用户名: 密码:    忘记密码   注册   在线充值
一种安全的半监督学习方法  
 【申请号】  CN201310315501.4  【申请日】  2013-07-24
 【公开号】  CN103390171A  【公开日】  2013-11-13
 【申请人】  南京大学  【地址】  210093 江苏省南京市鼓楼区汉口路22号
 【共同申请人】  
 【发明人】  周志华;李宇峰
 【国际申请】    【国际公布】  
 【进入国家日期】  
 【专利代理机构】  南京苏高专利商标事务所(普通合伙) 32204  【代理人】  李玉平
 【分案原申请号】  
 【国省代码】  32
 【摘要】  本发明公开一种安全的半监督学习方法,包括构建多个半监督分类器步骤和构建最终安全半监督分类器步骤;首先对于给定训练数据集构建多个差异性大的半监督分类器;然后通过最坏情况下最大化性能提高来构建最终安全半监督分类器。本发明的方法在实施过程中很少导致性能下降,与此同时取得了与现有经典技术高度可比的性能。
 【主权项】  ?一种安全的半监督学习方法,其特征在于,包括构建多个半监督分类器步骤和构建最终的安全半监督分类器步骤;所述构建多个半监督分类器步骤具体为:步骤100,对于少量有标记数据和大量未标记数据,随机初始化多个半监督分类器;步骤101,对于每个初始半监督分类器,根据半监督分类器的目标函数,通过优化方法对半监督分类器的预测结果进行优化;步骤102,将优化过的半监督分类器的预测结果通过机器学习的聚类方法分成多个簇;步骤103,对于聚类结果的每个簇,输出其中目标值最优的半监督分类器;步骤104,收集每个簇输出的半监督分类器,得到多个半监督分类器;所述构建最终的安全半监督分类器步骤具体为:步骤200,对少量有标记数据训练监督学习方法,得到未标记数据上的预测结果;步骤201,假定步骤104构建的每个半监督分类器为真实分类器,根据监督学习方法的预测结果,对任意未标记数据上的预测结果定义性能提高函数;步骤202,对任意未标记数据上的预测结果,对步骤201得到的多个性能提高函数,考察最小的性能提高定义为最坏情况下的性能提高函数;步骤203,根据最坏情况下的性能提高目标函数,通过优化方法对未标记数据的预测结果进行优化,使其最大化最坏情况下的性能提高目标函数;步骤204,将优化结果输出,作为最终的安全半监督分类器的预测结果。
 【页数】  7
 【主分类号】  G06K9/62
 【专利分类号】  G06K9/62
   推荐下载阅读CAJ格式全文 查询法律状态
(不支持迅雷等加速下载工具,请取消加速工具后下载。)

 


专利产出状态分析  
本领域科技成果与标准  
发明人发表文献
申请机构(个人)发表文献
本专利研制背景
本专利应用动态
所涉核心技术研究动态
京 ICP 证 040431 号 网络出版服务许可证 (总)网出证(京)字第 271 号经营性网站备案信息 京公网安备 11010802020460 号
© 2010-2017 中国知网(CNKI) 《中国学术期刊(光盘版)》电子杂志社有限公司 KDN 平台基础技术由 KBASE 11.0 提供
服务热线:400-810-9888 订卡热线:800-810-6613
在线咨询:http://help.cnki.net 客服中心:http://service.cnki.net 电子邮件:help@cnki.net
可信网站 诚信网站