增量式半监督学习的研究

随着互联网数字化技术的飞速发展，各类数字信息越来越多，使用监督方法，需要足够的标记样本训练分类器，而采用人工手法进行全部标记变得十分困难，常面临小样本数据集问题。同时大量多媒体数据的出现导致数据维数不断增加，为了有效解决高维数据有监督问题，所需训练样本数是应指数增长，此时小样本集问题显得尤为突出。目前解决这一问题的有效途径之一是半监督学习方法，即同时使用有标记和无标记样本训练分类器。目前半监督方法的研究侧重于用批处理方法离线下使用中小规模未标记样本，然而在实际应用中，存在大规模和在线未标记信息。本项目提出增量式半监督学习方法，基于少量原始有标记样本的前提下，研究如何有效利用大规模和在线得到的未标记样本，并充分利用人工交互后反馈得到的新确定性信息累进式训练分类器，提高分类器的鉴别性能和泛化能力。同时，本项目还研究使用增量式半监督方法处理高维数据和任务过程中出现的新类问题。