弱监督学习若干问题研究

弱监督学习（Weak Supervised Learning）是模式识别和机器学习领域最近的热点研究问题。本项目以网络数据分类和生物特征图像子空间学习为背景，针对弱监督学习的理论、方法和应用展开研究。理论部分主要分析弱监督信息下聚类假设和流形学习假设的合理性。方法上，一方面研究三种不同类型弱监督信息下的分类、聚类和维数约简算法。另一方面考虑弱监督信息获取的代价，研究弱监督主动学习算法。应用中主要研究弱监督信息下网络数据的聚类和生物特征图像子空间学习问题。这三个部分紧密相连，理论和方法研究对于应用研究提供指导，应用研究为理论和方法研究提供了背景。课题研究不仅能够加深弱监督学习基本理论的认识，对于解决实际中许多具体应用问题也有重要的指导意义。

弱监督学习是近年来模式识别和机器学习领域的一个前沿性课题。课题组人员在广泛阅读国内外参考文献、资料的基础上，对弱监督学习的若干问题有了深入的了解。项目组在弱监督学习的理论、方法和应用三个层面上开展了研究，提出了一系列方法，形成了一系列研究成果。总之，项目达到了既定的研究目标，超额完成了既定的研究内容。.弱监督学习的理论层次上，在弱监督信息下聚类假设和流形学习假设合理性理论分析的基础上，提出了基于负标签的半监督学习框架、基于链接的半监督维数约简框架、基于多秩回归的分类框架，建立了弱监督信息下特征选择的统一框架。这些算法验证了理论分析的有效性。.弱监督学习算法层次上，在上述理论分析的指导下，开展了弱监督信息下的分类、聚类和维数约简的研究。研究了弱监督主动学习问题。开展了如下几个方面的工作：研究了弱监督条件下的多流形聚类方法，基于知识的谱多流形聚类算法、基于知识的线性多流形聚类算法和基于知识的局部和结构一致性的多流形聚类方法；在已有迁移学习研究的基础上，将弱监督学习和迁移学习相结合，提出了基于特征选择、基于稀疏回归、基于图模型和基于稀疏约束的四种弱监督迁移学习算法。最后，在稀疏约束条件下研究弱监督学习问题，提出了基于模式收缩、基于张量和基于universum的三种弱监督学习算法。大大丰富了弱监督学习的内涵。.弱监督学习应用层次上，以网络数据生物图像数据分析为切入点，开展了跨系统网页的推荐问题和生物图像分类问题等一系列实际问题的研究。.在上述研究的基础上，课题组在整个项目执行期间共发表（含录用）学术论文合计18篇，其中SCI检索10篇，EI检索17篇，包括SCI二区杂志5篇，顶级国际会议3篇。资助培养博士研究生3名，硕士研究生5名。