论文部分内容阅读
解决偏标记问题的基本策略是消歧，现有的消歧策略大都分别对每个示例单独进行消歧，并未充分利用示例之间的相关性．基于此原因，文中提出一致性偏标记学习算法（COPAL）．该算法基于一个基本假设：相似示例的标记也应该有相关性．基于该假设，COPAL在消歧过程中同时考虑样本自身及其近邻样本的标记信息．实验表明，在人工合成的UCI数据集和真实数据集上，COPAL均取得较好的泛化性能．