《面向魯棒分類的半監督學習新算法及套用研究》是依託蘇州大學，由張召擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：面向魯棒分類的半監督學習新算法及套用研究
- 項目類別：青年科學基金項目
- 項目負責人：張召
- 依託單位：蘇州大學
項目摘要,結題摘要,
項目摘要
針對原始數據X中通常包含冗餘信息、不利特徵、噪音和異類點的事實，現有的基於標籤傳播用於分類的研究有如下不足:（1）標籤傳播框架中的相似性度量和權值分配被直接定義在原始空間X，因此相似性度量不準確，且標籤預測能力和分類精度極易受到影響;（2）在基於稀疏編碼的自適應緊鄰式標籤傳播框架中，原始數據X常被作為字典進行最佳化，因此分類性能極易受到字典中的噪音濃度和類型影響。. 針對以上不足，本項目探討增強型標籤傳播用於魯棒分類的研究。貢獻有:（1）利用半監督特徵學習去除不利特徵和噪音，提出基於最優空間的增強版標籤傳播新算法;（2）利用低秩恢復過程構造描述性字典用於稀疏編碼和權值分配，提出基於自適應近鄰的標籤傳播新框架，進而提出新型子空間學習算法;（3）為了有效增強相似性度量、加權和標籤預測性能，提出了半監督型重構權和基於稀疏編碼與軟類別標籤的混合型權分配方案。採用理論分析結合實驗驗證算法的有效。
結題摘要
在數據爆炸和大數據時代，大多數日常生活中產生的真實數據具有維度高，分布複雜，缺乏鑑別信息（如類信息）等原因難於分類和處理。 由於上述事實，可同時有標記和未標記數據進行數據表示和分類的半監督學習方法引起了越來越多的關注。本項目針對原始數據通常包含冗餘信息、不利特徵、噪音和異類點的事實，探索標籤預測能力更強和分類精度對噪音等因素更加魯棒的半監督學習與分類方法，具體研究內容包括：（1）圍繞直推式標籤傳播模型，針對現有相關半監督分類方法因預先計算權重係數無法確保表示與分類誤差同時最小化（通常在標籤傳播前引入額外的過程計算到權重係數）、Frobenius-norm約束的流形平滑重構誤差項對於噪音等過於敏感、數據噪音等因素造成的預測結果（軟類別標籤）包含混合信號進而影響預測精度等不足，提出一系列魯棒性更強、預測能力更強的直推式半監督分類方法；（2）圍繞歸納式標籤傳播模型，針對相關半監督分類方法無法確保權重構造過程對於噪音的魯棒性和權重係數對於分類問題聯合最優、權重構造因未充分考慮數據類內相似性與類間不相似性而降低圖像表示與分類性能、無法有效降低“淺層類別軟標籤”中混合信號對結果的影響、無法快速直接從圖像二維矩陣數據獲取標籤等問題，提出一系列魯棒性更強、預測能力更強的直推式歸納式分類方法。採用理論分析結合實驗驗了證算法的有效，實驗結果表明本項目提出的新方法取得了更好的分類能力和標籤預測能力，可潛在地套用於圖像識別等任務。 基於本項目內容，本項目已取得的科研成果如下：（1）已發表SCI期刊論文22篇（其中包括SCI一區或中國計算機學會CCF推薦A類頂級期刊論文8篇，SCI二區或CCF推薦B類權威期刊論文10篇）、EI檢索論文18篇。總計發表學術論文41篇；（2）已申請或授權發明專利40餘項、已申請或授權發明專利10餘項；（3）獨立指導碩士研究生7名，導師制本科生近10名；（4）相關研究獲2014年江蘇省科學技術二等獎、2015年江蘇省計算機學會青年科技獎和2016年ACM南京分會（江蘇地區）新星獎；（5）項目負責人獲得2017年江蘇省“六大人才高峰”高層次人才、2017年江蘇省青藍工程優秀青年骨幹教師培養對象等人才項目支持。
