基于似然损失函数的组样本排序学习方法*

组样本用于模型训练,为排序学习方法的构造提供一种新的思路.文中改进已有的组样本排序学习方法,构造组样本损失函数,用于排序学习模型的训练.基于似然损失函数,采用样本偏序权重损失函数和最优初始序列选择方法,构造基于神经网络的组排序学习方法,实验证明文中方法能够有效提高排序准确率.     

一种基于视觉特征组合构造的零样本学习方法

零样本学习是机器学习和图像识别领域重要的研究热点.零样本学习方法通常利用未见类与可见类之间的类别语义信息,将从可见类样本学习到的知识转移到未见类,实现对未见类样本的分类识别.提出了一种基于视觉特征组合构造的零样本学习方法,采用特征组合的方式构造产生大量未见类样例特征,将零样本学习问题转化为标准的监督学习分类问题.该方法模拟了人类的联想认知过程,其主要包括4步：特征-属性关系提取、样例构造、样例过滤、特征域适应.在可见类样本上抽取类别属性与特征维度的对应关系;利用特征-属性关系,通过视觉特征的组合构造的方式,产生未见类样例;引入非相似表示,过滤掉不合理的未见类样例;提出半监督特征域适应和无监督特征域适应,实现未见类样例的线性转换,产生更有效的未见类样例.在3个基准数据集（AwA,AwA2和SUN）上的实验结果显示,该方法效能优越,在数据集AwA上获得了当前最优的Top-1分类正确率82.6%.实验结果证明了该方法的有效性和先进性.     

面向草图检索的小样本增量有偏学习算法

为了解决草图检索相关反馈中小样本训练、数据不对称及实时性要求这3个难点问题,提出了一种小样本增量有偏学习算法.该算法将主动式学习、有偏分类和增量学习结合起来,对相关反馈过程中的小样本有偏学习问题进行建模.其中,主动式学习通过不确定性采样,选择最佳的用户标注样本,实现有限训练样本条件下分类器泛化能力的最大化;有偏分类通过构造超球面区别对待正例和反例,准确挖掘用户目标类别;每次反馈循环中新加入的样本则用于分类器的增量学习,在减少分类器训练时间的同时积累样本信息,进一步缓解小样本问题.实验结果表明,该算法可以有效地改善草图检索性能,也适用于图像检索和三维模型检索等应用领域.     

对比学习研究综述

由于传统的监督学习方法很大程度上依赖于大量的标注数据,近年来,无需外部监督信息的自监督学习方法受到了极大关注.对比学习是一种有效的自监督学习方法,它通过对比相似样本和不相似样本,使得模型能够学习到样本的重要内在特征,进而应用于下游任务,在计算机视觉和自然语言处理等领域得到了越来越广泛的应用.本文系统地梳理了对比学习研究现状.首先介绍了对比学习的起源和主要思想,然后归纳了对比学习在设计映射函数、正负例构造和损失函数构造等方面的研究动态,接着重点介绍了面向计算机视觉和自然语言处理的对比学习研究;最后,分析了现有研究存在的问题,探讨了对比学习未来的研究趋势和发展方向.     

基于商空间的构造性分层竞争网络算法

构造性学习方法根据学习样本构造神经网络,有效地解决了神经网络结构难以确定和学习速度慢的问题。文中在此基础上,利用商空间的粒度原理和霍夫曼编码的思想,对样本分布极其不均匀的分类问题,构造分层竞争覆盖网络。实例表明这种算法可以进一步提高训练的速度和识别的精度,减少拒识样本。     

BP神经网络的C++实现及讨论

通过C++构造出一个五层的BP神经网络,在满足相对误差要求的情况下,实现了指定样本函数的功能.并针对学习效率和权系数修正常数对算法做了改进,有效地加快了收敛速度.最后讨论了当样本函数中y值非[0,1]区间时,样本的归一化问题.     

均匀设计法在RBF神经网络样本优选中的应用

鉴于学习样本的选择对神经网络的泛化能力有很大影响,本文提出学习样本的选择应针对被逼近的非线性对象的特性,采用均匀设计法构造样本中心,结合聚类理论对学习样本进行优选.应用结果表明这种方法可以提高神经网络的泛化能力.     

地震预报专家系统中学习样本的构建

如何选择和处理学习样本是地震预报专家系统中非常重要的问题。该文在分析以前方法的特点和不足的基础上,提出了异常驱动样本构造法,并用基于RBF神经网络的属性约简方法来处理学习样本。使用异常驱动样本构造法可以方便、科学地根据异常属性出现的频率选择学习样本的属性和根据每条样本的空缺属性率选择学习样本。基于RBF神经网络的属性约简方法利用RBF(RadialBasisFunction)神经网络的特点来量化各维属性对结果的影响程度,从而约简对结果影响程度小的属性。通过实验,表明了用该文方法进行地震预报样本的选择和处理,能明显地提高地震预报的精度。     

深度有序度量学习改进的课堂参与度识别

在线课堂已成为当前最重要的教学场景之一.针对当前基于视觉特征学习和距离度量学习的参与度识别模型仍然缺乏足够的判别力和稳定性等问题，本文将有序深度度量学习方法引入课堂参与度识别任务，联合建模视觉特征学习和判别度量学习.首先，提出一个有序度量损失函数建模参与度样本的有序标签结构，使得在学习获得的有序度量空间中，视觉特征与其参与度标签保持有序一致性，提高识别模型的判别力.其次，提出一种四元组困难样本构造策略，对困难正样本的视觉特征相似度进行最小化，同时最大化困难负样本的视觉特征相似度，充分挖掘困难样本，提高模型训练的效率和稳定性.最后在课堂参与度基准数据集DAiSEE上进行测试，验证了算法的有效性.     

基于机器学习利用较少样本数据生成卡通图的算法研究

由于现有的图像生成算法都是需要学习大量样本,才能模拟人类创作.大量样本的学习需要消耗大量的时间,占用许多资源.因此为了解决以上问题,提出了一种只训练较少数据集就可以自动生成卡通图像的方法.该方法的核心是根据从示例图像中学习到的拓扑结构分割和重组区域.在不需要人工标注的情况下,构造区域关系树来训练图像.在聚类过程中,利用...