您尚未登录账户请先登录您的atyun账户，方可使用该功能
您的企业账号申请正在审核中审核通过后即可使用此功能，请耐心等待~
基于核最大均值差异的主动标签分布学习
2023年09月06日 由 samoyed 发表
291
0
标签分布学习（Label Distribution learning，简称LDL）是一种处理标签模糊性的新的学习模式。与传统的监督学习场景相比，使用标签分布进行注释更为昂贵。直接使用现有的主动学习（Active Learning，简称AL）方法，可以降低传统学习中的注释成本，但可能会导致性能下降。
为了解决这些问题，由Tingjin Luo领导的研究团队在《计算机科学前沿》杂志上发表了新的研究成果。
该团队提出了一种新的主动标签分布学习方法，即通过核最大均值差异（Kernel Maximum Mean Discrepancy，简称kMMD）实现的ALDL-kMMD方法。与传统的AL方法相比，该方法通过对真实世界数据集进行广泛实验验证了其有效性，且优于其他方法。
ALDL-kMMD同时捕获数据和标签的结构信息，通过融合非线性模型和边际概率分布匹配，从未标记示例中提取最具代表性的实例。此外，它还显著减少了查询的未标记实例数量，并通过构建辅助变量提出了ALDL-kMMD原始优化问题的有效解决方案。该算法已经通过在真实数据集上的实验证明了其有效性。
未来的工作重点是将提出的主动学习方法应用到深度学习结构中，并设计一种新的深度主动学习方法来降低对标签信息的依赖性。
文章来源：https://techxplore.com/news/2023-09-kernel-maximum-discrepancy.html
欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
广告
广告
写评论取消
回复取消