公共文化服务平台

共 8 条记录，以下是 1-8

全选清除导出

排序方式：

稀疏近似最近特征空间嵌入标签传播被引量：3: 2014年; 针对现有的基于图的半监督学习(graph-based semi-supervised learning,简称GSSL)方法存在模型参数敏感和数据空间判别信息不充分等问题,受最近特征空间嵌入和数据稀疏表示思想的启发,提出一种稀疏近似最近特征空间嵌入标签传播算法SANFSP(sparse approximated nearest feature space embedding label propagation).SANFSP首先利用特征空间嵌入投影点来稀疏表示原始数据;然后,度量原始数据和稀疏近似最近特征空间嵌入投影间的相似性;进而提出稀疏近似最近特征空间嵌入正则化项;最后,基于传统GSSL方法的标签传播算法,实现数据标签的平滑传播.同时,还将SANFSP算法简单拓展到out-of-sample学习.SANFSP算法在人造和实际数据集(如人脸识别、可视物件识别以及手写数字分类等)上取得了有效的实验结果.; 陶剑文Fu-Lai CHUNG王士同姚奇富; 关键词：半监督学习

多源适应多标签分类框架被引量：23: 2017年; 多源适应学习是一种旨在提升目标学习性能的有效机器学习方法。针对多标签视觉分类问题,基于现有的研究进展,研究提出一种新颖的联合特征选择和共享特征子空间学习的多源适应多标签分类框架,在现有的图Laplacian正则化半监督学习范式中充分考虑目标视觉特征的优化处理,多标签相关信息在共享特征子空间的嵌入,以及多个相关领域的判别信息桥接利用等多个方面,并将其融为一个统一的学习模型,理论证明了其局部最优解只需通过求解一个广义特征分解问题便可分别获得,并给出了算法实现及其收敛性定理。在两个实际的多标签视觉数据分类上分别进行深入实验分析,证实了所提框架的鲁棒有效性和优于现有相关方法的分类性能。; 姚哲陶剑文

稀疏表示亲近支持向量机: 2014年; 通过广义特征值分类的局部信息亲近支持向量机(LIPSVM)将数据点分类到由广义特征值产生的两个不平行平面中最相近者,研究发现LIPSVM方法性能对模型参数具有较强的敏感性,对此,基于稀疏表示技术,提出一种鲁棒的稀疏表示亲近支持向量机(SPSVM),通过挖掘数据点间的有判别的稀疏表示信息,SPSVM除了保持LIPSVM所具备的运算时间快和分类精度高的优势外,还具备噪声学习环境下的鲁棒性(即对噪声或离群点数据具有自然的判别力),且避免了LIPSVM中模型参数选择问题。人工和基准数据集实验结果证实SPSVM具有相较于现有相关方法更优或可比较的学习性能。; 严良达陶剑文; 关键词：流形学习鲁棒性

稀疏正则化最小类散度半监督分类机被引量：1: 2014年; 基于稀疏表示理论提出一种稀疏正则化最小类散度半监督分类机(SRMCV),且对于模式分类问题,SRMCV通过引入稀疏Laplacian正则化项和类内散度信息以实现预测空间函数在全局稀疏表示结构下平滑变化,同时通过类内数据散度结构进一步优化决策函数的判别方向,此方法能解决现有SSL方法对模型参数敏感和在噪声学习环境下缺乏鲁棒性等问题,其有效性已在实际数据集上通过实验验证.; 刘建华吴冬燕; 关键词：半监督学习支持向量机

核分布一致局部领域适应学习被引量：5: 2013年; 针对领域适应学习(Domain adaptation learning,DAL)问题,提出一种核分布一致局部领域适应学习机(Kernel distribution consistency based local domaina daptation classifier,KDC-LDAC),在某个通用再生核Hilbert空间(Universally reproduced kernel Hilbert space,URKHS),基于结构风险最小化模型,KDC-LDAC首先学习一个核分布一致正则化支持向量机(Support vector machine,SVM),对目标数据进行初始划分;然后,基于核局部学习思想,对目标数据类别信息进行局部回归重构;最后,利用学习获得的类别信息,在目标领域训练学习一个适于目标判别的分类器.人造和实际数据集实验结果显示,所提方法具有优化或可比较的领域适应学习性能.; 陶剑文王士同

稀疏标签传播:一种鲁棒的领域适应学习方法被引量：7: 2015年; 稀疏表示因其所具有的鲁棒性,在模式分类领域逐渐得到关注.研究了一种基于稀疏保留模型的新颖领域适应学习方法,并提出一种鲁棒的稀疏标签传播领域适应学习(sparse label propagation domain adaptation learning,简称SLPDAL)算法.SLPDAL通过将目标领域数据进行稀疏重构,以实现源领域数据标签向目标领域平滑传播.具体来讲,SLPDAL算法分为3步:首先,基于领域间数据分布均值差最小化准则寻求一个优化的核空间,并将领域数据嵌入到该核空间;然后,在该嵌入核空间,基于l1-范最小化准则计算各领域数据的核稀疏重构系数;最后,通过保留领域数据间核稀疏重构系数约束,实现源领域数据标签向目标领域的传播.最后,将SLPDAL算法推广到多核学习框架,提出一个SLPDAL多核学习模型.在鲁棒人脸识别、视频概念检测和文本分类等领域适应学习任务上进行比较实验,所提出的方法取得了优于或可比较的学习性能.; 陶剑文Fu-Lai CHUNG王士同姚奇富; 关键词：多核学习

稀疏特征空间嵌入正则化:鲁棒的半监督学习框架: 2014年; 在机器学习领域,半监督学习作为一种有力工具吸引了越来越多的关注,其利用少量带标签数据和大量无标签数据进行有效学习,其中基于图的半监督学习方法因其优雅的数学形式和良好的学习性能而引起更广泛的研究.针对现有基于图的半监督学习方法所存在的模型参数敏感和数据判别信息不充分等问题,提出一种稀疏特征空间嵌入正则化(Sparse Feature Space embedding Regularization,SFSR)半监督学习框架,其主要思想为:首先分别将原始数据嵌入到线性特征空间,然后利用特征空间嵌入投影点集来稀疏重构原始数据,随后在由原始数据线性张成的标签空间通过保留这种稀疏表示关系来构建一个Laplacian正则化项,或称SFSR,最后提出一个鲁棒的基于SFSR的半监督学习框架,在几个实际基准数据库上的综合实验结果证实了所提框架的鲁棒有效性.; 陶剑文姚奇富; 关键词：正则化

基于联合子空间与多源适应学习的多标签视觉分类: 2016年; 传统的视觉分类方法普遍忽视了多标签间的相关性和大量相关源数据的判别信息.为此,基于共享子空间和领域适应学习方法,针对多标签视觉分类问题,提出了一种新的联合子空间和多源适应学习的多标签视觉分类方法,简称为多源适应多标签学习(Multi-Source adaptation Multi-Label learning,MSML).MSML将综合考虑多标签相关性、灵活的特征相似性嵌入和多源模型的适应学习等目标,并将其融为一个统一的学习模型,其全局最优解只需通过一个广义特征分解问题的求解便可获得.在视频概念识别、自动图像标注等实际应用中进行比较分析,结果显示了本文方法的有效性和优越性.; 严良达陶剑文

全选清除导出

共1页<1>

教育部人文社会科学研究基金(13YJAZH084)