检索结果-南通市图书馆

电子学报 2021年第3期49卷 424-434页

作者：杨艺蒋良孝李超群李宏伟中国地质大学计算机学院湖北武汉430074 智能地学信息处理湖北省重点实验室(中国地质大学) 湖北武汉430074 中国地质大学数学与物理学院湖北武汉430074

在众包学习中,使用标记集成算法得到的集成标记中仍然存在一定程度的标记噪声.本文受三重训练思想的启发,提出了一种基于tri-training的众包标记噪声纠正算法(Tri-Training-based Label Noise Correction,TTLNC).TTLNC首先使用过滤器获... 详细信息

在众包学习中,使用标记集成算法得到的集成标记中仍然存在一定程度的标记噪声.本文受三重训练思想的启发,提出了一种基于tri-training的众包标记噪声纠正算法(Tri-Training-based Label Noise Correction,TTLNC).TTLNC首先使用过滤器获得干净集和噪声集,然后在干净集上进行bagging分别训练三个不同的分类器,并通过这些分类器重新标注噪声集中的实例,同时按照实例分配策略将实例分配给相应的训练集.最后在新训练集上重新训练三个不同的分类器,并用新分类器的分类结果重新标注所有实例.在仿真标准数据和真实众包数据集上的实验结果表明TTLNC比其他四种最先进的噪声纠正算法在噪声比和模型质量两个度量指标上表现更优.

关键词：众包学习三重训练集成标记标记噪声噪声纠正噪声过滤

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

一种基于自训练的众包标记噪声纠正算法

引用

自动化学报 2023年第4期49卷 830-844页

作者：杨艺蒋良孝李超群中国地质大学(武汉)计算机学院武汉430074 智能地学信息处理湖北省重点实验室(中国地质大学(武汉)) 武汉430074 中国地质大学(武汉)数学与物理学院武汉430074

针对众包标记经过标记集成后仍然存在噪声的问题,提出了一种基于自训练的众包标记噪声纠正算法(Selftraining-based label noise correction,STLNC).STLNC整体分为3个阶段:第1阶段利用过滤器将带集成标记的众包数据集分为噪声集和干净集... 详细信息

针对众包标记经过标记集成后仍然存在噪声的问题,提出了一种基于自训练的众包标记噪声纠正算法(Selftraining-based label noise correction,STLNC).STLNC整体分为3个阶段:第1阶段利用过滤器将带集成标记的众包数据集分为噪声集和干净集.第2阶段利用加权密度峰值聚类算法构建数据集中低密度实例指向高密度实例的空间结构关系.第3阶段首先根据发现的空间结构关系设计噪声实例选择策略;然后利用在干净集上训练的集成分类器对选择的噪声实例按照设计的实例纠正策略进行纠正,并将纠正后的实例加入到干净集,再重新训练集成分类器;重复实例选择与纠正过程直到噪声集中所有的实例被纠正;最后用最后一轮训练得到的集成分类器对所有实例进行纠正.在仿真标准数据集和真实众包数据集上的实验结果表明STLNC比其他5种最先进的噪声纠正算法在噪声比和模型质量两个度量指标上表现更优.

关键词：众包学习自训练集成标记标记噪声噪声纠正

来源：

维普期刊数据库博看期刊

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

一种基于预过滤和聚类处理的众包标签噪声纠正方法

引用

计算机应用与软件 2022年第7期39卷 6-12,37页

作者：史伟李超群中国地质大学(武汉)数学与物理学院湖北武汉430074

面向众包标注数据,提出一个新的标签噪声纠正方法MCNC(modified cluster-based noise correction)。利用实例多标签集合的信息进行预过滤,构建过滤器进行二次噪声过滤。在原始数据集上进行聚类学习,对两次过滤中去除的实例进行重新标注... 详细信息

面向众包标注数据,提出一个新的标签噪声纠正方法MCNC(modified cluster-based noise correction)。利用实例多标签集合的信息进行预过滤,构建过滤器进行二次噪声过滤。在原始数据集上进行聚类学习,对两次过滤中去除的实例进行重新标注。在22个数据集上的实验结果表明,MCNC可以有效提升数据集的集成标签质量,从而提高目标分类器的性能。

关键词：众包学习集成标签标签噪声噪声纠正

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于Bayes的有噪训练集去噪方法研究

引用

计算机科学 2008年第9期35卷 213-216页

作者：罗俊杰孙江文王崇骏陈世福南京大学计算机软件新技术国家重点实验室计算机科学与技术系南京210093

利用有噪训练集训练分类器的过程中,去噪是基本的预处理步骤。传统的去噪工作只是简单地删除被标记为噪声的实例。显然,这样处理会清除噪声实例中的有用信息。本文提出一种基于Bayes的去噪方法,不但能辨识出噪声而且能纠正噪声实例的错... 详细信息

利用有噪训练集训练分类器的过程中,去噪是基本的预处理步骤。传统的去噪工作只是简单地删除被标记为噪声的实例。显然,这样处理会清除噪声实例中的有用信息。本文提出一种基于Bayes的去噪方法,不但能辨识出噪声而且能纠正噪声实例的错误类标,从而保证其有效信息不会丢失。

关键词：噪声噪声辨别噪声纠正

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于知识图谱的海量数据错误标签的纠正

基于知识图谱的海量数据错误标签的纠正

引用

作者：刘艺上海交通大学

学位级别：硕士

机器学习算法的性能极大程度地受到训练数据质量的影响。大多数真实世界的分类任务中，不可避免地存在各种各样的标签错误，即类噪声。学术界提出了不少噪声处理算法，这些算法包括利用学习算法本身的健壮性减少噪声的影响、采用噪声过... 详细信息

机器学习算法的性能极大程度地受到训练数据质量的影响。大多数真实世界的分类任务中，不可避免地存在各种各样的标签错误，即类噪声。学术界提出了不少噪声处理算法，这些算法包括利用学习算法本身的健壮性减少噪声的影响、采用噪声过滤策略移除错误数据、以及采用噪声纠正策略恢复正确数据。由于目前存在的噪声处理方法存在一些缺陷，在高噪声水平下性能不稳定，且很难应用于大数据的环境。因此，本文将传统的机器学习模型与最新的知识图谱技术相结合，提出了一种基于知识图谱的噪声纠正算法。并且，将此算法应用于医疗就诊的大数据上，用来纠正数据集中错误的科室标签。实验结果表明，本文提出的噪声纠正算法在基础算法上取得了一定的性能提高;能够有效地纠正数据集中的标签错误，并且提高纠正后数据的分类准确度。研究还显示算法可以在相对高噪声水平情况下工作，而且知识图谱的技术还可以应用在其他需要深度理解的领域。

关键词：知识图谱标签纠正噪声纠正数据质量分类问题

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：