面向时序事件的从特殊到一般学习及其在视频事件定义学习中的应用
人工智能
2011-06-24 v1 机器学习
摘要
我们开发、分析并评估了一种新颖的、有监督的、从特殊到一般的学习器，用于一种简单的时序逻辑，并利用所得算法从视频序列中学习视觉事件定义。首先，我们引入一种简单、命题式、时序的事件描述语言 AMA，它既有足够的表达能力来表示许多事件，又有足够的限制性以支持学习。然后，我们给出针对 AMA 公式的包含问题和泛化问题的算法，以及复杂度的下界和上界。我们提出了一种仅基于正例的、从特殊到一般的学习方法，该方法基于这些算法。我们还提出了一种可在多项式时间内计算的“语法”包含测试，它蕴含语义包含但并不等价。基于语法包含的泛化算法可代替语义泛化，以改善最终学习算法的渐近复杂度。最后，我们将此算法应用于从视频中学习关系事件定义的任务，并证明它产生的定义可与手工编码的定义相媲美。
引用
@article{arxiv.1106.4572,
title = {Specific-to-General Learning for Temporal Events with Application to Learning Event Definitions from Video},
author = {A. Fern and R. Givan and J. M. Siskind},
journal= {arXiv preprint arXiv:1106.4572},
year = {2011}
}