2、机器学习与图像分析：应对数据缺失与艺术照明分析挑战

机器学习与图像分析：应对数据缺失与艺术照明分析挑战

1. 缺失或不完整数据的学习

在实际应用中，数据缺失或不完整是一个常见的问题。造成数据缺失的原因多种多样，在工程应用中可能是传感器故障，在医学调查中可能是故意隐瞒某些信息；在监督学习算法中，可能缺少已解决（有标签）的案例。然而，目前很少有模式识别技术能够直接且高效地处理缺失值，这与人类处理未知数据的高效方式形成鲜明对比。

在模式识别或分类系统中，缺失标签和缺失特征的问题通常分开处理。标签的可用性决定了可以使用的学习算法类型，这导致了监督学习、无监督学习以及最近引入的混合/半监督学习算法的分类。

• 监督学习与无监督学习 ：监督学习算法通常能设计出性能良好且稳健的分类器，但在许多实际应用中，数据标注成本高昂，只能在一定程度上进行。无监督学习虽然能处理大量未标注数据，但构建的分类器性能往往不如监督学习的分类器。因此，混合监督和无监督学习受到了广泛关注。实验结果表明，在未标注样本的支持下，通常可以使用更少的标注数据来构建分类器，而不影响分类性能。如果只有非常有限的标注数据，随机选择标注样本的结果会有很大的可变性，最终分类器的性能更依赖于标注数据样本的可靠性，而不是额外未标注数据的使用。
• 处理缺失特征值的方法 ：处理缺失特征值有很多方法，最常用的方法可以在统计学文献中找到，如多重插补法和期望最大化（EM）算法被认为是最先进的方法。然而，这些修复后的数据集可能不再能很好地代表实际问题，往往导致远非最优的解决方案。

为了解决这些问题，提出了一种不同的统一方法，既可以从有标签和无标签的数据混合中学习，