《表1 示例特征重要度表示》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于多示例学习的局部离群点改进算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

现实世界中的对象是具有多义性和复杂性的，一个对象中可能存在多种类型的内在属性和特征，传统的局部离群点检测算法往往忽略了这一点[15]。目前，针对多示例学习的算法已经提出很多[16]。然而，现有的多示例学习算法，要么是基于给定的多示例包集合上的学习[17]，要么是采用MIL框架进行学习[18]，忽略数据内部的分布特征，对象所包含的信息在提取示例包的过程中造成一定的丢失[19]，要么是将多示例问题转为单示例问题的过程中，并没有考察对结果影响较大的示例，分析原因或者动态调整其权重[20]等等。针对不同的示例特征对于所属对象的重要程度，如表1所示，{F1，F2，?，Fm}表示数据集中所有可能的示例特征的集合；{Bag1，Bag2，?，Bag}n表示所有的多示例包集合；Wmn表示特征Fm在多示例包Bagn中的重要程度，Wmn越大则表示特征示例在多示例包中的重要程度越大，Wmn为零则表示对应多示包中的示例不包含特征Fl。