1.引言
早期关于拓扑发现的研究主要集中于第3层,也就是网络层的拓扑结构,但是随着网桥被广泛用于连接多个局域网段构成桥接局域网(BLAN,Bridge Local Area Network)[1]以便提高网络的可靠性、获得更大的带宽或是提供不同局域网协议之...1.引言
早期关于拓扑发现的研究主要集中于第3层,也就是网络层的拓扑结构,但是随着网桥被广泛用于连接多个局域网段构成桥接局域网(BLAN,Bridge Local Area Network)[1]以便提高网络的可靠性、获得更大的带宽或是提供不同局域网协议之间的互通[7],忽略第2层设备(网桥)之间连接关系的拓扑结构信息显得"粒度"太粗了,桥接局域网的网络管理需求使得网络拓扑结构的自动发现必须向下延伸.展开更多
针对标签特定特征多标签学习算法(multi-label learning with label-specific features,LIFT)未能在聚类以及分类阶段考虑标签相关性问题,提出一种基于标签相关性的标签特定特征多标签学习算法(multi-label learning with label-specifi...针对标签特定特征多标签学习算法(multi-label learning with label-specific features,LIFT)未能在聚类以及分类阶段考虑标签相关性问题,提出一种基于标签相关性的标签特定特征多标签学习算法(multi-label learning with label-specific features via label correlations,LFLC).将标签空间加入特征空间进行聚类构建分类模型,采用考虑标签相关性的聚类集成技术为每个标签构造标签特定特征,使用相关性矩阵构建无向完全图并挖掘图中标签集合相关性,通过树集成表达标签间多种不同结构的强相关性.在试验部分,采用涵盖不同领域的10个数据集,以Hamming Loss、Ranking Loss、One-error、Coverage、Average Precision和macroAUC为评估指标,进行了参数敏感性分析和统计假设检验.结果表明:结合聚类集成与标签间强相关性的LFLC算法较其他对比多标签算法整体上能取得较好的效果.展开更多
文摘1.引言
早期关于拓扑发现的研究主要集中于第3层,也就是网络层的拓扑结构,但是随着网桥被广泛用于连接多个局域网段构成桥接局域网(BLAN,Bridge Local Area Network)[1]以便提高网络的可靠性、获得更大的带宽或是提供不同局域网协议之间的互通[7],忽略第2层设备(网桥)之间连接关系的拓扑结构信息显得"粒度"太粗了,桥接局域网的网络管理需求使得网络拓扑结构的自动发现必须向下延伸.
文摘针对标签特定特征多标签学习算法(multi-label learning with label-specific features,LIFT)未能在聚类以及分类阶段考虑标签相关性问题,提出一种基于标签相关性的标签特定特征多标签学习算法(multi-label learning with label-specific features via label correlations,LFLC).将标签空间加入特征空间进行聚类构建分类模型,采用考虑标签相关性的聚类集成技术为每个标签构造标签特定特征,使用相关性矩阵构建无向完全图并挖掘图中标签集合相关性,通过树集成表达标签间多种不同结构的强相关性.在试验部分,采用涵盖不同领域的10个数据集,以Hamming Loss、Ranking Loss、One-error、Coverage、Average Precision和macroAUC为评估指标,进行了参数敏感性分析和统计假设检验.结果表明:结合聚类集成与标签间强相关性的LFLC算法较其他对比多标签算法整体上能取得较好的效果.
