可能性聚類假設的多模適應學習方法

【摘要】：基于圖的半監督學習憑借其直觀性和良好的學習性能，在機器學習領域吸引了越來越多的關注。然而，通過分析發現，現有基于圖的半監督學習方法存在對噪聲/異常數據的魯棒性不夠好/較敏感的問題，此外，該方法具有較好性能的前提是訓練數據與測試數據為獨立同分布，導致在實際應用中存在一定的局限性。為解決上述問題，在某個再生核Hilbert空間，在充分考慮最小化噪聲/異常數據影響的基礎上，結合不同數據分布特點，基于結構風險最小化模型，提出一種基于可能性聚類假設的多模型適應學習方法。其主要思想為：(1) 通過模糊熵減弱噪聲/異常數據對方法所帶來的負面影響，(2) 綜合考慮訓練數據與測試數據在獨立同分布和在獨立不同分布時進行有效的多模適應學習，弱化訓練數據和測試數據數據的獨立同分布約束條件亦具有較好性能，(3) 給出了算法實現及其收斂性定理。在多個真實視覺數據集上分別進行了大量實驗并進行深入分析，證實了所提方法具有優越的或可比較的魯棒性和泛化性能。