集成多標簽學習方法

目錄

第1章緒論

1.1背景及意義

1.2多標簽學習研究現狀

1.2.1傳統多標簽學習方法

1.2.2深度多標簽學習方法

1.3多標簽學習評估標準

1.4多標簽學習面臨的挑戰

1.5本章小結

第2章集成多標簽學習相關理論

2.1集成學習相關理論

2.1.1偏差方差分解

2.1.2統計、計算和表示

2.1.3多樣性

2.2集成學習研究現狀

2.2.1傳統集成學習

2.2.2深度集成學習

2.3需要考慮的兩個問題

2.4集成多標簽學習方法

2.5本書組織結構

第3章基於加權堆疊選擇集成的傳統多標簽學習

3.1引言

3.2問題描述

3.3MLWSE算法設計

3.3.1加權的堆疊集成

3.3.2基於稀疏正則的分類器選擇

3.3.3標簽依賴關系的建模

3.3.4多標簽的預測

3.4MLWSE算法優化

3.4.1MLWSEL1優化

3.4.2MLWSEL21優化

3.5實驗結果與分析

3.5.12D模擬實驗

3.5.2Benchmark基準實驗

3.5.3Realworld數據實驗

3.5.4Friedman檢驗分析

3.5.5參數敏感性分析

3.5.6收斂性分析

3.6本章小結

第4章基於流形子空間集成的不完全多標簽學習

4.1引言

4.2問題描述

4.3BDMCEMR算法描述

4.3.1聯合的共嵌入學習

4.3.2共享的標簽嵌入

4.3.3集成的流形正則嵌入

4.3.4雙向矩陣補全

4.4BDMCEMR相關理論分析

4.5BDMCEMR算法優化

4.6實驗結果與分析

4.6.12D模擬實驗

4.6.2直推式不完全多標簽學習

4.6.3歸納式不完全多標簽學習

4.6.4Friedman檢驗分析

4.6.5參數敏感性分析

4.6.6時間復雜度分析

4.7本章小結

第5章基於不同表徵網絡集成的極端多標簽學習

5.1引言 

5.2問題描述

5.3HybridRCNN框架

5.3.1空間語義信息表徵

5.3.2時序語義信息表徵

5.3.3自適應權重集成預測

5.4改進的MultiVTransformer框架

5.4.1多視圖註意力Transformer表徵

5.4.2極端多標簽聚類學習

5.4.3約簡的標簽集嵌入學習

5.4.4集成的MultiVTransformer預測

5.5中間量級多標簽文本實驗分析

5.5.1實驗設置

5.5.2CNNRNN集成結構比較

5.5.3註意力機制網絡結構比較

5.5.4HybridRCNN消融分析

5.5.5HybridRCNN可視化分析

5.5.6HybridRCNN時間復雜度比較

5.6極端量級多標簽文本實驗分析

5.6.1實驗設置

5.6.2極端多標簽實驗比較

5.6.3MultiVTransformer集成消融分析

5.6.4MultiVTransformer聚類學習分析

5.7本章小結

第6章基於自蒸餾集成網絡的長尾多標簽學習

6.1引言

6.2問題描述

6.3監督的OLSD自蒸餾集成框架

6.3.1特徵一致性表徵學習

6.3.2平衡自蒸餾向導知識遷移

6.3.3傾向尾類多數的Mixup增強

6.3.4相關理論分析

6.4改進的自監督DSSED表徵蒸餾集成框架

6.4.1Mixup對比表徵學習

6.4.2最大化互信息表徵蒸餾

6.4.3logits補償多標簽分類器學習

6.4.4相關理論分析

6.5監督OLSD實驗結果與分析

6.5.1實驗設置

6.5.2單標簽長尾數據實驗分析

6.5.3多標簽長尾數據實驗分析

6.6自監督DSSED實驗結果與分析

6.6.1自監督DSSED表徵性能實驗分析

6.6.2下游Manyshot和Fewshot任務實驗分析

6.6.3下游長尾可視化識別任務實驗分析

6.6.4下游目標檢測及語義分割任務實驗分析

6.7本章小結

第7章基於多模態知識集成的開放詞多標簽學習

7.1引言

7.2問題描述

7.3多模態知識集成的開放詞多標簽學習框架

7.3.1多標簽知識蒸餾

7.3.2多模態原型對比表徵蒸餾模塊

7.3.3多模態交叉圖像結構對比蒸餾模塊

7.3.4動態的多標簽原型校正

7.4實驗結果與分析

7.4.1實驗設置

7.4.2與蒸餾方法實驗比較

7.4.3與非蒸餾方法實驗比較

7.4.4可視化註意力圖

7.4.5原型校正可視化分析

7.5本章小結

第8章總結和展望

8.1本書總結

8.2本書展望

參考文獻