基于三支决策的标记分布学习方法研究

Label distribution learning (LDL) is a novel learning paradigm for dealing with label ambiguity. Compared to multi-label learning (MLL), LDL has a better generalization performance. The data processed by LDL is a continuous real-valued label distribution space, which requires more on the data representation. Thus, LDL cannot directly deal with MLL data sets with logical annotation labels. In view of that, this project aims at studying LDL methods that can directly process the MLL data sets. To tackle the uncertainty problems in the three stages of data preprocessing, model construction and result transformation, this project focuses on the theory analysis and method proposing of LDL based on three-way decisions theory, including: (1) three-way annotation based label enhancement methods; (2) three-way clustering based local label correlation representation models; (3) three-way granulation based label transformation methods. This project will establish a three-way LDL framework capable of processing MLL data, and propose several three-way LDL algorithms. Through the research of this project, it can provide important technical support for the solutions of MLL problems, and it has important scientific significance to promote the further development of LDL paradigm in the field of uncertainty artificial intelligence.

标记分布学习是一种处理标记多义性的新型学习框架，能够刻画每个标记描述示例的重要程度。和现有的多标记学习框架相比，虽然标记分布学习具有更好的泛化性能和表达能力，但受制于标记分布表示的约束，其难以应用于离散逻辑标注形式的多标记数据。针对于此，本项目以标记分布学习能够直接处理多标记数据为目标，针对数据预处理、模型构建和结果转化三个阶段中存在的不确定性问题，基于三支决策理论展开标记分布学习理论与方法的研究，具体包括：（1）研究基于三支标注的标记增强方法；（2）基于三支聚类的局部样本标记相关性表示方法；（3）基于三支粒化的标记分布转化方法。本项目将建立能够处理多标记数据的三支标记分布学习框架，提出若干三支标记分布学习算法。本项目的研究能够为多标记学习问题的解决提供重要的技术支持，对推动标记分布学习范式在不确定性人工智能领域的进一步发展具有重要的科学意义和实际应用价值。

标记分布学习是一种处理标记多义性的新型学习框架，能够刻画每个标记描述示例的重要程度。和现有的多标记学习框架相比，虽然标记分布学习具有更好的泛化性能和表达能力，但受制于标记分布表示的约束，其难以应用于离散逻辑标注形式的多标记数据。针对于此，本项目以标记分布学习在处理多标记数据过程中存在的不确定性问题，有针对性地基于三支决策理论展开标记分布学习理论与方法的研究，具体包括基于三支决策的学习方法及应用研究，标记增强方法研究和标记分布学习方法及应用研究。本项目的主要研究成果包括：（1）在三支决策学习方面分别设计了三支概念格构建方法和基于样本相关性的三支聚类方法，并将三支决策和前景理论结合应用到无人机态势评估中；（2）在标记增强方面分别设计了基于多视图学习的标记增强方法，基于特权信息的标记增强方法和基于标记相关特征选择的标记增强方法；（3）在标记分布学习方面设计了能够容忍噪音的三支决策标记分布学习算法，设计了考虑标记序关系的标记分布学习算法和基于投影图嵌入的半监督标记分布学习算法。相关研究发表学术论文17篇，其中CCF A/B类会议期刊论文9篇。本项目的研究成果既为标记分布学习解决标记多义性问题提供了可行的技术方法，也拓展了标记分布学习范式在不确定性人工智能领域的研究方向和研究思路。