公共文化服务平台

一种基于双重不平衡场景下的无监督域适应方法: 本发明公开了一种基于双重不平衡场景下的无监督域适应方法，该方法在领域间迁移能容忍数据不平衡的知识，帮助无标签的不平衡数据达到较好的分类效果，其主要由三个部分组成，类对比知识迁移、类关联知识迁移和判别型的特征对齐；构建了一...; 汪云云陈渠川

一种基于黑盒多源域通用场景下的无监督域适应方法: 本发明是一种基于黑盒多源域通用场景下的无监督域适应方法，该方法在不使用源数据与源模型情况下进行多领域间迁移，并对含有未知类的无标签目标数据进行分类。其主要由三个部分组成，多源域的蒸馏、多蒸馏模型的输出结合和判别已知类和未...; 汪云云孔心阳

基于自适应噪声校正的鲁棒域适应学习: 2022年; 域适应(Domain Adaptation, DA)学习旨在利用标签丰富的源域来帮助标签稀缺的目标域学习。DA方法通常假设源域数据已正确标记,然而现实中通常很难收集到大量带有干净标签的源实例,带有噪声源标签的噪声DA学习可能会降低目标学习性能。为此,本文提出基于自适应标签噪声校正的鲁棒DA学习方法(Robust DA Method through Adaptive Noise Correction, RoDAC)。RoDAC包含两个学习阶段,即自适应噪声标签检测(Adaptive Noise Label Detection, ANLD)和自适应噪声标签校正(Adaptive Noise Label Correction, ANLC)。在ANLD中,使用自适应噪声检测器识别带有噪声标签的源实例,并进一步在ANLC中自适应地校正噪声标签,将其重新投入域适应学习中。与基准数据集进行比较,结果表明RoDAC方法在源域标签存在噪声的域适应场景中取得了显著的性能提升。该学习策略可集成至许多现有的DA方法中,以提升其在噪声标签场景下的学习性能。; 汪云云桂旭郑潍雯薛晖; 关键词：鲁棒性

两阶段不定核支持向量机: 2020年; 近年来,在机器学习的各个领域出现了越来越多不定的度量核矩阵,使得不定核支持向量机(IKSVM)得到了广泛关注。但是,现有IKSVM算法通常不能较好地解决高维数据所带来的信息冗余和样本稀疏等问题。针对此研究现状,对现有主流的IKSVM算法进行了研究,并基于再生核Kre?n空间(RKKS)中对IKSVM问题的稳定化定义,从理论上证明了IKSVM问题的本质为不定核主成分分析(IKPCA)降维后空间中的支持向量机(SVM)问题,进一步地提出求解IKSVM问题的新型学习框架TP-IKSVM。TP-IKSVM通过将IKSVM问题的求解拆分为IKPCA和SVM两个阶段,充分地发挥了IKPCA在处理高维数据的信息冗余和样本稀疏等方面的优势,同时结合SVM以有效分类。在真实数据集上的实验结果表明,TP-IKSVM的分类精度优于现有主流的IKSVM算法。; 史娜薛晖汪云云

一种基于双重不平衡场景下的无监督域适应方法: 本发明公开了一种基于双重不平衡场景下的无监督域适应方法，该方法在领域间迁移能容忍数据不平衡的知识，帮助无标签的不平衡数据达到较好的分类效果，其主要由三个部分组成，类对比知识迁移、类关联知识迁移和判别型的特征对齐；构建了一...; 汪云云陈渠川

新工科背景下来华留学生C语言程序设计课程改革探索: 2023年; 在新工科背景下,对来华留学生C语言程序设计课程教学进行研究分析与改革探索。针对来华留学生基础薄弱且差异性大、课程侧重理论教学、课程评价体系传统等问题,分别从优化课程教学内容、个性化教学设计、升级课程教学方式、灵活课程评价体系、推进课程实践和竞赛,以及尝试“一带一路”思政教育方面入手,培养来华留学生的工程实践和创新能力,提升来华留学生的培养水平,加强来华留学生对中国科技文化认同感,提升计算机专业教育国际影响力。; 汪云云陈可佳龚乐君薛景; 关键词：C语言程序设计个性化教学

《C语言程序设计》课程教学改革建议被引量：2: 2014年; 《C语言程序设计》课程作为高校计算机专业一门重要的学科基础课,对于学生程序实践能力的培养具有重要意义。然而在课程教学中往往存在学生失去兴趣、上课听懂但不能独立编写程序、课堂所学与实际应用需求脱节等现象。以上述问题为出发点,从改进教学内容和方法、加强实践教学,以及改革考核方式等方向进行探索和研究,以提高课程教学质量,增强学生的学习兴趣和编程实践能力。; 汪云云; 关键词：C语言程序设计课程教学

基于自监督知识的无监督新集域适应学习被引量：6: 2022年; 无监督域适应(unsupervised domain adaptation,UDA)旨在利用带大量标注数据的源域帮助无任何标注信息的目标域学习.在UDA中,通常假设源域和目标域间的数据分布不同,但共享相同的类标签空间.但在真实开放学习场景中,域间的标签空间很可能存在差异.在极端情形下,域间的类别不存在交集,即目标域中类别都为新未知类别.此时若直接迁移源域的类判别知识,可能会损害目标域性能,导致负迁移问题.为此,提出了基于自监督知识的无监督新集域适应(unsupervised new-set domain adaptation with self-supervised knowledge,SUNDA)方法,迁移源域的样本对比知识;同时,利用目标域的自监督知识指导知识迁移.首先,通过自监督学习源域和目标域初始特征,并固定部分网络参数用于保存目标域信息.再将源域的样本对比知识迁移至目标域,辅助目标域学习类判别特征.此外,利用基于图的自监督分类损失,解决域间无共享类别时目标域的分类问题.在手写体数字的无共享类别跨域迁移和人脸数据的无共享类别跨种族迁移任务上对SUNDA进行评估,实验结果表明,SUNDA的学习性能优于无监督域适应、无监督聚类以及新类别发现方法.; 汪云云孙顾威赵国祥薛晖

一种基于扩充标记样本的文本分类方法及系统: 本发明提出了一种基于扩充标记样本的文本分类方法，首先采集包含已标记文本样本、未标记文本样本的真实样本数据集，然后通过聚类方法KFCM发现高可信样本来获得扩充的标记样本，再利用平方损失函数为已标记、未标记以及扩充的样本数据...; 沈雅婷汪云云; 文献传递

基于标签矫正的无监督领域自适应模型的实现方法: 本发明公开了一种基于标签矫正的无监督领域自适应模型的实现方法。属于计算机图像分类领域，具体步骤：1、基于对抗的领域自适应思想，构建无监督领域自适应模型；2、对构建的无监督领域自适应模型进行预训练；3、预训练完成后，对构建...; 汪云云王超; 文献传递

渝B2-20050021-1　渝公网安备 50019002500403号　违法和不良信息举报中心　互联网出版许可证　新出网证(渝)字10号

汪云云