前言

人工智能的迅速发展正深刻地改变着人类社会生活,在理论和方法上,人工智能呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等新特征.数据驱动与知识驱动融合、跨媒体协同处理、人机协同增强智能、群体集成智能、自主智能系统等成为人工智能的发展重点,人工智能发展进入新阶段.随着新一代人工智能相关理论建模、技术创新、软硬件升级等整体推进,亟需破解研究中面临的理论、方法、应用等多个层面的挑战性难题.基于上述背景,为了加速我国人工智能领域研究,以及更好地推进人工智能技术的应用落地,《计算机研究与发展》出了本期"新一代人工智能前沿进展"专题.本专题共收录了14篇论文,反映国内同行在新一代人工智能前沿领域的最新研究成果,希望能为从事相关工作的读者提供借鉴和帮助.     

基于调和函数的张量数据维数约简

实际应用中的许多数据,如图像,视频,通常具有张量性和高维性特征,张量数据的维数约简便成为近期的研究热点。现有的张量维数约简方法大都是监督的,它们不能有效利用未标签样本数据的信息。基于调和函数的张量数据维数约简方法综合了传统半监督方法和张量方法的优点,能够在有效利用未标签样本信息的同时,保持数据天然的张量结构特征。仿真实验和真实数据上的结果都验证了其有效性。     

一种利用Universum的半监督分类算法

分类是机器学习领域的重要分支,利用少量的标签数据进行分类和高维数据的分类是近期研究的热点问题。传统的半监督方法能够有效利用标签样本数据或非标签样本数据,但忽略了相关的非样本数据,即Universum。利用Universum的半监督分类算法,基于线性回归和子空间学习模型,结合了传统半监督方法和利用Universum方法两者的优点,在不增加标签数据的条件下显著地提高了高维数据的分类效果。仿真实验和真实数据上的分类结果都验证了算法的有效性。     

利用标签相关性先验的弱监督多标签学习方法

多标签学习是一种非常重要的机器学习范式.传统的多标签学习方法是在监督或半监督的情况下设计的.通常情况下,它们需要对所有或部分数据进行准确的属于多个类别的标注.在许多实际应用中,拥有大量标注的标签信息往往难以获取,限制了多标签学习的推广和应用.与之相比,标签相关性作为一种常见的弱监督信息,它对标注信息的要求较低.如何利用标签相关性进行多标签学习,是一个重要但未研究的问题.提出了一种利用标签相关性作为先验的弱监督多标签学习方法(WSMLLC).该模型利用标签相关性对样本相似性进行了重述,能够有效地获取标签指示矩阵;同时,利用先验信息对数据的投影矩阵进行约束,并引入回归项对指示矩阵进行修正.与现有方法相比,WSMLLC模型的突出优势在于:仅提供标签相关性先验,就可以实现多标签样本的标签指派任务.在多个公开数据集上进行实验验证,实验结果表明:在标签矩阵完全缺失的情况下,WSMLLC与当前先进的多标签学习方法相比具有明显优势.     

新的流形学习方法统一框架及改进的拉普拉斯特征映射方法

流形学习是多个领域的重要研究课题.通过考察各种流形学习方法,提出了一种新的流形学习方法的统一框架,并在此框架下对拉普拉斯特征映射方法(Laplacian eigenmap,LE)进行了分析.进一步,基于此框架,提出了一种改进拉普拉斯特征映射方法(improved Laplacian eigenmap,ILE).它建立在LE方法和最大差异延展算法(maximum variance unfolding,MVU)的基础上,在保持流形谱图拉普拉斯特征的同时,以最大化任意两点之间的差异为目标.ILE有效地解决了拉普拉斯特征映射方法对邻域选择敏感以及MVU方法大计算量、局部限制过强等问题.且能够保持数据聚类性质,挖掘数据内蕴特征.通过实验说明了ILE的有效性.     

鲁棒自加权的多视图子空间聚类

随着收集和存储数据的能力不断提高,真实数据通常由不同的表现形式(视图)组成.因此多视图学习在机器学习与模式识别领域中扮演着重要的角色.近年来,多种多视图学习方法被提出并应用于不同的实际场景中.然而,在目标函数中大部分数据点存在平方残差,少数误差较大的离群点很容易令目标函数失效,因此如何处理冗余数据是多视图学习面临的重要...     

一种基于二值化和亚采样的文本图像压缩方法

文中研究了彩色文本图像的高倍压缩方法。首先利用灰度窗口变换和整体阈值将原图二值化;然后进行亚采样处理并编码;在编码过程中,以经典的哈夫曼及游程编码为基础,设计了一种特殊的码流传输方式;最后用不同的插值方法近似的恢复了图像。实验结果证明,利用该方法当压缩比达到100倍以上时,恢复图像仍然具有高度的保真性。