DAP

DAP模型(直接属性预测模型)

DAP可以理解为一个三层模型：第一层是原始输入层，例如一张电子图片（可以用像素的方式进行描述）；第二层是p维特征空间，每一维代表一个特征（例如是否有尾巴、是否有毛等等）；第三层是输出层，输出模型对输出样本的类别判断。在第一层和第二层中间，训练p个分类器，用于对一张图片判断是否符合p维特征空间各个维度所对应的特征；在第二层和第三层间，有一个语料知识库，用于保存p维特征空间和输出y的对应关系。

简单来讲，就是对输入的每一个属性训练一个分类器，然后将训练得出的模型用于属性的预测，测试时，对测试样本的属性进行预测，再从属性向量空间里面找到和测试样本最接近的类别。

直接属性预测方法有固定的类别－属性关系，通过样本与类别间的训练，蕴含了对属性值的训练，从而取得了相关的类别分类器参数。在测试阶段，测试样本的属性值可直接获取，从而可以推知样本所属的类别，这个类别也可以是一种训练阶段未见样本的类别。

可见样本类别y_1,…，y_k和未见样本的目标类别z_1,…，z_l以及它们的属性a_1,…，a_m之间的关系通过一个二值矩阵给出，矩阵中的值a_m^y，a_mz形成的编码表示了对于一个给定的类y或者z，属性a_m对于分类是有效还是无效。这个二值矩阵编码是通过人工有监督地给出的。属性分类器的训练通过那些可见的样本x 和类别标号y进行训练。在测试阶段，图像有效的属性a_m可以通过其后验概率p（a_m｜x）表征，这个值可以通过之前训练的分类器给出；并且这些属性可以与待测试的类别z的后验概率建立起联系. 在识别阶段，同样可利用ｆ(x)来获得最大似然的输出类，这个类别可能来自具有训练样本的y 类别空间，也可能来自未见训练样本的z类别空间。