山东大学学报(理学版)

作者：杨梅,邓雯,张本文,闵帆

单位：1. 西南石油大学计算机科学学院, 四川 成都 610500；2. 四川民族学院理工学院, 四川 康定 626001；3. 西南石油大学人工智能研究院, 四川 成都 610500；4. 西南石油大学机器学习研究中心, 四川 成都 610500

关键词：关联性挖掘,关联性强化,嵌入方法,实例选择,多示例学习,

基金：国家自然科学基金资助项目(62006200);四川省自然科学基金资助项目(2019YJ0314);中央引导地方科技发展专项项目(2021ZYD0003);浙江省海洋大数据挖掘与应用重点实验室开放课题(OBDMA202102)

提出了多示例嵌入学习(multi-instance learning, MIL)的实例关联性挖掘与强化算法(multi-instance embedding learning with instance affinity mining and reinforcement, MEMR), 包括3个技术。关联性挖掘技术基于自定义的关联性指标, 首先在负实例空间中选择初始负代表实例集, 然后根据正、负实例间的差异性, 选择初始正代表实例集。关联性强化技术分别评估初始正、负代表实例集与整个实例空间的正负关联性, 获得整体关联性更强的代表实例集。包嵌入技术通过嵌入函数将包转换为单向量进行学习。实验在4类应用领域和7种对比算法上进行。结果表明, MEMR的准确性总体优于其他对比算法, 特别是在图像检索和网页推荐数据集上具有显著优势。

来源：2024年第1期

《山东大学学报(理学版)》期刊编辑部

查看山东大学学报(理学版)杂志2024年第1期