基于深度学习的在线学习成绩预测研究

通过分析在线学习平台中的教育文本,能挖掘其所蕴含的情感、认知等信息进行学业预测.然而目前在线学习成绩预测大多基于结构化数据,难以深入、精准地挖掘学习者的状态、情感等信息,影响到预测的准确性.采用深度学习技术,其中CNN模型能够有效提取局部特征,而LSTM模型能够考虑全局文本顺序的优势,能对教育短文本数据进行分类和细粒度情感倾向分析,挖掘其包含的影响学习成绩的因素,实现对在线学习成绩的有效预测.     

融合情感特征的在线学习成绩预测研究

当前在线学习成绩预测研究主要考虑学习行为数据而忽略了学习者在学习过程中的情感状态,成绩预测的准确性仍有较大提升空间,结合学习者的情感特征定量预测学习成绩的研究亟需深入.因此,本文构建了基于自注意力机制的BiLSTM文本情感分类模型,获取情感概率分布向量;提出一种融合情感特征的在线学习成绩预测方法,获得学习者的动态学习状态并预测在线学习成绩;定量分析情感信息对在线学习成绩预测的影响.真实数据集上的实验结果表明：本文方法能有效提升在线课程论坛文本的情感分类效果和在线学习成绩预测的精度.     

学生在线学习行为分类融合方法的研究与应用

传统的成绩预测方法没有严格区分学生学习行为的时序性和非时序性,因此提出学习行为分类融合的方法,首先根据学习行为特点划分为周学习特征和学期学习特征两大类,分别构建LSTM网络和MLP网络,两个网络融合后成为新模型的输入,最终实现学生学习成绩预测。将融合方法和传统预测方法进行对比,实验结果表明融合模型在预测准确度和F1值更高。     

基于样本密度和分类误差率的增量学习矢量量化算法研究

作为一种简单而成熟的分类方法, K最近邻(K nearest neighbor, KNN)算法在数据挖掘、模式识别等领域获得了广泛的应用, 但仍存在计算量大、高空间消耗、运行时间长等问题. 针对这些问题, 本文在增量学习型矢量量化(Incremental learning vector quantization, ILVQ)的单层竞争学习基础上, 融合样本密度和分类误差率的邻域思想, 提出了一种新的增量学习型矢量量化方法, 通过竞争学习策略对代表点邻域实现自适应增删、合并、分裂等操作, 快速获取原始数据集的原型集, 进而在保障分类精度基础上, 达到对大规模数据的高压缩效应. 此外, 对传统近邻分类算法进行了改进, 将原型近邻集的样本密度和分类误差率纳入到近邻判决准则中. 所提出算法通过单遍扫描学习训练集可快速生成有效的代表原型集, 具有较好的通用性. 实验结果表明, 该方法同其他算法相比较, 不仅可以保持甚至提高分类的准确性和压缩比, 且具有快速分类的优势.     

基于元学习的小样本遥感图像分类

为改善传统分类算法在小样本遥感图像分类上效果差的缺陷,提升模型的快速学习能力,提出融合迁移学习和元学习的小样本分类算法.设计基于长短期记忆网络的元学习器,通过门控结构拟合网络参数更新方式最下化损失下界,具有自动学习分类器参数更新方式的机制,相比于传统方法,能够有效扩展优化算法的搜索空间;考虑样本的跨类别知识转移和训练时...     

一种基于人工神经网络在线学习的自适应预测方法

本文在分析和比较了传统预测方法的基础上，研究基于人工神经网络非线性映射的预测方法，针对一类缓变故障的预测问题，提出单样本在线学习的自适应预测算法，并用于柴油机故障预测和诊断。     

面向图像分类的小样本学习算法综述

目前,以深度学习为代表的人工智能算法凭借超大规模数据集以及强大的计算资源,在图像分类、生物特征识别、医疗辅助诊断等领域取得了优秀的成果并成功落地.然而,在许多实际的应用场景中,因诸多限制,研究人员无法获取到大量样本或者获取样本的代价过高,因此研究图像分类任务在小样本情形下的学习算法成为了推动智能化进程的核心动力,同时也...     

面向流数据分类的在线学习综述

流数据分类旨在从连续不断到达的流式数据中增量学习一个从输入变量到类标变量的映射函数,以便对随时到达的测试数据进行准确分类.在线学习范式作为一种增量式的机器学习技术,是流数据分类的有效工具.主要从在线学习的角度对流数据分类算法的研究现状进行综述.具体地,首先介绍在线学习的基本框架和性能评估方法,然后着重介绍在线学习算法在一般流数据上的工作现状,在高维流数据上解决"维度诅咒"问题的工作现状,以及在演化流数据上处理"概念漂移"问题的工作现状,最后讨论高维和演化流数据分类未来仍然存在的挑战和亟待研究的方向.     

基于样本迁移的在线脑电分类方法

在线分类是脑机接口应用中的一个重要研究方向,传统的在线学习算法需要大量样本来适应脑电信号变化,这增加了计算和内存成本。为此,本文提出一种基于样本迁移的在线脑电分类方法。首先利用源域数据训练离线分类器,然后将目标域数据逐个放入进行在线欧式空间预对齐以减小个体差异性,进而提取CSP特征,最后采用加权组合的在线迁移学习分类器进行标签预测。在 BCI 竞赛 Ⅳ 数据集Ⅰ和Ⅱa的跨受试者在线模拟实验中,与4种最先进的算法相比,本文方法表现最好,在线平均分类准确率最高达到了86.02%和75.74%,表明了所提方法的有效性。     

一种基于局部分类精度的多源在线迁移学习算法

近年来,迁移学习得到越来越多的关注.现有的在线迁移学习算法一般从单个源领域迁移知识,然而,当源领域与目标领域相似度较低时,很难进行有效的迁移学习.基于此,提出了一种基于局部分类精度的多源在线迁移学习方法——LC-MSOTL.LC-MSOTL存储多个源领域分类器,计算新到样本与目标领域已有样本之间的距离以及各源领域分类器对其最近邻样本的分类精度,从源领域分类器中挑选局部精度最高的分类器与目标领域分类器加权组合,从而实现多个源领域知识到目标领域的迁移学习.在人工数据集和实际数据集上的实验结果表明,LC-MSOTL能够有效地从多个源领域实现选择性迁移,相对于单源在线迁移学习算法OTL,显示出了更高的分类准确率.     

Online Multiclass Learning with k-Way Limited Feedback and an Application to Utterance Classification

This paper introduces a setting for multiclass online learning with limited feedback and its application to utterance classification. In this learning setting, a parameter k limits the number of choices presented for selection by the environment (e.g. by the user in the case of an interactive spoken system) during each trial of the online learning sequence. New versions of standard additive and multiplicative weight update algorithms for online learning are presented that are more suited to the limited feedback setting, while sharing the efficiency advantages of the standard ones. The algorithms are evaluated on an utterance classification task in two domains. In this utterance classification task, no training material for the domain is provided (for training the speech recognizer or classifier) prior to the start of online learning. We present experiments on the effect of varying k and the weight update algorithms on the learning curve for online utterance classification. In these experiments, the new online learning algorithms improve classification accuracy compared with the standard ones. The methods presented are directly relevant to applications such as building call routing systems that adapt from feedback rather than being trained in batch mode.Editors: Dan Roth and Pascale FungThe work reported in this paper was carried out while the author was at AT&T Labs.     

面向中文网络评论情感分类的集成学习框架

该文针对中文网络评论情感分类任务,提出了一种集成学习框架。首先针对中文网络评论复杂多样的特点,采用词性组合模式、频繁词序列模式和保序子矩阵模式作为输入特征。然后采用基于信息增益的随机子空间算法解决文本特征繁多的问题,同时提高基分类器的分类性能。最后基于产品属性构造基分类器算法综合评论文本中每个属性的情感信息,进而判别评论的句子级情感倾向。实验结果表明了该框架在中文网络评论情感分类任务上的有效性,特别是在Logistic Regression分类算法上准确率达到90.3%。     

基于信任权学习的在线分类算法

鉴于高斯过程对处理高维数、小样本、非线性等复杂问题具有较好的适应性,将其引入到在线分类器学习算法中,形成一种新型的在线分类算法,即信任权算法。该算法的信任权超参数为模型向量的高斯分布,每训练一次样本就修正一次模型向量的信任权,并使样本正确分类的概率在某个特定信任域内。采用人工和实际数据进行实验,结果表明信任权算法优于传统的感知器算法。     

基于统计学习理论的支持向量机的分类方法

支持向量机是一种新型机器学习方法,由于其出色的学习性能,该技术已成为机器学习领域新的研究热点。介绍用于分类的支持向量机的统计学习理论基础,在此基础上提出了支持向量机的分类算法,讨论了支持向量机存在的问题,对用于分类的支持向量机的应用前景进行了展望。     

改进的在线支持向量机训练算法

传统支持向量机基于批量训练方法,无法适应环境污染预测中的海量数据与实时性要求。在分析研究一种典型的在线支持向量机回归算法[4]的基础上,指出原算法在训练过程中存在样本重复移动问题,导致模型训练速度下降。提出一种改进算法,消除重复移动问题。实验结果表明,该改进在线支持向量机算法建模精度高,训练速度较原算法有显著提高。     

一个新的在线学习文档分类模型

为了对在线学习文档进行分类,本文根据自适应谐振理论给出了一个半监督学习模糊ART模型(SLFART)及其算法.该算法不仅克服一般半监督学习算法中假设已知数据概率分布的条件,而且还具有非常强的学习新模式和纠正错误的能力.实验结果表明SLFART性能明显优于其它算法.     

深度学习下的病媒蚊虫分类

蚊虫是多种疾病的传播媒介,对病媒蚊虫的监测是预防蚊媒疾病的关键,针对传统病媒蚊虫的人工鉴定方法成本较高且效率低下,提出深度学习下的病媒蚊虫分类方法,基于迁移学习,微调(fine-tuning) ResNet18、DenseNet121、MobileNetV2这3种ImageNet预训练模型,在900张少量蚊虫数据集下采用K折交叉验证,对埃及伊蚊、白纹伊蚊、库蚊3种蚊虫进行分类,评估模型性能,平均峰值准确率分别达到了95%、97%、97%.最后,利用在900张蚊虫数据集下重新训练后的模型,对344张蚊虫图像进行预测,其中轻量化模型MobileNetV2达到了最高0.95的精准率(precision)、召回率(recall)、F1 score.结合3种模型的最终预测准确率,得出轻量化的模型MobileNetV2在少量数据集下表现更优.实验改变了以往的模型微调方式,通过设置模型分类层学习率为前层学习率的10倍,与前人实验相比,对白纹伊蚊的预测准确率提高了5%–6%,解决了少量数据样本的训练收敛问题,进一步拓展了病媒蚊虫识别的适用环境.     

基于Web的遥感影像在线分类实现技术研究

随着遥感数据的社会化服务需求日益增长,如何以Web的方式向用户提供专业遥感影像处理及应用的产品服务成为一个研究的热点问题。本文基于Web RS概念,以及先进的网络技术与并行处理技术,提出了基于Web的遥感影像在线分类实现技术的解决方案。本研究是探索Web RS概念和遥感影像在线服务价值的一次有益尝试,可对于开拓我国遥感数据共享服务新型模式及提高社会化服务水平提供借鉴和支撑。