偏标签学习

最新推荐文章于 2023-10-16 10:32:55 发布
最新推荐文章于 2023-10-16 10:32:55 发布
阅读量1.1k 收藏 2
点赞数
分类专栏： 随笔 文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41870170/article/details/121114279
版权

偏标签学习的研究现状

现有的偏标签学习的消歧方法大致可分为三类：基于平均的消歧策略(Averaging-based Disambiguation Strategies)、基于辨识的消歧策略(Identification-based Disambiguation Strategies)和基于流形假设的消歧策略(Manifold Assumption-based Disambiguation Strategies)。
1.基于平均的消歧策略，通过给候选标签中的标签赋予每个样本相同的权重来识别真实标签，然后通过对所有候选标签或其邻域中的候选标签的输出进行平均来获得预测。遵循这种策略，基于平均的消歧策略可以进一步分为基于辨识的学习方法和基于实例的学习方法。
2.基于辨识的消歧策略，不同于基于平均的消歧策略，现有的基于辨识的消歧策略通过将真实标签直接确定为 在这里插入图片描述
的方式，将其视为潜在变量。
3.基于流形假设的消歧策略，不同于上述策略利用候选标签集构造偏标签学习算法。由于上述策略的泛化能力上限通常受到噪声标签的限制，因此为了突破这一局限性，基于流形假设的消歧策略，利用了流形假设认为相似的样本向量拥有相似的输出这一特性，尽可能从偏标记数据集中挖掘有用的信息。

reference

[1]闵子剑.(2020).适用于偏标记学习的概率传播算法(硕士学位论文,重庆邮电大学).https://kns.cnki.net/KCMS/detail/detail.aspx?dbname=CMFD202101&filename=1020416843.nh

magic_now
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
你知道什么是偏标记学习吗
Y666_788的博客
08-17 204
偏标记学习的目标是通过这些偏标记样本来进行模型训练和预测，从而在标记不充分的情况下取得较好的性能。总之，偏标记学习作为机器学习领域的新兴研究方向，为我们提供了一种全新的思维方式，来处理标记不充分的问题。偏标记学习（Partial Label Learning）便是其中一颗闪亮的明珠，它通过克服传统标记不充分的问题，为我们提供了更为灵活的学习方式。适应现实场景： 在许多现实场景下，样本的标记可能是不完整或不确定的，偏标记学习可以更好地适应这些情况，提供更真实的解决方案。偏标记学习的应用领域。
OSiUAL:Henrik Imberg，Johan Jonasson和Marina Axelson-Fisk在论文的实验中使用的代码在无偏主动学习中的最佳采样
03-26
自述文件 该存储库包含由Henrik Imberg，Johan Jonasson和Marina Axelson-Fisk在AISTATS 2020上发表的论文《无偏见的主动学习中的最佳采样》中使用的代码。 找到纸张和补充材料和，和AISTATS呈现。 准备工作 运行R脚本install_packages.R以安装此项目中使用的R软件包。 从下载大肠杆菌基因组的FASTA和GenBank文件。 将文件另存为ec.chr01.fa和ec.chr01.gb在“数据”文件夹中。 运行脚本create_ecoli_dataset.R以提取特征（相对转换频率）和标签（编码与非编码序列），并准备大肠杆菌数据集以进行分析。 生成的R数据文件（ecoli.RData）存储在Data文件夹中。 运行get_uci_datasets.R以从UCI机器学习存储库下载数据集并准备进行分析。 生成的R数据文件
候选标记信息感知的偏标记学习算法
02-08
在偏标记学习中，示例的真实标记隐藏在由一组候选标记组成的标记集中。现有的偏标记学习算法在衡量示例之间的相似度时，只基于示例的特征进行计算，缺乏对候选标记集信息的利用。该文提出一种候选标记感知的偏标记学习算法(CLAPLL)，在构建图的阶段有效地结合候选标记集信息来衡量示例之间的相似度。首先，基于杰卡德距离和线性重构，计算出各个示例的标记集之间的相似度，然后结合示例相似度和标记集的相似度构建相似度图，并通过现有的基于图的偏标记学习算法进行学习和预测。 3个合成数据集和6个真实数据集上实验结果表明，该文方法相比于基线算法消歧准确率提升了0.3%～16.5%，分类准确率提升了0.2%～2.8%。
机器学习和AI: 数学编程基础篇
06-14
学习人工智能，机器学习都离不开数学基础和编程知识。 无论你是数据科学的初学者还是已经从事人工智能开发的有经验人员，这门课都适合于你。为什么这么说？首先人工智能和机器学习本质上就是算法，而算法就是数学及统计学以及编程的结合。当前市场上有许多开源的软件包如SKLEARN确实可以帮助没经验的或缺乏数学或算法基础的人实现机器学习模型及预测，但这些工具无法使你真正懂得算法的本质或来源，或者无法使你在不同场合下灵活运用及改进算法。记住，在实际工作中找到适合应用场景的解决方案是最难但是最重要的。但这离不开数学基础和算法理解。 比如，线性回归是一类普遍的机器学习算法，所有的机器学习软件都有现成的方法实现模型，但如果在训练数据中加入几条新数据，那么新建立的模型和原来的模型有和联系或不同？再比如，为什么深度神经网络中的Sigmoid函数一般只用到输出层？神经网络的向后传播理论如何与泰勒展开和复合函数的偏导数联系在一起？人工智能中推荐系统和文字向量如何与矩阵的奇异分解以及特征向量联系？模型中对标签进行数据变换如何影响预测值？所有这些问题的答案，你都可以从本课中找到线索。 本课系统地讲述了有关人工智能，机器学
深度学习自编码的Java实现
01-20
深度学习自编码器即Java实现 ​ 自编码（Auto-Encode）是一种无监督学习，不给定标签向量，它可以借助神经网络来实现，将神经网络的输入和输出进行对比来不断地重构误差，修正神经网络中各层节点的权值和偏量，使得网络的输出不断地逼近输入，理想状态下可以使得输出等于输入，而神经网络隐含层中的某一层（例如隐含层最中间的那一层）的输出值可以作为已编码数据进行使用。 ​ 自编码器的训练过程是一种对原数据特征的提取，通过不断地训练数据从而得到蕴含原数据主要特征的目标数据，目标数据在维度上是低于原数据的。 自编码神经网络的实现方式一 ​ 建立多层神经网络时，设定多层隐含层的最中间那一层的节点数为
偏标记学习（大杂烩，有点乱）
qq_40819395的博客
02-18 3236
别名：模糊标记学习，超集标记学习。 传统监督学习里面有一个重要概念就是标记，通常叫做监督信息。”而监督信息的质量很大程度上决定着监督学习问题的成败。 强监督 强监督假设能充分标记信息，从而在训练集当中获得充分的标记训练样本 强监督假设通常假设这个标记信息是明确（无歧义），且每个标记对象是唯一的。 弱监督 半监督 多标记 多示例 偏标记 偏标记学习例子 假设现在有一幅油画，请大家判断一下是什幺风格。不同人给出不同答案，这样便可以获得关于这个对象多个侯选标记，但显然在多个标记当中只有一个标记是正确的。
ICLR 2022最佳论文：基于对比消歧的偏标签学习
Paper weekly
08-01 1249
©作者 | 张欣单位 | 香港理工大学研究方向 | 图神经网络、自监督学习论文标题：PiCO: Contrastive Label Disambiguation for Partial Label Learning论文作者：Haobo Wang, Ruixuan Xiao, Yixuan Li, Lei Feng, Gang Niu, Junbo Zhao收录会议：ICL...
偏标记（partial）学习
weixin_40680322的博客
12-25 2331
别名：模糊标记学习，超集标记学习。 定义：每一个事例可能对应多个标记（侯选标记）。其中有且只有一个标记是正式的。 举例 油画风格：不同人有不同看法，但只有一个正确。 核心策略：消歧。 基本策略：对某一个样本的真实标记做某种形式的估计。 最终目标：学习一个多类分类器。 东南大学张敏灵教授：偏标记学习的研究 ...
Partial Label Learning via Gaussian Processes
的博客
01-12 985
摘要 偏标记学习（PL）是一种新的弱监督机器学习框架，它解决了每个训练样本与其实际标签的候选集相关联的问题。由于精确标记的数据通常昂贵且难以在实践中获得，PL可以广泛应用于许多实际任务中。然而，由于训练数据的模糊性不可避免地使这种学习框架难以解决，目前只有少数算法可用。本文利用高斯过程模型，提出了一种新的概率核算法。其主要思想是假设一个不可观测的潜在函数，在每个类别标签的特征空间上具有高斯过程。然后定义一个新的似然函数，对训练数据传递的模糊标记信息进行消歧。通过引入聚合函数来逼近似然函数中的max（·）函
各种监督学习范式（强监督、半监督、多标记、偏标记、多示例、多示例多标记、标记分布...）
佚失的诗篇
09-29 2895
参考 张敏灵.偏标记学习研究综述[J].数据采集与处理,2015,30(01):77-87. 季荣姿. 标记分布学习及其应用[D]. 东南大学. 周志华 张敏灵 MIML：多示例多标记学习 本文介绍监督学习的七种范式 文章目录1. 强监督学习（单示例单标记）2. 半监督学习（单示例部分单标记）3. 多示例学习（多示例单标记）4. 多标记学习（单示例多标记）5. 多示例多标记学习（多示例多标记）6. 偏标记学习（单示例真标记伪标记）7. 标记分布学习（单示例分布标记） 1. 强监督学习（单示例单.
ULTRA_pytorch:无偏学习排序算法（ULTRA）
08-05
无偏学习排序算法（ULTRA） 这是一个无偏学习排名算法 (ULTRA) 工具箱，它提供了一个代码库，用于学习用人工注释或嘈杂标签进行排名的实验和研究。 通过统一的数据处理管道，ULTRA 支持多种无偏学习排序算法、在线学习排序算法、神经学习排序模型，以及使用和模拟噪声标签（例如，点击）的不同方法训练和测试不同的算法/排名模型。 可以在找到用户友好的文档。 开始 创建虚拟环境（可选）： pip install --user virtualenv ~/.local/bin/virtualenv -p python3 ./venv source venv/bin/activate 从源安装 ULTRA： https://github.com/ULTR-Community/ULTRA_pytorch.git cd ULTRA make init 运行玩具示例： bash examp
基于python实现的心电时序多标签分类源码+数据集+操作说明.zip
09-06
【资源说明】 基于python实现的心电时序多标签分类源码+数据集+操作说明.zip 心电时序多标签分类 ## 数据预处理 - 原始数据 心电序列 data/source_data/hf_round2_train/100001.txt ``` I II V1 V2 V3 V4 V5 V6 12 27 14 54 11 6 20 4 13 27 14 54 11 6 20 4 14 28 14 55 12 7 20 4 15 29 14 55 12 8 20 4 16 30 14 56 13 9 20 4 17 30 14 56 13 9 20 4 19 31 15 57 14 10 21 5 20 31 14 57 14 10 21 5 21 32 14 57 14 10 21 5 22 32 13 57 14 10 21 5 23 32 13 57 14 10 21 5 24 33 12 58 15 11 21 6 24 33 11 58 15 11 21 7 24 33 11 58 15 11 21 7 24 33 10 58 15 11 21 8 24 33 10 58 15 11 21 8 ... ``` ![image](data/0.png) ![image](data/1.png) 异常事件标签 data/source_data/hf_round2_arrythmia.txt ``` QRS低电压 电轴右偏 起搏心律 T波改变 电轴左偏 心房颤动 非特异性ST段异常 下壁异常Q波 前间壁R波递增不良 ST段改变 一度房室传导阻滞 左束支传导阻滞 右束支传导阻滞 完全性左束支传导阻滞 左前分支传导阻滞 右心房扩大 短PR间期 左心室高电压 窦性心动过缓 早期复极化 窦性心律 融合波 ST-T改变 非特异性ST段与T波异常 快心室率 非特异性T波异常 室性早搏 房性早搏 窦性心律不齐 完全性右束支传导阻滞 窦性心动过速 不完全性右束支传导阻滞 顺钟向转位 逆钟向转位 ``` - 标签统计筛选 ``` >>> python label_select.py -h usage: label_select.py [-h] [-th THRESHOLD] select label above threshold. optional arguments: -h, --help show this help message and exit -th THRESHOLD, --threshold THRESHOLD Threshold of label select. Default: 0.99 ``` - 数据处理 ``` >>> python data_preprocess.py -h usage: data_preprocess.py [-h] [-t TEST_SIZE] data preprocess of ecg. optional arguments: -h, --help show this help message and exit -t TEST_SIZE, --test TEST_SIZE Test size of data set split. Default: 0.2 ``` ## 训练 ``` >>> python train.py -h usage: train.py [-h] [-b BATCH_SIZE] [-lr LR] [-e EPOCH] train ResNet from ecg data. optional arguments: -h, --help show this help message and exit -b BATCH_SIZE, --batch BATCH_SIZE Batch size of training. Default: 8 -lr LR, --lr LR Lea 【备注】 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能，也可直接用于毕设、课设、作业等。 欢迎下载，沟通交流，互相学习，共同进步！
caai2019.pdf
04-28
清华大学联合工程院发布的AI2019进展报告，从多个方面阐述AI近年来的研究趋势，对于把握大方向有一定的参考意义
深度安全学习DSL特征加权
12-21
DSL通过为训练样本学习特征权重来消除特征之间的依赖关系，从而帮助深度模型摆脱虚假相关性，更加专注于区分特征与标签之间的真正联系。这种方法有助于模型关注到真正决定性的特征，而不是训练数据中可能存在的偶然...
人工智能-机器学习-基于可伸缩立体显示墙的可视计算环境构建.pdf
04-15
【标签】: 人工智能 机器学习 【正文】: 在现代大规模科学计算中，由于涉及多参数、高分辨率和多尺度问题，传统的显示方式往往无法展示这些计算结果的全景。可视计算环境（Visual Computing Environment, VCE）...
基于机器学习的文本分类技术研究进展 (1).pdf
09-24
但是，机器学习算法在文本分类中的应用也面临着一些挑战，如非线性问题、偏斜数据分布、标签瓶颈、层次化分类、算法的可扩展性等问题。 在机器学习算法中，有多种算法可以用于文本分类，如决策树、随机森林、支持...
PiCO调BUG记录：偏标记学习-PiCO: Contrastive Label Disambiguation for Partial Label Learning
最新发布
yscript的博客
10-16 166
PiCO调BUG记录，文章为偏标记学习领域(PiCO: Contrastive Label Disambiguation for Partial Label Learning)
无消歧的偏标记学习（2017）
fan2312的博客
08-24 1180
原文链接：http://aaai.org/ocs/index.php/AAAI/AAAI17/paper/view/14210 研究动机 基于消歧的策略易于被和真值标签在样本候选标签集中同时出现的假阳性标签误导而性能下降，候选集越大，性能下降越多 多分类器分解为二分类器 多分类器集成的最流行机制是使用一对余或一对一分解将学习任务分解 一对余分解：学习任务分解为多个二分类器。对每个二分类器：一...
东南大学计算机学院张敏灵,【CAAI 2019】偏标记学习的研究，东南大学|张敏灵教授...
weixin_39761481的博客
07-02 550
简介：模仿学习研究如何从专家的决策数据中进行学习,以得到接近专家的决策模型。同样学习如何决策的强化学习往往只根据环境的滞后反馈进行学习。与之相比,模仿学习能从决策数据中获得更为直接的反馈。它可以分为行为克隆、基于逆向强化学习的模仿学习两类方法。基于逆向强化学习的模仿学习把模仿学习的过程分解成逆向强化学习和强化学习两个子过程,并反复迭代。逆向强化学习用于推导符合专家决策数据的奖赏函数,而强化学习基于...
sklearn多标签分类准确率
05-10
Sklearn多标签分类准确率是指对以二元组表示的多标签分类问题进行预测时，预测结果正确的百分比。在sklearn中，多标签分类可以使用许多分类算法进行处理，如kNN、SVM、决策树、随机森林等。 多标签分类准确率衡量了一个模型在多标签分类问题上的性能。然而，正如在许多其他机器学习问题上一样，准确率并不总是能够准确地衡量模型的性能。在多标签分类问题中，标签数量可能非常大，每个标签都有可能对应着许多样本。而且，每个样本都有可能属于多个标签。这些标签之间的相关性可能非常高，也可能非常低。因此，与准确率相关的评价指标也可能非常复杂。 针对多标签分类问题，比较通用的评价指标有精确度、召回率、F1-Score等。精确度衡量了在预测为正例的样本中实际为正例的样本所占的比例，而召回率衡量了在实际为正例的样本中被正确预测为正例的样本所占的比例。而F1-Score则是综合了精确度和召回率的指标。 在实际应用中，需要根据具体情况选择合适的评价指标来衡量模型的性能。比如，对于偏斜数据集（即正负样本比例严重失衡的数据集），F1-Score可能更适合用来衡量模型的性能。同时，还需要注意评价指标之间的平衡关系，有些指标可能会平衡精确度和召回率之间的关系，从而更好地评估模型的性能。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值