信息工程学院

讲座时间：2022年3月9日13时30分

讲座地点：工B315

讲座对象：信息工程学院教师及数字科学与大数据技术研究中心成员

讲座摘要：

在多标记学习与分类中，现有邻域粗糙集特征选择算法若将样本的分类间隔作为邻域半径，则会出现分类间隔过大导致分类无意义、样本距离过大容易造成异类样本和同类样本失效，以及无法处理弱标记数据等情况。解决这些问题，可通过以下步骤。

首先，引入异类样本数和同类样本数来改进分类间隔，在此基础上定义邻域半径，构造新的邻域近似精度与多标记邻域粗糙集模型，并有效度量边界域引起的集合不确定性。其次，利用迭代更新权重公式填补大部分缺失标记信息，将邻域近似精度与互信息相结合，以构造新的标记相关性，填补剩余的缺失标记信息。然后，使用异类样本数和同类样本数，以构造新的标记权重和特征权重计算公式，进而提出多标记Relief模型，并将其应用于多标记特征选择。最后，结合多标记邻域粗糙集模型和多标记Relief算法，设计一种新的弱标记特征选择算法，以处理带有缺失标记的高维数据，并有效地提升多标记分类性能。