《機器學(xué)習(xí)中的標(biāo)記增強理論與應(yīng)用研究》由東南大學(xué)計算機科學(xué)與工程學(xué)院助理研究員徐寧撰寫。全書聚焦標(biāo)記端多義性這一當(dāng)今機器學(xué)習(xí)領(lǐng)域的熱點問題，針對學(xué)習(xí)過程中不可避免的信息損失這一突出問題，提出了標(biāo)記增強的概念，以期在不增加額外數(shù)據(jù)標(biāo)注負(fù)擔(dān)的前提下，挖掘訓(xùn)練樣本中蘊含的標(biāo)記重要性差異信息，將邏輯標(biāo)記轉(zhuǎn)化為標(biāo)記分布。
《機器學(xué)習(xí)中的標(biāo)記增強理論與應(yīng)用研究》共六章：
第1章緒論，介紹了全書的研究背景和研究內(nèi)容。
第2章標(biāo)記增強研究進(jìn)展，介紹了標(biāo)記增強的研究進(jìn)展。
第3章標(biāo)記增強理論框架，構(gòu)建了標(biāo)記增強的理論框架。
第4章面向標(biāo)記分布學(xué)習(xí)的標(biāo)記增強，提出了面向標(biāo)記分布學(xué)習(xí)的標(biāo)記增強。
第5章標(biāo)記增強在其他學(xué)習(xí)問題上的應(yīng)用，將標(biāo)記增強應(yīng)用到其他學(xué)習(xí)問題上。
第6章總結(jié)與展望，總結(jié)現(xiàn)有工作，并在此基礎(chǔ)上進(jìn)行展望。
適讀人群 ：研究生、科研人員、從業(yè)者等
◆中國計算機領(lǐng)域具有重要突破或重要創(chuàng)新的博士研究生科研成果
◆2021年度CCF優(yōu)秀博士學(xué)位論文獎
◆構(gòu)建了標(biāo)記增強基礎(chǔ)理論框架
◆提出了面向標(biāo)記分布學(xué)習(xí)的標(biāo)記增強專用算法
◆在其他學(xué)習(xí)范式上應(yīng)用了標(biāo)記增強
標(biāo)記端多義性是當(dāng)今機器學(xué)習(xí)的熱點問題。多標(biāo)記學(xué)習(xí)中，每個樣本都被賦予了一組標(biāo)記子集來表示其多種語義信息。然而，標(biāo)記強度差異現(xiàn)象在多義性機器學(xué)習(xí)任務(wù)中廣泛存在，而既有多標(biāo)記學(xué)習(xí)研究中普遍采用的相關(guān)/無關(guān)兩個子集的邏輯劃分法幾乎完全忽視了這種現(xiàn)象，造成學(xué)習(xí)過程中不可避免的信息損失。針對這一突出問題，有必要用一種稱為標(biāo)記分布的標(biāo)注結(jié)構(gòu)來代替邏輯標(biāo)記對示例的類別信息進(jìn)行描述。標(biāo)記分布通過連續(xù)的描述度來顯式表達(dá)每個標(biāo)記與數(shù)據(jù)對象的關(guān)聯(lián)程度，很自然地解決了標(biāo)記強度差異的問題，而在以標(biāo)記分布標(biāo)注的數(shù)據(jù)集上學(xué)習(xí)的過程就稱為標(biāo)記分布學(xué)習(xí)。由于描述度的標(biāo)注成本更高且常常沒有客觀的量化標(biāo)準(zhǔn)，現(xiàn)實任務(wù)中大量的多義性數(shù)據(jù)仍然是以簡單邏輯標(biāo)記標(biāo)注的，為此本書提出了標(biāo)記增強這一概念。標(biāo)記增強在不增加額外數(shù)據(jù)標(biāo)注負(fù)擔(dān)的前提下，挖掘訓(xùn)練樣本中蘊含的標(biāo)記重要性差異信息，將邏輯標(biāo)記轉(zhuǎn)化為標(biāo)記分布。
徐寧，東南大學(xué)計算機科學(xué)與工程學(xué)院助理研究員。先后獲中國科學(xué)技術(shù)大學(xué)學(xué)士學(xué)位、中國科學(xué)院大學(xué)碩士學(xué)位以及東南大學(xué)博士學(xué)位。主要從事機器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域的研究。在ICML、NeurIPS、IEEE TPAMI、IEEE TKDE等著名國際會議和期刊發(fā)表論文20余篇。獲2021年CCF優(yōu)秀博士學(xué)位論文獎、2020年德國DAAD AInet獎、2021年江蘇省優(yōu)秀博士學(xué)位論文獎。擔(dān)任Frontiers of Computer Science的預(yù)備青年編委，CCF人工智能與模式識別專業(yè)委員會執(zhí)行委員，ICML、NeurIPS、ICLR、AAAI、IJCAI、ECML等著名國際會議的（高級）程序委員會委員，IEEE TPAMI、IEEE TNNLS、IEEE TMM等著名國際期刊的審稿人。
第1章 緒論
1.1 研究背景 1
1.2 標(biāo)記增強簡介 5
1.3 研究內(nèi)容 7
1.4 組織結(jié)構(gòu) 9
第2章 標(biāo)記增強研究進(jìn)展
2.1 引言 11
2.2 多標(biāo)記學(xué)習(xí) 14
2.2.1 學(xué)習(xí)任務(wù) 14
2.2.2 學(xué)習(xí)方法 15
2.2.3 評價指標(biāo) 22
2.3 標(biāo)記分布學(xué)習(xí) 29
2.3.1 學(xué)習(xí)任務(wù) 31
2.3.2 學(xué)習(xí)方法 33
2.3.3 評價指標(biāo) 39
2.4 標(biāo)記增強 40
2.4.1 基于先驗知識的標(biāo)記增強 42
2.4.2 基于模糊方法的標(biāo)記增強 45
2.4.3 基于圖的標(biāo)記增強 48
第3章 標(biāo)記增強理論框架
3.1 引言 52
3.2 標(biāo)記分布內(nèi)在生成機制 54
3.3 標(biāo)記分布質(zhì)量評價 62
3.4 標(biāo)記增強對分類器泛化性能的提升 66
3.5 實驗結(jié)果與分析 68
3.5.1 標(biāo)記分布恢復(fù)實驗 68
3.5.2 消融實驗 80
3.6 本章小結(jié) 85
第4章 面向標(biāo)記分布學(xué)習(xí)的標(biāo)記增強
4.1 引言 86
4.2 GLLE方法 87
4.2.1 優(yōu)化框架 88
4.2.2 拓?fù)淇臻g結(jié)構(gòu)的引入 89
4.2.3 標(biāo)記相關(guān)性的利用 90
4.2.4 優(yōu)化策略 92
4.3 實驗結(jié)果與分析 94
4.3.1 標(biāo)記分布恢復(fù)實驗 94
4.3.2 標(biāo)記分布學(xué)習(xí)實驗 103
4.3.3 標(biāo)記相關(guān)性驗證 107
4.4 本章小結(jié) 109
第5章 標(biāo)記增強在其他學(xué)習(xí)問題上的應(yīng)用
5.1 引言 111
5.2 多標(biāo)記學(xué)習(xí) 112
5.2.1 LEMLL方法 113
5.2.2 實驗結(jié)果與分析 118
5.3 偏標(biāo)記學(xué)習(xí) 126
5.3.1 PLLE方法 128
5.3.2 實驗結(jié)果與分析 132
5.4 本章小結(jié) 149
第6章 總結(jié)與展望
6.1 總結(jié) 151
6.2 下一步研究的方向 153
新書資訊