Indexed by：
Abstract：
在多示例学习(MIL)中,包是含有多个示例的集合,训练样本只给出包的标记,而没有给出单个示例的标记.提出一种基于示例标记强度的MIL方法(mI-MIL),其允许示例标记强度为任何实数.考虑到基于梯度训练神经网络方法的计算复杂性和ILI-MIL目标函数的复杂性,利用基于化学反应优化的高阶神经网络来实现ILI-MIL,学习方法具有较强的非线性表达能力和较高的计算效率.实验结果表明,该算法比已有算法具有更加有效的分类能力,且适应范围更广.
Keyword：
Reprint Author's Address：
Email：
Source ：
计算机科学
ISSN： 1002-137X
Year： 2017
Issue： 3
Volume： 44
Page： 264-267,287
Cited Count：
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count： 1
Chinese Cited Count：
30 Days PV： 0
Affiliated Colleges：
