Learnability of multi-instance multi-label learning

Multi-instance multi-label learning(MIML) is a new machine learning framework where one data object is described by multiple instances and associated with multiple class labels.During the past few years,many MIML algorithms have been developed and many applications have been described.However,there lacks theoretical exploration to the learnability of MIML.In this paper,through proving a generalization bound for multi-instance single-label learner and viewing MIML as a number of multi-instance single-label learning subtasks with the correlation among the labels,we show that the MIML hypothesis class constructed from a multi-instance single-label hypothesis class is PAC-learnable.     

统计可学习理论的几个问题

证明了如果函数族F具有UCEM性质,那么F是完全有界的。此外如果F关于概率族P是PAC可学习的或具有UCEM性质,则F关于P的闭包也具有同样的性质。构造了一个非多项式可学习的例子,说明了PAC可学习的概念族可以有任意的复杂性。最后讨论了概念族C关于概率族P及其凸包C(P)的可学习性,并纠正了文[1]的一点错误。     

基于约束聚类的一种概念学习方法

首先定义了字符属性例子空间中合取规则的可学习性，通过将正例集合划分为多个子集，其中每个子集在全体反例集合上均是合取规则可学习的，并建立了命题规则的一般学习模型．然后，提出了三种正例集合的自动聚类和划分方法：相似性度量、差异度量和规则长度等，并设计了一种快速的合取规则学习方法．同时，基于最小覆盖率和最小错误率给出了一种克服过学习问题的后处理方法．最后，针对一组典型的学习问题进行了实验计算，并与已有算法进行了对比分析。