摘要：在分类器链方法中,如何确定标签学习次序至关重要,为此,提出一种基于关联规则和拓扑序列的分类器链方法 (TSECC).首先结合频繁模式设计了一种基于强关联规则的标签依赖度量策略;接下来通过标签间依赖关系构建有向无环图,对图中所有顶点进行拓扑排序;最后将得到的拓扑序列作为分类器链方法中标签的学习次序,对每个标签的分类器依次迭代更新.特别地,为减少无标签依赖或标签依赖度较低的“孤独”标签对其余标签预测性能的影响,将“孤独”标签排在拓扑序列之外,利用二元关联模型训练.在多种公共多标签数据集上的实验结果表明, TSECC能够有效提升分类性能.

摘要：为解决分类器链中错误信息传递和信息冗余的问题,提出了一种标签选择有序分类器链算法(LS-OCC)。首先通过对标签进行排序形成有序分类器链以减小错误信息在链中的传递,然后通过计算标签间的相关性对标签进行选择,在充分考虑标签间相关性的同时又降低了分类器属性空间的信息冗余。在实验中采用Mulan中的8个多标签基准数据集,相比于分类器链(CC)、有序分类器链(OCC)、贝叶斯链分类器(BCC)等算法,LS-OCC算法在准确率、汉明损失和Macro-F1上都取得了更好的分类效果。

摘要：退化方法是求解多示例多标记学习(MIML)问题常用的求解方式,但是在退化过程中会造成标记之间的关联信息丢失。对该问题进行研究,提出OCC-MIMLSVM+分类算法,将MIMLSVM+算法与有序分类器链(OCC)方法相结合,通过对分类器进行合理组织,将标记之间的关联信息融入至算法的训练过程中,解决信息丢失问题,提高分类准确率。实验结果表明,改进算法取得了比基准多示例多标记算法更好的分类效果。

摘要：为在先验信息不足以及数据动态变化时,从大数据中检测各种概念并提取有用的信息,提出一种局部检测与挖掘算法,构建最佳分类器链。采用多臂赌博机对分类器进行学习,构建的分类器在运行时不需要通过分布式局部分类器中央单元进行任何信息的交换,只需反馈有限的挖掘效果,确保最佳分类器链的学习;无需任何先验信息,学习的后悔值随分类函数个数的增加呈线性增长。数值模拟实验结果表明,与经典相关方法相比,该方法在分类器数量增加时性能更优,收敛速度更快。

摘要：ECC-MIMLSVM^+是多示例多标签学习框架下一种算法,该算法提出了一种基于分类器链的方法,但其没有充分考虑到标签之间的依赖关系,而且当标签数目的增多,子分类器链长度增加,使得误差传播问题凸显.因此针对此问题,提出了一种改进算法,将ECC-MIMLSVM^+算法和标签依赖关系相结合,设计成基于标记依赖关系集成分类器链(ELDCT-MIMLSVM^+)来加强标签间信息联系,避免信息丢失,提高分类的准确率.通过实验将本文算法与其他算法进行了对比,实验结果显示,本文算法取得了良好的效果.