论文部分内容阅读
为降低多示例学习中噪声示例对分类结果的影响,提出赋予包示例不同的权值,不断更新分类器,调整权值,提高分类精度。在传统的多示例学习中,训练集由若干个包组成,每个包包含若干个示例,包示例标签未知。受获取数据的环境和传输过程等不确定因素的影响,现实世界的数据极易受到噪声的干扰,在多示例学习中,正包中存在正示例,也可能包含负示例噪声,这些噪声会影响分类效果。实验结果表明,该方法具有更好的分类能力。