解释学习进展

本文对解释学习近期的研究进行了论述,包括解释学习机制,当前解释学习研究的几个重要问题:如可操作性的形式化定义、典型解释学习过程的解释与概括、针对不完善领域理论的多种解决办法等,还就解释学习特点、总体发展状况及今后研究方向提出了看法。     

解释学习的效用问题

近年来,在机器学习领域,基于解释的学习引起了广泛的兴趣。解释学习是一种演绎学习方法,根据领域理论对训练实例进行解释,经过推广后获得新的知识。从可操作性的角度看,解释学习并没有学到真正新的知识,只是一种知识转换,它把原先不可操作的概念描述转换为可操作的目标概念描述,而使系统的性能得以提高。但原来的可操作性定义并没有考虑到解释学习的效用(utility)问题,人们发现这样的解释学习并不总能提高系统的性能,而是在大多数情况下会使系统的行为比未经学习时更差,这使得效用问题与不完善理论问题一样成为解     

关于解释学习逻辑构架的一些扩充

近来,在机器学习研究领域中,解释学习倍受重视,而其中心机制——解释推广却受限于一阶逻辑,为支持高阶对象和模态概念,本文介绍了两种扩充 Horn 逻辑表示域的方法,并通过例子说明了解释推广在扩充表示域中的实现。     

基于解释的学习

近几年来,在机器学习领域,人们对基于解释的学习方法产生了极大兴趣。本文首先通过一个例子说明该学习方法,然后作了一般描述,并把它与基于类似的学习进行了比较,最后详尽讨论了基于解释的学习中的两个重要方面:操作性和不完善域论。     

一种基于实例学习的高精度英文未登录词发音的自动预测方法

在英文TTS(text to speech)系统中,需要根据文本中每一个单词的发音来合成语音．由于在真实文本的处理中,无论词典规模如何大,都不可能包括文本中的每一个单词,所以需要使用某种算法来预测词典中未登录单词的发音．介绍了一种基于实例学习的方法,并在一个大规模的英语词典上进行了性能评测．结果表明,这种方法的单词发音正确率可以达到70．1％,显著地超过以往报导的其他自动预测方法．     

解释学习的可操作性

本文对解释学习(EBL)中可操作性的形式化描述进行了初步探讨.强调了执行系统在学习中的作用,并将它形式化为一个公理系统;提出了等价置换概念,给出了可操作性的数学描述,最后验证了一个路线规划系统PLAN.     

基于解释学习的可操作性

可操作性是基于解释机器学习的关键问题，本文给出了一种以模糊集理论来描述可操作性的方法，建立了ＥＢＬ的模型，这一结果优于Ｋｅｌｌｅｒ等人的工作。     

从专家分析实例中学习知识

专家分析实例中含有一般实例所没有的大量信息，本文在进一步讨论这一概念的基础上，给出一个算法，它能从专家分析实例学得五种规则。     

解释学习中的多知识库协作

为了解决解释学习中知识库不完备的问题,本文引入了多知识库协作,提出了解释与联想的学习方法。     

利用类比知识的基于解释的学习

本文介绍如何将示例中包含的新的知识通过基于解释的学习加入到原来不完善的领域知识库中去。整个学习过程是在示例的引导下依据领域理论和类比知识进行推理的纯演绎过程。因此，经过改进的领域理论可以保持其正确性。系统的原型在ＳＵＮ工作站上用ＱＵＩＮＴＵＳ ＰＲＯＬＯＧ实现。     

结合集成学习与迁移学习的标签比例学习方法

标签比例学习（LLP）是一种将实例放入包中的机器学习方法,它只提供包中的实例信息和标签比例信息,而不提供标签信息。针对多个相关任务的LLP问题,提出了一种基于迁移学习的标签比例集成学习模型,简称AT-LLP,该模型通过在任务之间构建共享参数来连接相关任务,将源任务中学习到的知识迁移到目标任务中,从而提高目标任务的学习效率。同时该算法引入了集成学习算法,在分类器多轮迭代的学习过程中,不断调整训练集的权重系数,进一步将弱分类器训练为强分类器。实验表明,所提AT-LLP模型比现有LLP方法具有更好的性能。     

增量式解释学习算法EBG—plus

传统的解释学习是通过单个实例进行学习的，学习结果往往带有实例本身的特殊性质，知识求精能较正这一缺陷，但学习结果的效用不高。本结合了ＥＢＬ方法和求精算法，提出了综合多个实例的增量式解释学习算法ＥＢＧ－ｐｌｕｓ，学习质量随实例数目增加而单调上升，学习结果效用高，并能够自动改进领域知识的编码质量。     

解释学习中模糊概念的学习

本文提出了一种模糊知识的表示模式，给出了在模糊意义下的基于解释的学习的一种描述，以及解释、学习机制，使在解释学习中能够学习到一些带有模糊修饰词的新概念．本文描述形式同算子模糊逻辑而语义与其不同．     

一种基于增量式实例学习的迭代编译方法

为提高编译器的自适应性,以应对复杂的体系结构,提出一个结合迭代编译和机器学习的编译框架。编译器可将在优化空间中搜索到的最佳编译选项信息保存到知识库中,并能从知识库中学习获得适合当前程序的最佳编译选项。实例学习算法具有增量式的特点,可有效利用编译过程中积累的数据。通过避免冗余实例入库以及从库中剔除噪声实例,保证学习的精度与效率。     

基于解释的算法构架的学习

本文提出了将解释学习方法用于学习算法构架的思想，以提高软件自动化系统从功能规格说明转换到设计规格说明的能力．文中给出了算法构架的表示，操作性的定义及其处理方法．系统从用户给出的一个问题的解中学习算法构架，用于解决一类问题，系统的学习效果表现为通过学习能够解决原来不能解的问题．     

高炉专家系统知识的实例学习*

知识获取是专家系统建造过程中最重要的环节之一，本文根据高炉炉况知识的特点，采用背景知识学习算法、归纳学习算法，实现了高炉专家系统知识的实例学习。     

适应噪声环境的解释学习算法

在现实世界里，ＡＩ系统难免受到噪声的影响．系统有效工作与否取决于它对噪声的敏感性如何．解释学习ＥＢＬ（ｅｘｐｌａｎａｔｉｏｎ－ｂａｓｅｄｌｅａｒｎｉｎｇ）也不例外．本文探讨了在例子受到噪声影响的情况下，解释学习的处理问题，提出了一个算法ＮＲ－ＥＢＬ（ｎｏｉｓｅ－ｒｅｓｉｓｔａｎｔＥＢＬ）．与现有的解释学习方法不同，ＮＲ－ＥＢＬ在训练例子含有噪声时仍然可以学习，以掌握实际的问题分布；和类似的工作不同，ＮＲ－ＥＢＬ指出了正确识别概念对于噪声规律的依赖性，试图从训练例子集合发现和掌握噪声的规律．可以相信，在识别概念时，借助于对噪声规律的认识，ＮＲ－ＥＢＬ可比ＥＢＬ和类似工作有更高的识别率．ＮＲ－ＥＢＬ是解释学习和统计模式识别思想的结合．它把现有的解释学习模型推广到例子含有噪声的情形，原来的ＥＢＬ算法只是它的特例．     

基于实例学习的并行负荷分配中的训练实例选择问题

基于实例学习的可适应性并行任务负荷分配算法能根据应用程序的静态特征估计其运算负荷,选定好的任务负荷分配方案使其多线程并行接近甚至达到最优,它具有低成本和高效率的特点.通过一系列实验,分析研究训练实例的选择对基于实例学习优化的效果的影响,从中总结一些有益的经验,以便进一步提高算法性能.     

基于深度学习的实例分割研究进展

目标检测确定检测图像中目标对象所在区域及其类别,语义分割对检测图像实现像素级分类,实例分割可以定义为同时解决目标检测与语义分割问题,在分类的同时确定每个目标实例语义.实例分割网络在无人机驾驶、机器人抓取、工业筛检等领域具有重要应用意义,针对目前基于深度学习实例分割综述性文章的空白,对实例分割进展进行概述,按照单阶段实例...