遗传算法概要

计算机生物模拟开始于本世纪40年代,特别是近代生物理论的发展为计算机生物模拟提供了丰富的素材。早在60年代美国Michigan大学的John Holland对进化理论的一般特性产生极大兴趣,他和他的学生们把已为人们所接受的生物进化思想((1)进化过程是发生在染色体上;(2)适应性好的染色体个体比适应性差的个体有更多的繁殖机会;(3)进化发生在繁殖过程中,变异可产生不同于父代的染色体;(4)生物进化没有记忆,有关个体的信息包含在染色体结构中。)应用于机器学习中,取得成功并命名为遗传算法。     

混合学习系统的模型

符号学习和人工神经网络学习是机器学习的两种不同途径，综合运用这两类学习方法可以增强学习系统的能力。本文分析了主要的几种混合学习策略，并介绍了混合型学习系统ＨＬＳＤ中采用的集成方法。     

示例学习的扩张矩阵理论

本文提出示例学习的一种计算理论,扩张矩阵论.根据这个理论,示例学习中一些主要最优化问题被证明是NP难题,并给出这些难题的近似解法及下界的估计.     

第9届国际机器学习和数据挖掘会议(英文)

The aim of the conference is to bring together researchers from all over the world who deal with machine learningand data mining in order to discuss the recent status of the research and to direct further developments.Basic re-search papers as well as application papers are welcome.     

第14届中国机器学习会议

第14届中国机器学习会议(CCML2013)由中国人工智能学会和中国计算机学会联合主办,中国人工智能学会机器学习专业委员会和中国计算机学会人工智能与模式识别专业委员会协办,昆明理工大学承办,云南农业大学、云南大学、云南师范大学、云南民族大学、云南财经大学、昆明学院联合承办.该系列会议每两年举行一次,现已成为国内机器学习界最主要的学术活动.根据中国人工智能学会要求,该会议从2011年起改为每逢奇数年举     

蜂窝网络中D2D通信资源分配方法综述

随着第五代(the fifth generation,5G)移动通信系统商用进程的推进,设备到设备(device-to-device,D2D)通信越发受到人们的关注.频率、功率等资源分配作为优化D2D通信的关键技术成为重要的研究课题,因此对蜂窝网络中D2 D通信资源分配研究进行综述.首先介绍D2 D通信模型和模式;其次从数学理论角度出发,分析蜂窝网络中D2 D通信资源分配的主要方法:基于图论、超图理论、博弈论、机器学习和启发式算法等,对这些算法进行对比分析;最后总结上述D2 D资源分配方法存在的主要不足,并对蜂窝网络中D2 D通信的未来发展进行展望.     

差分隐私保护及其应用

数据发布与数据挖掘中的隐私保护问题是目前信息安全领域的一个研究热点.作为一种严格的和可证明的隐私定义,差分隐私近年来受到了极大关注并被广泛研究.文中分析了差分隐私保护模型相对于传统安全模型的优势,对差分隐私基础理论及其在数据发布与数据挖掘中的应用研究进行综述.在数据发布方面,介绍了各种交互式和非交互式的差分隐私保护发布方法,并着重从精确度和样本复杂度的角度对这些方法进行了比较.在数据挖掘方面,阐述了差分隐私保护数据挖掘算法在接口模式和完全访问模式下的实现方式,并对这些算法的执行性能进行了分析.最后,介绍了差分隐私保护在其它领域的应用,并展望未来的研究方向.     

基于类属属性的多标记学习算法

在多标记学习框架中,每个对象由一个示例(属性向量)描述,却同时具有多个类别标记.在已有的多标记学习算法中,一种常用的策略是将相同的属性集合应用于所有类别标记的预测中.然而,该策略并不一定是最优选择,原因在于每个标记可能具有其自身独有的特征.基于这个假设,目前已经出现了基于标记的类属属性进行建模的多标记学习算法LIFT.LIFT包含两个步骤:属属性构建与分类模型训练.LIFT首先通过在标记的正类与负类示例上进行聚类分析,构建该标记的类属属性;然后,使用每个标记的类属属性训练对应的二类分类模型.在保留LIFT分类模型训练方法的同时,考察了另外3种多标记类属属性构造机制,从而实现LIFT算法的3种变体——LIFT-MDDM,LIFT-INSDIF以及LIFT-MLF.在12个数据集上进行了两组实验,验证了类属属性对多标记学习系统性能的影响以及LIFT采用的类属属性构造方法的有效性.     

大数据的未来

<正>大数据应用所带来的价值已经让我们为之兴奋,不过,这并不是大数据应用所爆发出来的最大能量。事实上,目前我们所看到的大数据应用,更多的是对历史数据和一些消费者行为数据进行分析,这样固然能够帮助企业在管理、运营以及营销方面得到提升,但大数据应用的更大价值,并没有得到完全的体现。