Algorithms for Quantum Branching Programs Based on Fingerprinting

In the paper, we develop a method for constructing quantum algorithms for computing Boolean functions by quantum ordered read-once branching programs (quantum OBDDs). Our method is based on ˉngerprinting technique and representation of Boolean functions by their characteristic polynomials. We use circuit notation for branching programs for desired algorithms presentation. For several known functions our approach provides optimal QOBDDs. Namely we consider such functions as MODm, EQn, Palindromen, and PERMn (testing whether given Boolean matrix is the Permutation Matrix). We also propose a generalization of our method and apply it to the Boolean variant of the Hidden Subgroup Problem.     

选择性集成算法分类与比较

选择性集成是当前机器学习领域的研究热点之一。由于选择性集成属于NP"难"问题,人们多利用启发式方法将选择性集成转化为其他问题来求得近似最优解,因为各种算法的出发点和描述角度各不相同,现有的大量选择性集成算法显得繁杂而没有规律。为便于研究人员迅速了解和应用本领域的最新进展,本文根据选择过程中核心策略的特征将选择性集成算法分为四类,即迭代优化法、排名法、分簇法、模式挖掘法;然后利用UCI数据库的20个常用数据集,从预测性能、选择时间、结果集成分类器大小三个方面对这些典型算法进行了实验比较;最后总结了各类方法的优缺点,并展望了选择性集成的未来研究重点。     

增量KNN模型的修剪策略研究

KNN模型是k近-邻算法的一种改进版本,IKNNModel算法实现了基于KNNModel的增量学习.然而随着增量步数的增加,IKNNModel算法生成模型簇的数量也在不断地增加,从而导致模型过于复杂,也增大了预测的时间花销.提出一种新颖的模型簇修剪策略,在增量学习过程中通过有效合并和删除多余的模型簇,在保证精度的同时降低了模型簇的数量,从而缩短了算法的预测时间.在一些公共数据集上的实验结果验证了本方法的有效性.     

模型剪枝算法综述

模型剪枝算法利用不同的标准或方式对深度神经网络中冗余神经元进行裁剪,在不损失模型精度的情况下对模型进行最大程度的压缩,从而可以减少存储并提升速度。首先,对模型剪枝算法的研究现状与主要研究方向进行总结并归类。主要研究方向包括剪枝的尺度、剪枝元素重要性评估的方法、剪枝的稀疏度、剪枝的理论基础及对于不同任务的剪枝等方面。然后对近年来具有代表性的剪枝算法进行详细描述。最后对此领域的研究提出未来展望。     

The Branching-Time Transformation Technique for Chain Datalog Programs

The branching-time transformation technique has proven to be an efficient approach for implementing functional programming languages. In this paper we demonstrate that such a technique can also be defined for logic programming languages. More specifically, we first introduce Branching Datalog, a language that can be considered as the basis for branching-temporal deductive databases. We then present a transformation algorithm from Chain Datalog programs to the class of unary Branching Datalog programs with at most one IDB atom in the body of each clause. In this way, we obtain a novel implementation approach for Chain Datalog, shedding at the same time new light on the power of branching-time logic programming.     

基于剪枝的概念格渐进式构造

概念格是形式概念分析中的核心数据结构。然而,随着需要分析处理的数据量日益剧增,概念格的构造效率成为一个关键问题。采用剪枝方法,消除了概念格构造过程中产生的冗余信息,提出了一种基于剪枝的概念格渐进式构造算法（Pruning based Concept Lattice,PCL）,从而减少了概念格内涵的比较次数,提高了概念格的构造效率。采用恒星天体光谱数据作为形式背景,实验验证了算法PCL的正确性和有效性。     

Predicting Nearly As Well As the Best Pruning of a Decision Tree

Many algorithms for inferring a decision tree from data involve a two-phase process: First, a very large decision tree is grown which typically ends up over-fitting the data. To reduce over-fitting, in the second phase, the tree is pruned using one of a number of available methods. The final tree is then output and used for classification on test data.In this paper, we suggest an alternative approach to the pruning phase. Using a given unpruned decision tree, we present a new method of making predictions on test data, and we prove that our algorithm's performance will not be much worse (in a precise technical sense) than the predictions made by the best reasonably small pruning of the given decision tree. Thus, our procedure is guaranteed to be competitive (in terms of the quality of its predictions) with any pruning algorithm. We prove that our procedure is very efficient and highly robust.Our method can be viewed as a synthesis of two previously studied techniques. First, we apply Cesa-Bianchi et al.'s (1993) results on predicting using expert advice (where we view each pruning as an expert) to obtain an algorithm that has provably low prediction loss, but that is computationally infeasible. Next, we generalize and apply a method developed by Buntine (1990, 1992) and Willems, Shtarkov and Tjalkens (1993, 1995) to derive a very efficient implementation of this procedure.     

面向方面程序错误类型分析

面向方面编程是一种新的程序设计范型,它支持关注点的分离,解决了面向对象方法中代码“纠缠”和“分散”的问题,使模块的内聚性提高,耦合度降低,提高了代码的复用性。但是面向方面编程范型也给面向方面程序的测试带来了挑战,传统的测试技术不能完全适应,为了更好地进行测试,本文通过对AspectJ语言进行分析,给出了八种面向方面程序的错误类型,便于进一步地进行面向方面程序测试的研究。     

选择性集成开发平台的设计与实现

集成学习/选择性集成是当前机器学习领域的研究热点,但是大部分发表的相关数据都是基于未公开的个人实验,这种模式一方面由于大量的重复工作而降低了研究工作的效率,另一方面也对集成学习走向实用化造成负面影响.本文从减轻研究工作中实验部分工作量、提升实验的可重复性、减少不同实验的结论差异和推动选择性集成技术走向实用化的角度出发,阐述了设计一个选择性集成研究和开发平台所需要考虑的问题以及系统的结构组成,并以EPP(Ensemble Pruning Platform)为例介绍了利用C++语言实现一个选择性集成开发平台的方法和关键流程.     

一种基于剪枝的横向分块概念格构造算法

概念格是形式概念分析中的核心数据结构,随着数据量的日益剧增,概念格的构造效率始终是关键.本文首先引入横向分块概念格,给出其若干结论;针对横向分块概念格构造过程中存在冗余信息,提出一种基于剪枝的横向分块概念格渐进式构造算法PHCL,从而进一步提高了概念格的构造效率;最后采用恒星天体光谱数据作为形式背景,实验验证了算法PHCL的正确性和有效性.     

面向方面程序的简化动态依赖图切片方法

程序切片是一种重要的程序分析技术,广泛应用于程序的调试、测试与维护等领域。面向方面程序设计作为一种新的软件开发范型,能够实现横切关注点的模块化,其特有的语言元素和功能为切片增加了难度。从静态切片和动态切片两种类型,讨论了面向方面程序切片技术。在此基础上,提出了一种基于简化动态依赖图的面向方面程序切片方法,可以减少动态依赖图中节点和边的数量,生成准确的面向方面程序的动态切片,从而有助于人们更好地对面向方面程序进行分析和理解。     

剪枝与欠采样相结合的不平衡数据分类方法*

通过剪枝技术与欠采样技术相结合来选择合适数据,以提高少数类分类精度,研究欠采样技术在不平衡数据集环境下的影响。结果表明,与直接欠采样算法相比,本文算法不仅在accuracy值上有所提高,更重要的是大大改善了g-means值,特别是对非平衡率较大的数据集效果会更好。     

用于词义排歧的语义剪枝方法研究

词义排歧方法的研究在自然语言处理领域具有重要的理论和实践意义。研究了一种基于知网的语义剪枝算法,来解决自然语言处理过程中的词义排歧问题。其目的是通过语义剪枝系统尽可能地减少歧义词在上下文中错误的或最不可能的义项。语义剪枝以后,形成词和其可能义项的一个列表,尽量将一个词真正正确的义项保留下来。为了对语义剪枝算法进行评价,开发了一个手工标注交互环境,并使用了召回率和简化率2 个指标。对窗口的尺寸和分析单元的选取对召回率和简化率的影响进行了研究。     

中文评论中产品特征挖掘的剪枝算法研究

针对中文网络客户评论中的产品特征挖掘问题,提出一种基于Apriori算法的非监督挖掘方法。利用Apriori算法挖掘候选特征集合,设计邻近规则剪枝算法和最小独立支持度剪枝算法,并通过实验确定邻近规则距离值和最小独立支持度。实验结果表明,这2种剪枝算法均能有效提高产品特征挖掘的查准率和查全率。     

前馈神经网隐层节点的动态删除法

本文首先针对ＢＰ算法中存在的缺陷对误差函数作了简单的修改，使网络的收敛速度比原来的大大提高，此外本文提提出了一种基于线性回归分析算法来确定隐层节点数。当已训练好的网络具有过多的隐层单元，可以用这种算法来计算隐层节点输出之间的线性相关性，并估计多余隐层单元数目，然后删除这部分多余的节点，就能获得一个合适的网络结构。     

VLAN裁剪技术在高校校园网中的应用

本文结合徐州师范大学校园网实例,分析了VLAN的组播/广播流量泛洪形成的原因,提出大规模校园网VLAN管理中存在的问题,并针对问题给出了VLAN裁剪的解决方案。这种方案对于高校和政府机关的网络管理工作,具有一般性、推广性。     

基于驱动错误准则的SVM增量学习研究

增量学习广泛运用于人工智能、模式识别等诸多领域,是解决系统在训练初期样本量少而随时间推移性能降低的有效方法。本文针对经典支持向量机当训练样本数量多而运算速度较慢的缺点,在分析支持向量机的基础上,提出基于驱动错误准则的增量学习方法,实验结果表明,该算法不仅能保证学习机器的精度和良好的推广能力,而且算法的学习速度比经典的SVM算法快,可以进行增量学习。     

非线性目标规划算法在仪表误差分配中的应用

仪表误差分配是指在仪表设计过程中，如何合理地设计仪表中各部件的误差，使得总的合成误差最小。本文利用非线性目标规划原理，对仪表误差分配过程实现了最优化设计，并在计算机上用（ＩＲＧ法加以实现，取得了满意结果，从而提高了仪表的综合性能指标。     

Reduced Basis Approximation and a Posteriori Error Estimation for Affinely Parametrized Elliptic Coercive Partial Differential Equations

In this paper we consider (hierarchical, La-grange)reduced basis approximation anda posteriori error estimation for linear functional outputs of affinely parametrized elliptic coercive partial differential equa-tions. The essential ingredients are (primal-dual)Galer-kin projection onto a low-dimensional space associated with a smooth “parametric manifold” - dimension re-duction; efficient and effective greedy sampling meth-ods for identification of optimal and numerically stable approximations - rapid convergence;a posteriori er-ror estimation procedures - rigorous and sharp bounds for the linear-functional outputs of interest; and Offine-Online computational decomposition strategies - min-imummarginal cost for high performance in the real-time/embedded (e.g., parameter-estimation, control)and many-query (e.g., design optimization, multi-model/ scale)contexts. We present illustrative results for heat conduction and convection-diffusion,inviscid flow, and linear elasticity; outputs include transport rates, added mass,and stress intensity factors. This work was supported by DARPA/AFOSR Grants FA9550-05-1-0114 and FA-9550-07-1-0425,the Singapore-MIT Alliance,the Pappalardo MIT Mechanical Engineering Graduate Monograph Fund,and the Progetto Roberto Rocca Politecnico di Milano-MIT.We acknowledge many helpful discussions with Professor Yvon Maday of University Paris6.