問題。在國際上關於本項目的主要研究內容，有的只是處於起步階段，有的尚未見到有關研究。因此，本項目的研究無論是對多示例多標記學習理論還是實踐方面，都很有意義。

結題摘要

多示例學習、多標記學習和多示例多標記學習是兩類分類問題的實質性的推廣，它們可以更加細緻地描述問題因而更符合實際情況，已成為當今數據挖掘領域的一個的研究熱點。多示例學習、多標記學習和多示例多標記學習的理論研究和實際套用正在快速的發展。最最佳化方法是研究它們的主要工具之一。本項目從最最佳化角度研究了多示例學習、多標記學習和多示例多標記學習問題，特別注意了多示例多標記學習問題的新模型及其最最佳化方法。支持向量機型方法是基於最最佳化的求解這類問題的重要方法。本項目在系統研究各類支持向量機型方法關係的基礎上，建立了一系列新的多示例多標記最最佳化模型，並研究了其求解方法。在套用領域中，我們利用多示例學習、多標記學習和多示例多標記學習的方法，解決了生物信息學中的一些有代表性的問題。2012年由CRC Press公司出版了我們的英文專著《Support Vector Machines—Optimization based Theory, Algorithms, and Extensions》。此外我們還完善了支持向量機的統計學習基礎，這是迄今為止對C-SVM的一種確切、直接、簡明的統計學習理論的解釋；研究了不同範數意義下支持向量機的特徵選擇能力問題；採用雙子-支持向量機（Twin-SVM）對多示例學習問題進行了研究，重點研究了雙子-支持向量機的各種推廣形式，如建立了統一範數意義下的Twin-SVM新模型，最小二乘意義下的遞推投影Twin-SVM模型，針對回歸問題的ε-敏感Twin-SVM模型，基於機率輸出的Twin-SVM模型，基於梯度下降的Twin-SVM新算法。另外，我們還推廣了中心支持向量機，加入了廣義特徵值的概念，建立了新模型和實用算法；提出了基於標籤的多核學習模型；建立了帶有隱私數據分類的線性核分類器模型；結合集成學習技術提出了解決數據不均衡分類問題的新模型。我們還對半監督分類問題中的一類特殊情況——PU問題，也進行了研究，建立了基於機率輸出的PU模型；基於圖的概念，對無標籤的樣本點進行了更細的劃分，構造了PU問題的新模型。期間共指導碩、博研究生14人，發表專著和論文40篇，並多次參加國內外重要科研學術活動。