论文部分内容阅读
[!--newstext--]
[!--title--]
【摘 要】
：
当前互联网中存在着大量包含多种语义信息的对象,传统的的单标记学习框架已经难以有效的去处理这些多义性对象,多标记学习框架则可以很好的处理这些多义性对象因而吸引了诸多研究者的关注,在多标记学习中,分类问题是当前研究者探讨的热点话题。不同于单标记分类,多标记分类问题的输出空间对应的是多个标记,同时标记之间可能也存在一些隐含的相关关系,如果能充分利用好标记之间的相关性,对于提升算法的分类性能将会有很大帮助
【机 构】
：
安徽工业大学
【出 处】
：
安徽工业大学
【发表日期】
：
2021年01期
其他文献
随着云计算和人工智能技术的不断发展,数据中心网络发挥越来越重要的作用,为各种类型应用提供服务与支撑。对比广域网,数据中心网络对不同应用流的要求更高,如以网页搜索服务为代表的流,大部分是延迟敏感的小流,以数据复制为代表的流,大部分是面向吞吐量的大流。当前,在流的信息先验不可知情况下,如何实现低延迟、高带宽、流突发容忍的网络性能是数据中心网络的研究难点之一。现有国内外主要技术是利用多级反馈队列来模拟短