检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

面向不确定数据的序数回归算法

计算机工程与设计 2023年第1期44卷 174-181页

作者：李晰肖燕珊刘波广东工业大学计算机学院广东广州510006 广东工业大学自动化学院广东广州510006

现有的序数回归方法能够利用先验的有序信息获得比一般多分类方法更加优越的性能,但忽略了仪器不精密和环境扰动等因素产生的复杂不确定性数据。针对序数回归中数据存在的不确定信息问题,基于最大间隔原理,构建面向不确定数据的支持向... 详细信息

现有的序数回归方法能够利用先验的有序信息获得比一般多分类方法更加优越的性能,但忽略了仪器不精密和环境扰动等因素产生的复杂不确定性数据。针对序数回归中数据存在的不确定信息问题,基于最大间隔原理,构建面向不确定数据的支持向量序数回归模型。实验结果表明,模型可以减少不确定数据对决策边界的影响,增强学习模型的鲁棒性。

关键词：机器学习多分类学习不确定数据序数回归有序信息最大间隔原理支持向量机

在线全文

学校读者我要写书评

暂无评论

面向不确定多视角数据的序数回归算法研究

面向不确定多视角数据的序数回归算法研究

作者：李晰广东工业大学

学位级别：硕士

序数回归（Ordinal Regression,OR）是指在具有有序类别数据的基础上建立分类模型。目前,序数回归模型得到了广泛的应用,但是现有的序数回归算法主要在单视角数据上建立分类器,面向多视角数据的序数回归算法还存在一定的空白。此外,由... 详细信息

序数回归（Ordinal Regression,OR）是指在具有有序类别数据的基础上建立分类模型。目前,序数回归模型得到了广泛的应用,但是现有的序数回归算法主要在单视角数据上建立分类器,面向多视角数据的序数回归算法还存在一定的空白。此外,由于采样误差、传输错误等原因,多视角数据可能存在不确定信息。如何利用有序数据中的多视角信息和处理有序数据中不确定信息,是本文亟待解决的问题。针对上述序数回归目前存在的问题,本文提出了面向单视角不确定数据的序数回归算法和面向多视角不确定数据的序数回归算法,这两个方法通过解决数据的不确定性信息改进序数回归分类器。第一个算法针对序数回归中数据存在的不确定信息问题,基于最大间隔原理,构建了面向不确定数据的支持向量序数回归模型。该模型可以减少不确定数据对决策边界的影响,增强学习模型的鲁棒性。第二个算法在上一个面向不确定数据的支持向量序数回归模型基础上,融合多个视角信息,进一步提高模型的分类精度。然后,算法采用一个启发式框架来对目标方程进行优化求解。本文的主要研究内容有三方面:（1）现有的序数回归工作主要针对确定的数据,而不确定数据方面的研究还存在一定空白。本文提出了面向单视角不确定数据的序数回归算法,丰富了该方面的研究工作。（2）本文利用最大间隔模型来处理序数回归中的不确定多视角数据学习问题,面向多视角不确定数据的序数回归算法能够通过充分融合多视角的数据来提高模型的总体精度,并降低不确定数据对分类模型的影响。（3）本文在真实数据集上进行了大量的实验,并汇报了平均0-1误差和平均绝对误差。实验结果表明,本文方法的性能明显优于现有的序数回归算法。

关键词：序数回归不确定信息多视角学习最大间隔

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向序数回归的组合特征提取方法

计算机科学 2019年第6期46卷 69-74页

作者：曾庆田刘晨征倪维健段华山东科技大学计算机科学与工程学院山东青岛266590l 山东科技大学电子信息工程学院山东青岛266590l 山东科技大学数学与系统科学学院山东青岛266590

序数回归(也称序数分类)是一种监督学习任务,即使用具有自然顺序的标签对数据项进行分类。序数回归与诸多实际问题密切相关,近几年关于序数回归的研究受到越来越多的关注。序数回归与其他监督学习任务(分类、回归等)一样,需要通过特征... 详细信息

序数回归(也称序数分类)是一种监督学习任务,即使用具有自然顺序的标签对数据项进行分类。序数回归与诸多实际问题密切相关,近几年关于序数回归的研究受到越来越多的关注。序数回归与其他监督学习任务(分类、回归等)一样,需要通过特征提取来提高模型的效率和准确性。虽然特征提取被广泛研究并用于分类学习任务中,但是在序数回归中的研究较少。众所周知,相比单特征,组合特征可以表达更多的数据底层语义,但是加入一般的组合特征很难提高模型的准确性。文中基于频繁模式挖掘,借助K-L散度值来选取最有区分能力的频繁模式进行特征组合,提出了一种新的序数回归组合特征提取方法,并在公开数据集和自有数据集上使用多个序数回归模型进行实验。结果表明,使用最有区分能力的频繁模式组合特征,能够有效提升大多数序数回归模型的训练效果。

关键词：序数回归频繁模式特征组合特征选择

在线全文

学校读者我要写书评

暂无评论

半监督序数回归及其拓展研究

半监督序数回归及其拓展研究

作者：葛家明南京航空航天大学

学位级别：硕士

序数回归是多分类问题的一种特殊情况,专门用于解决样本标签具有明显偏序关系的多分类问题。这类问题在现实生活中大量存在,如信用评估、电影评分、台风预测等。然而,实际问题中往往缺少有标记的样本,而存在大量未标记的样本。相比普通... 详细信息

序数回归是多分类问题的一种特殊情况,专门用于解决样本标签具有明显偏序关系的多分类问题。这类问题在现实生活中大量存在,如信用评估、电影评分、台风预测等。然而,实际问题中往往缺少有标记的样本,而存在大量未标记的样本。相比普通多分类问题,序数回归的样本标记由于要考虑标签之间的偏序信息,标记过程更为复杂、代价更高。本文首先对现有相关研究成果的综述和整理。从半监督框架下的序数回归问题出发,对序数回归模型以及半监督序数回归模型进行了综述;同时对类不平衡问题的处理策略以及适用于半监督场景的主动学习技术做了介绍。最后本文重点研究了半监督场景下的序数回归需要解决的两个关键问题:半监督序数回归的训练效率问题和类不平衡问题,主要工作有以下两点:(1)针对半监督序数回归的效率问题,提出了一种增量式半监督序数回归算法。现有的半监督序数回归算法的训练均使用批量学习,训练时间久和占用空间大。针对这个问题,本文基于增量式半监督SVM,提出了一种增量式半监督序数回归算法,通过CCCP算法解决目标函数的非凸问题,然后运用解路径算法保证在一层循环内收敛到局部最优解。在大规模数据集上的实验证明了该算法能在保持和批量学习算法相似的泛化能力的同时,能大幅提高半监督序数回归模型的训练效率。(2)针对序数回归问题中经常出现的数据集类不平衡问题,提出了一种基于主动学习的序数回归算法。主动学习技术能在充分利用未标记样本的基础上尽可能地减少标记代价,并且主动学习在SVM模型中采样的样本是基本平衡的。因此,本文提出了一种基于主动学习采样策略的序数回归算法,提出了一种平衡偏好的采样策略,以及一组适用于类不平衡数据集的算法性能评价指标。在类不平衡数据集上的实验证明了所提出的基于主动学习的序数回归算法能有效地解决数据类不平衡问题带来的不利影响,取得更好的模型泛化能力。

关键词：序数回归半监督学习增量学习不平衡学习主动学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于CBAM的深度序数回归方法

智能计算机与应用 2021年第5期11卷 19-25页

作者：高永彬王慧星黄勃上海工程技术大学电子电气工程学院上海201620

本文针对单目深度估计模型深度序数回归算法中全图像编码器易丢失较大像素值像素特征信息和位置信息的缺点,提出一种基于CBAM的深度序数回归方法。首先,将CBAM嵌入到深度序数回归算法中作为全图像编码器,依次采用通道注意力机制和空间... 详细信息

本文针对单目深度估计模型深度序数回归算法中全图像编码器易丢失较大像素值像素特征信息和位置信息的缺点,提出一种基于CBAM的深度序数回归方法。首先,将CBAM嵌入到深度序数回归算法中作为全图像编码器,依次采用通道注意力机制和空间注意力机制来捕获图像完整的特征信息和位置信息,通过获得的注意力图重新调整原始特征;其次,对像素的深度值进行离散,将深度估计重新转化为序数回归问题;最后,使用回归损失函数对网络进行训练。实验结果表明,相比于其他有监督学习、半监督学习和无监督学习的方法,该方法在KITTI数据集上取得更好的效果。

关键词：单目深度估计 CBAM 通道注意力空间注意力序数回归

基于孪生卷积神经网络的半监督表情强度估计算法研究

在线全文

学校读者我要写书评

暂无评论

基于孪生卷积神经网络的半监督表情强度估计算法研究

作者：周龙普华中师范大学

学位级别：硕士

面部表情在人们的日常交往中有着重要的作用,它直接传递了人们的情感。随着计算机科学技术的发展,自动化人脸表情分析成了一项受到越来越多关注的研究课题。面部表情分析也在人机交互和情感计算领域有着丰富的应用场景,如智能教育、医... 详细信息

面部表情在人们的日常交往中有着重要的作用,它直接传递了人们的情感。随着计算机科学技术的发展,自动化人脸表情分析成了一项受到越来越多关注的研究课题。面部表情分析也在人机交互和情感计算领域有着丰富的应用场景,如智能教育、医疗监控、数字营销、犯罪侦察等。通常来说,面部表情分析包括人脸表情识别和表情强度估计两项任务。现如今的人脸表情研究大多只关注于表情识别,即将表情识别为高兴、愤怒、恐惧、悲伤、惊讶、厌恶等六种基本表情,而对进一步区分强度等级的研究较少。心理学家指出,面部表情强度估计在解读面部表情的含义方面起着重要作用。然而标记面部表情强度是一项专业且耗时的任务。为了克服标记数据缺乏的问题,研究者们提出了顺序回归(Ordinal Regression)模型,以在无监督的情况下估计序列中每个表情图像的相对强度。但如果没有实际的强度标签,这些模型无法估计绝对强度。为进一步提高人脸表情强度估计的性能,一方面需要挖掘模型提取显著表情特征的能力,另一方可以寻找更多可用的监督信息用于网络训练。基于以上问题,本文在表情强度估计问题中做了以下探索工作:(1)为了解决标签不足的问题,同时克服身份信息对面部表情强度信息造成的干扰,提出了一种新的身份不变的半监督表情强度估计方法,利用显著的表情特征来估计表情强度。首先,面部表情由卷积神经网络提取特征,并与其对应的中性表情的特征做差分作为其显著的表情特征,目的是抑制表情无关特征对表情强度估计的影响。然后,将通过顺序信息构造的样本对输入到孪生卷积神经网络中,该网络通过多个损失监督无标记成对帧的相对强度、少数有标记关键帧的绝对强度以及大多数未标记帧的强度范围。(2)为了解决半监督学习对绝对强度估计精度不高的问题,提出了融合标签分布学习的增强序数回归方法(LDL-EOR)用于表情强度估计。利用序数回归学习相对强度,强度分布信息学习绝对强度,以抵抗手动和自动标签偏差引起的标签噪声。该设计旨在提高面部表情绝对强度估计的准确性,同时保持手动标记的低成本。通过计算数学期望值,将标签分布转化为连续强度值,使预测结果同时满足相对强度和绝对强度约束。为了保证LDL-EOR在不同监督环境下的可行性,本文提出了一个统一的标签分布生成框架,以逐帧自动重新标记训练数据。生成的软标签用于监督LDL-EOR模型,并增强其对原始标签中存在的噪声的鲁棒性。在CK+、BU-4DFE和PAIN数据集上做了大量的对比实验和消融研究,本文方法相比现有无监督和半监督方法在PCC、ICC和MAE等指标上均达到较高水平。

关键词：面部表情强度估计半监督学习孪生卷积神经网络序数回归标签分布学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向司法领域的文本分类方法研究

面向司法领域的文本分类方法研究

作者：董雄哈尔滨工业大学

学位级别：硕士

随着信息化的普及,司法领域提出了智慧司法的概念。智慧司法将人工智能,大数据等技术应用于司法工作之中,对司法过程与结果实行统一管理。自然语言处理是智慧司法的重要研究领域,其中包括机器翻译,文本分类,语言生成技术等。本文对智慧... 详细信息

随着信息化的普及,司法领域提出了智慧司法的概念。智慧司法将人工智能,大数据等技术应用于司法工作之中,对司法过程与结果实行统一管理。自然语言处理是智慧司法的重要研究领域,其中包括机器翻译,文本分类,语言生成技术等。本文对智慧司法中的文本分类任务进行了研究,在舆情文本和裁判文书分类两个数据集上进行了大量实验。这两个数据集可以代表大多数司法领域的文本分类任务,我们希望通过对这两个数据集的分析与实验,对司法文本分类进行全面详尽的研究。首先,我们研究并总结了常用的文本分类方法,为司法文本分类任务的研究奠定基础。其中,基于图卷积网络的文本算法在两个公开的数据集上都表现最好。我们对图卷积网络的结构以及过平滑问题进行了深入研究。针对图卷积网络中边的量纲不一致问题,提出了Hetero GCN,在Ohsumed数据集上取得了最好的结果。司法舆情是民众对于司法看法的直接反映。我们构建了首个司法舆情短文本数据集,使用多个基于深度学习的文本分类方法进行实验,报告了实验结果。针对Text GCN无法用于流式数据的缺陷进行了分析,基于分析结果提出了可用于流式数据的图卷积网络Stream GCN。实验证明了Stream GCN在司法舆情文本分类数据集上取得了最好的结果,我们基于此结果开发了司法舆情文本分类与分析系统。除了司法舆情外,裁判文书也是智慧司法的重点研究对象。图卷积网络中图的大小随样本的增大而指数增加,裁判文书中样本较多,文本平均长度较长,难以使用图卷积网络进行分类。预训练模型参数多,且能借助预训练得到的知识用于下游任务,我们在裁判文书数据集上使用多种预训练模型进行实验,实验结果超越多种基线模型。除此之外,量刑预测中的类别存在有序性,传统的分类方法无法很好地区分不同刑期的差异,我们借鉴多种用于图片年龄识别的序数回归方法,进一步提升了量刑预测的准确性。

关键词：智慧司法图卷积网络文本分类序数回归

基于序数估计和特征解缠的雾图像能见度检测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于序数估计和特征解缠的雾图像能见度检测方法研究

作者：吴琪安徽大学

学位级别：硕士

大气能见度作为一个重要的气象因素,不仅作用于气象部门的天气分析,也是影响航空航海、环境检测以及军事活动等的重要因素之一。对能见度的检测研究已经有了较长的历史,近些年来,随着数字成像技术的发展和普及,针对图像进行能见度检测... 详细信息

大气能见度作为一个重要的气象因素,不仅作用于气象部门的天气分析,也是影响航空航海、环境检测以及军事活动等的重要因素之一。对能见度的检测研究已经有了较长的历史,近些年来,随着数字成像技术的发展和普及,针对图像进行能见度检测的研究方兴未艾。相比传统的目视观测或光学传感器方法,基于图像的检测方法具有数据丰富、成本低、速度快、实时性高等优点,具有重要的学术和应用价值,也是现阶段该领域内的主要研究方向。与依赖手工特征的传统图像方法相比,基于深度学习的雾图像能见度检测,具有鲁棒性高、端到端和数据驱动的特点,方法的检测精度和实际应用效果均较好。但这些方法往往忽略数据内部的序数关系以及特征表示学习过程中的可解释性问题。本论文针对以上两个问题,借鉴并发展现有序数回归算法和解缠表示学习的相关内容,重新设计网络结构和学习方式。一方面,充分挖掘离散标注中的序数关系,通过样本间相对比较的学习方式,基于离散等级标签实现对图像能见度的相对连续估计;另一方面,构建对偶跨域的解缠表示网络,通过变换图像域间信息的方式,对能见度特征进行解缠表示,实现特征表示过程的可控和可解释性。最终,融合序数回归估计和解缠表示学习双任务,在充分利用数据集中监督信息的同时,提高网络特征提取和能见度估计的效果。最终的实验结果表明本文提出的模型,不仅实现了对能见度特征的解缠表示,而且在离散标注下能够实现更好的能见度估计结果。相比现有深度学习的图像能见度检测方法,所提出的基于序数估计和特征解缠的双任务学习方式,对数据序数信息的利用更加充分,检测效果也更好。同时,也可以帮助实现更好的图像去雾和图像属性编辑工作。

关键词：能见度估计序数回归解缠表示深度学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于组合特征的高阶因子分解机模型研究

基于组合特征的高阶因子分解机模型研究

作者：刘晨征山东科技大学

学位级别：硕士

因子分解机（Factorization Machine）是近几年被提出的,主要用于解决大规模稀疏数据中特征组合问题的算法,它是一种结合矩阵分解和支持向量机的机器学习算法。因子分解机对交叉项系数采用一种因子分解的方式,其在稀疏数据中也能很好的... 详细信息

因子分解机（Factorization Machine）是近几年被提出的,主要用于解决大规模稀疏数据中特征组合问题的算法,它是一种结合矩阵分解和支持向量机的机器学习算法。因子分解机对交叉项系数采用一种因子分解的方式,其在稀疏数据中也能很好的学到隐含数据中变量间的相互关系。组合特征是通过将单特征进行组合而形成的高阶特征,有助于表示数据中的非线性关系,可以表达比单特征更多的数据底层语义。本文立足于自定义特征组合,对面向分类和序数回归任务的因子分解机进行研究,具体成果如下:（1）基于频繁模式,提出一种面向分类的组合特征提取方法。首先,挖掘数据中有关类别的频繁模式,作为组合特征依据;其次,为了使提取的组合特征对类别区分有帮助,本文使用K-L散度度量频繁模式的类别区分能力;最后,给出了特征组合方式,利用最有区分能力的前m项频繁模式进行特征组合。实验结果表明,使用该方法提取的组合特征,对多数分类模型的效果都有提升。（2）针对序数回归问题,提出一种面向序数回归的组合特征提取方法。为了使提取的组合特征包含标签的序数信息,提出一种有序二元分解的方法,把序数回归有序分解为多个二元子问题。在每个二元子问题上,挖掘有关类别的频繁模式,并计算相关K-L散度。考虑到在不同子问题中,频繁模式K-L散度的不平衡性,提出一种循环选择频繁模式的方法,平衡选择区分不同等级的频繁模式,利用最后选择出的频繁模式进行特征组合。在公开数据集和自有数据集上,使用多种序数回归模型进行了实验论证。实验结果表明,使用最有区分能力的频繁模式组合特征,能够有效提升大多数序数回归模型的训练效果。（3）提出一种基于自定义高阶特征的因子分解机（CHOFM）。因子分解机只能学习特征之间的二阶关系,属于二阶多项式模型。高阶因子分解机通过穷举的方式,列举了全部特征组合项,这导致模型过于复杂,不易求解。本文提出一种基于自定义高阶特征的因子分解机,使用一组自定义的高阶特征组合规则集代替原始的高阶组合。这种方式既减少了无效的特征组合,同时保留高阶组合特征的表达能力。本文给出了基于SGD的CHOFM模型训练方法。实验结果表明,CHOFM模型效果相对FM模型更优。此外,CHOFM模型具有更好的收敛性。

关键词：因子分解机特征组合特征选择序数回归频繁模式