公开(公告)号：CN105469118B

公开(公告)日：2018-07-20

申请号：CN201510884354.1

申请日：2015-12-04

Applicant: 浙江鸿程计算机系统有限公司

Inventor： 吴勇 ,  季海琦 ,  陈岭 ,  涂鼎

IPC: G06K9/62

Abstract: 本发明涉及基于核函数的融合主动学习和非参半监督聚类的稀有类别检测方法，本发明针对传统稀有类别检测方法中对已标记数据点利用不充分和需要预先指定类别相关信息的问题，提出了一种基于核函数的融合主动学习和非参半监督聚类的稀有类别检测方法，通过使用非参半监督聚类的方法利用少量标注数据和大量未标注数据来优化数据分布模型，并结合主动学习选择出在所有未标记数据点中最具代表性的异常点提交给专家进行标注，从而减少了稀有类别检测过程中人工标注的工作量，提高了稀有类别检测过程的效率，并且解决了在非线性情况下的稀有类别发现问题。

公开(公告)号：CN105469118A

公开(公告)日：2016-04-06

申请号：CN201510884354.1

申请日：2015-12-04

Applicant: 浙江鸿程计算机系统有限公司

Inventor： 吴勇 ,  季海琦 ,  陈岭 ,  涂鼎

IPC: G06K9/62

CPC classification number: G06K9/6218 ,  G06K9/6276

Abstract: 本发明涉及基于核函数的融合主动学习和非参半监督聚类的稀有类别检测方法，本发明针对传统稀有类别检测方法中对已标记数据点利用不充分和需要预先指定类别相关信息的问题，提出了一种基于核函数的融合主动学习和非参半监督聚类的稀有类别检测方法，通过使用非参半监督聚类的方法利用少量标注数据和大量未标注数据来优化数据分布模型，并结合主动学习选择出在所有未标记数据点中最具代表性的异常点提交给专家进行标注，从而减少了稀有类别检测过程中人工标注的工作量，提高了稀有类别检测过程的效率，并且解决了在非线性情况下的稀有类别发现问题。