非结构化数据的多粒度集成分类方法

深度学习模型已经在文本和图像等分类任务上取得了不错的效果，然而深度学习模型很难为分类结果提供可解释性。本文提出一种非结构化数据的多粒度集成分类方法，与其他学习方法相比，多粒度集成分类方法能够保留数据的上下文信息。在多粒度集成分类方法中，数据被划分成不同的粒度，用于训练不同的基学习器，这些学习结果为集成模型最后的分类提供了可解释性。基学习器根据它们在验证集上的精度被赋予不同的权重，从而构造出一个较好的集成学习器。在实验中，本文验证了所提出模型在3种非结构化数据类型（文本、医学图像和时间序列）上的有效性。实验结果表明， 本文的模型比现有的基准方法简单，具有较好的分类精度，并且能够为数据的分类提供可解释性。