.png){kind=icon}
返回
Distributed Partial Label Learning for Missing Data Classification
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14091770.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分布式学习（DL），即在一个互连网络中的多个节点利用其本地数据和通过相邻节点传递的部分信息协同诱导一个预测模型，近年来已引起显著的研究兴趣。然而，当训练数据实例具有不完整的特征和模糊的标签时，要实现卓越的性能具有挑战性。在这种情况下，开发一种有效的方法来联合执行缺失特征插补和可信标签恢复任务至关重要。鉴于此，本文提出了一种分布式部分标签缺失数据分类（dPMDC）算法。在所提出的算法中，构建了一个综合框架，该框架同时考虑了生成式学习和判别式学习的思想。首先，通过利用模糊标签的弱监督信息，设计了一种分布式概率信息论插补方法，以分布式地填充缺失特征。其次，基于插补后的特征向量，可以学习由卡方（2）核函数的随机特征映射所建模的分类器。dPMDC算法由两个迭代步骤构成，可用于处理具有部分缺失特征和模糊标签的分散式、分布式数据。在多个数据集上的实验表明，所建议的算法从多个角度来看具有优越性。
Keyword:
distributed processing
partial label classification
missing data classification
random feature map of chi(2) kernel
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
暂无机构信息
引用论文
Effective Handling of Missing Values in Datasets for Classification Using Machine Learning Methods.png)
InformationOAAI
InformationIF0
OAAI分享收藏Distributed Multi-kernel Learning Based on Gaussian Mixture Model with Missing Data基于高斯混合模型和缺失数据的分布式多核学习
PREAI
分享收藏
查看更多内容