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.     

不同时期排泥对培养SBBR生物膜的影响

序批式生物膜反应器（sequencing biofilm batch reactor, SBBR）是应用广泛的污水处理方法。为探究不同时期排泥对SBBR污染物去除效果与微生物群落结构的影响，本研究设置了挂膜初期、中期和后期进行排泥的反应器处理生活污水，同时结合16S rDNA高通量测序技术对微生物群落结构进行分析，并采用机器学习（machine learning, ML）的方法，在传统的微生物优势种分析基础上，对测序数据进行深度挖掘，寻找造成组间差异的关键物种。水质测定结果显示，COD去除效果在不同时期排泥的SBBR间没有明显差异，出水COD均低于30mg/L。挂膜中期排泥的SBBR的NH₃-N去除率先达到稳定且高于前期和后期排泥的系统。高通量测序结果显示，各SBBR中微生物优势种均以降解有机物的物种为主。挂膜中期排泥的SBBR中，ML筛选得到的NH₃-N去除相关物种（Hydrogenophaga、Gemmata和Nitrospira）与差异关键物种丰度更高，微生物群落结构稳定性更强，可从微生物层面解释分析SBBR污染物去除效果的差异。     

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。     

基于机器学习特性的数据中心能耗优化方法

随着互联网的发展,各种类型的数据呈爆炸式增长.通过机器学习的方法对大量数据进行实时或离线的分析,获取规律性信息,已成为各行业提升决策准确性的重要途径.因此,这些机器学习算法成为各个数据中心运行的主要应用.然而,随着数据规模的增大和数据中心面临的能耗问题的突出,如何实现这些算法的低功耗处理,已成为实现绿色数据中心亟待解决的关键问题之一.为了实现对这些机器算法的绿色计算,首先对运行在数据中心中的关键算法进行了深入的分析,并观察到在这些算法中存在大量的冗余计算.在此基础上,设计和实现了一种面向数据中心典型应用的低功耗调度策略.该算法通过对不同计算部分的输入数据进行匹配来判断计算过程中的冗余部分,并对算法进行调度.实验数据显示,对于数据中心的两种典型应用k-means和PageRank,该算法可以实现23%和17%的能耗节约.     

基于平衡采样的轻量级广告点击率预估方法

类似Google AdSense这样的定向广告投放系统在过去十年得到了长足的发展和进步, 在定向广告投放系统中, 机器学习方法在广告点击率预估扮演着重要角色。目前, 广告点击率预估模型中的训练数据逐渐呈指数级增长, 越来越大的训练数据给模型的扩展性带来了极大的不便。很多有用的特征以及复杂的模型受限制于训练集规模而无法加入到模型之中。借鉴类别不平衡问题中的平衡采样策略, 通过多次采样的负样本数据和集成学习, 缩短训练时间, 改善学习准确率。实验证明在采用了平衡采样之后, 点击率预估效果和线上资源消耗都得到了优化。     

基于网络流统计数据的伪装入侵检测

伪装入侵是指非授权用户伪装成合法用户进入系统访问关键数据或执行非法操作的行为,现有伪装入侵检测方法大多通过获取用户敏感数据对用户特征进行建模。针对上述问题,提出一种基于网络流统计数据的伪装入侵检测方法,使用网络流统计数据作为用户特征,并结合AdaBoost与支持向量机对用户特征进行训练与预测。在一个真实网络抓包数据集上的实验结果表明,该方法能在有效抵御伪装入侵的同时不侵犯用户隐私,系统检测率为97.5%、误报率为1.1%,且系统检测延时仅为毫秒级,证明了其检测性能优于现有伪装入侵检测方法。     

基于样本缩减的支持向量机在流分类中的应用

网络流量分类对提高网络服务质量有着非常重要的作用.基于机器学习的网络流量分类中,海量的样本为训练带来了效率瓶颈.论文介绍了SVM算法原理,建立基于改进类别质心的样本缩减策略,并进行实验验证.结果表明,利用缩减样本的SVM训练时间仅为在原样本下训练时间的2％,且分类精度基本不变,证明了样本缩减策略的可行性和有效性.     

云环境下基于监督学习的资源调度策略研究与实现

在云环境下,任务执行节点是异构和动态的,而且资源节点的利用率和负载的均衡很大程度上会影响云服务端的执行效率,如何为用户的任务调度合适的资源节点是关键。论文提出了一种基于监督学习的资源调度策略,并给出了该策略的整体框架,系统调度预测模型和算法描述,初步测算表明,该算法具有较好的适应性。     

几种机器学习方法在黑色素瘤计算机辅助诊断中的性能比较

黑色素瘤的计算机辅助诊断是基于激光共聚焦扫描显微镜（CLSM）皮肤图像纹理特征, 并引入机器学习的技术, 为临床应用研发的一种能够准确、有效地识别在体恶性黑色素瘤新医学诊断方法, 将常用的基于机器学习的ID3、分类与回归树（CART）和AdaBoost三种算法应用于良恶性黑色素瘤图像的特征识别, 并对各种学习方法的性能进行比较。实验结果表明, AdaBoost算法具有较好的分类识别性能, 不但提高了恶性黑色素瘤早期诊断的准确度, 降低了良性黑色素瘤的误诊率, 而且为临床上早期发现和诊断提供了客观依据。     

浅谈机器学习方法简

本文以什么是机器学习、机器学习的发展历史和机器学习的主要策略这一线索,对机器学习进行系统性的描述。接着,着重介绍了流形学习、李群机器学习和核机器学习三种新型的机器学习方法,为更好的研究机器学习提供了新的思路。