[发明专利]一种基于非对称条件依赖的多标签主动学习方法

说明书

技术领域

本发明涉及多标签主动学习技术领域，特别是涉及一种基于非对称条件依赖的多标签主动学习方法。

背景技术

随着计算机的快速发展，多标签图像分类的研究已经成为相关领域研究的热点，在学术界和企业界受到越来越多的关注。多标签主动学习方法的作用是处理多标签图像的分类问题，即通过学习得到一个分类器，该分类器能够根据图像的内容为图像分配多个相关的标签。

目前，多标签主动学习领域的研究的主流是针对基于“样本-标签对”的多标签主动学习方法的研究。因为相比较基于“样本”的多标签主动学习方法，基于“样本-标签对”的多标签主动学习方法不仅能更大程度上提升主动学习效率，降低训练集空间的样本冗余，也能最大程度上降低人工标记的代价，因此基于“样本-标签对”的多标签主动学习方法逐渐成为研究的热点之一。

训练样本中标签间依赖关系在很大程度上影响着多标签主动学习的采样策略，进而影响主动学习结果。目前，关于标签间依赖关系的研究大致可以分成两类：条件依赖关系和非条件依赖关系。所有的依赖关系都是用于标识标签间是否存在关系，以及存在这种关系的相关程度。然而，在现实生活中，标签间的依赖关系往往不是仅仅的相关或者不相关关系，一种比较常见的标签关系有从属关系或树状关系。由此可见，标签间的依赖关系往往具有不对称性，而不仅仅是所谓的相关关系或不相关关系。

因此，如何挖掘这种非对称的条件依赖关系，以及将其用于指导主动学习过程，是一个十分值得研究的问题。

发明内容

本发明的目的是提供一种基于非对称条件依赖的多标签主动学习方法，用于利用标签间的非对称条件依赖关系指导半监督主动学习的采样过程。

为解决上述技术问题，本发明提供一种基于非对称条件依赖的多标签主动学习方法，包括：

获取原始样本对应的标签集合，计算所述标签集合中各标签与其余标签的非对称条件依赖关系以得到所述标签集合对应的非对称条件依赖矩阵；

对所述非对称条件依赖矩阵归一化处理得到对应的权重矩阵；

通过所述权重矩阵上的各元素计算各样本-标签对的信息量；

筛选出信息量最大的样本-标签对作为预先建立的半监督主动学习模型的输入对象，并进行主动学习。

优选地，所述计算所述标签集合中各标签与其余标签的非对称条件依赖关系以得到所述标签集合对应的非对称条件依赖矩阵具体包括：

在所述标签集合中按照预处理规则筛选出存在依赖关系的各对标签；

分别为各对标签构建多个基于概率分布的二类分类器模型；

在所述标签集合上进行k次交叉验证，分别获取各所述二类分类器模型与对应的标签的k次平均分类准确率；

按照T-检验计算各标签得到的所述k次分均分类准确率的T-检验值以作为所述依赖结果将各所述依赖结果组成所述非对称条件依赖矩阵。

优选地，所述二类分类器模型的数量为四个。

优选地，所述权重矩阵具体通过计算所述非对称条件依赖矩阵中各标签与其余标签的影响权重得到；

其中，任意标签与自身标签的影响权重为1。

优选地，所述信息量具体通过所述权重矩阵上的交叉标签的不确定性得到。

本发明所提供的基于非对称条件依赖标签集的多标签主动学习方法，首先挖掘出弱标记条件下的各标签与其余标签的非对称条件依赖关系以得到非对称条件依赖矩阵，并在非对称条件依赖标签集的基础上，计算各样本-标签对的信息量，最后筛选出信息量最大的样本-标签对作为半监督主动学习模型的输入对象。通过实验表明，利用非对称条件依赖标签集进行主动学习的方法相对于其他弱标记条件下挖掘标签间关系的方法具有良好的泛化性能。

附图说明

为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于非对称条件依赖的多标签主动学习方法的流程图；

图2为本发明实施例提供的一种标签间的层次标签关系的示意图；

图3为本发明实施例提供的另一种标签间的层次标签关系的示意图；

图4为本发明实施例提供的一种标签间的从属标签关系的示意图；

图5为本发明实施例提供的一种弱标记条件下的各对标签的非对称条件依赖关系的挖掘示意图；

图6为本发明实施提供的一种先验标签集的示意图；