检索结果-内蒙古大学图书馆

山东大学学报（理学版） 2018年第3期53卷 13-23页

作者：余传明冯博琳田鑫安璐中南财经政法大学信息与安全工程学院湖北武汉430073 武汉大学信息管理学院湖北武汉430072

迁移学习专注于解决监督学习在小数据集上难以获得好的分类效果的问题,与传统监督学习的基本假设相比,它并不要求训练集和测试集服从相同或相似的数据分布。通过在标注资源丰富的源语言中学习,并将目标语言的文档投影到与源语言相同的... 详细信息

迁移学习专注于解决监督学习在小数据集上难以获得好的分类效果的问题,与传统监督学习的基本假设相比,它并不要求训练集和测试集服从相同或相似的数据分布。通过在标注资源丰富的源语言中学习,并将目标语言的文档投影到与源语言相同的特征空间中去,从而解决目标语言因数据量较小而难以获得好的分类模型的问题。选择亚马逊在书籍、DVD和音乐类目下的中文、英文和日文评论作为实验数据,情感分析作为研究任务,提出了一种新的跨语言深度表示学习模型(cross lingual deep representation learning,CLDRL),实现了不同语言环境下的知识迁移。实验结果表明,CLDRL模型在跨语言环境下最优F1值达到了78.59%,证明了该模型的有效性。

关键词：跨语言迁移学习深度表示学习情感分析

来源：评论

学校读者我要写书评

暂无评论

基于深度表示学习的跨领域情感分析

引用

数据分析与知识发现 2017年第7期1卷 73-81页

作者：余传明冯博琳安璐中南财经政法大学信息与安全工程学院武汉430073 武汉大学信息管理学院武汉430072

【目的】通过在标注资源丰富的源领域中学习,并将目标领域的文档投影到与源领域相同的特征空间中去,从而解决目标领域因数据量较小难以获得好的分类模型的问题。【方法】选择亚马逊在线购物网站在书籍、DVD和音乐类目下的中文、英文和... 详细信息

【目的】通过在标注资源丰富的源领域中学习,并将目标领域的文档投影到与源领域相同的特征空间中去,从而解决目标领域因数据量较小难以获得好的分类模型的问题。【方法】选择亚马逊在线购物网站在书籍、DVD和音乐类目下的中文、英文和日文评论作为实验数据,在卷积神经网络和结构对应学习的基础上提出跨领域深度表示模型(CDDRM),以实现不同领域环境下的知识迁移,并将其应用到跨领域情感分析任务之中。【结果】实验结果表明,CDDRM在跨领域环境下最优的F值达到0.7368,证明了该模型的有效性。【局限】CDDRM针对长文本的跨领域情感分类F值仍然有待提升。【结论】知识迁移能够解决监督学习在小数据集上难以获得好的分类效果的问题,与传统监督学习的基本假设相比,它并不要求训练集和测试集服从相同或相似的数据分布。

关键词：跨领域知识迁移深度表示学习情感分析

来源：评论

学校读者我要写书评

暂无评论

基于深度表示学习和高斯过程迁移学习的情感分析方法

引用

中文信息学报 2017年第1期31卷 169-176页

作者：吴冬茵桂林陈钊徐睿峰哈尔滨工业大学深圳研究生院计算机科学与技术学院广东深圳518055 腾讯科技(深圳)有限公司广东深圳518055

情感分析是自然语言处理领域的重要研究问题。现有方法往往难以克服样本偏置与领域依赖问题,严重制约了情感分析的发展和应用。为此,该文提出了一种基于深度表示学习和高斯过程知识迁移学习的情感分析方法。该方法首先利用深度神经网络... 详细信息

情感分析是自然语言处理领域的重要研究问题。现有方法往往难以克服样本偏置与领域依赖问题,严重制约了情感分析的发展和应用。为此,该文提出了一种基于深度表示学习和高斯过程知识迁移学习的情感分析方法。该方法首先利用深度神经网络获得文本样本的分布式表示,而后基于深度高斯过程,从辅助数据中迁移与测试集数据分布相符的高质量样例扩充训练数据集用于分类器训练,以此提高文本情感分类系统性能。在COAE2014文本情感分类数据集上进行的实验结果显示,该文提出的方法可以有效提高文本情感分类性能,同时可以有效缓解训练数据的样本偏置以及领域依赖问题的影响。

关键词：情感分析深度表示学习高斯过程迁移学习

来源：评论

学校读者我要写书评

暂无评论

基于深度表示学习的在线社交网络信息传播相关技术研究

基于深度表示学习的在线社交网络信息传播相关技术研究

引用

作者：陈学勤电子科技大学

学位级别：博士

随着在线社交网络(Online Social Networks,OSNs)的出现,人们创造和分享信息的方式发生了变化。在OSNs上,信息传播变得比传统社交媒体更快、更广泛。了解信息如何通过OSNs传播,以及哪些因素推动了信息传播的成功,对现实世界的广泛应用... 详细信息

随着在线社交网络(Online Social Networks,OSNs)的出现,人们创造和分享信息的方式发生了变化。在OSNs上,信息传播变得比传统社交媒体更快、更广泛。了解信息如何通过OSNs传播,以及哪些因素推动了信息传播的成功,对现实世界的广泛应用有重大意义。本论文基于深度表示学习对信息传播进行分析。具体地,本论文首先研究信息级联的建模与预测,然后在此基础之上,研究基于传播分析的OSNs谣言检测方法。本论文的主要研究内容如下:(1)提出了递归级联卷积网络模型(Cas CN),该模型通过图卷积网络和递归神经网络的组合,从基于时间戳的子级联图序列中提取结构-时间特征来预测级联的增量大小。此外,Cas CN中引入了级联拉普拉斯,克服了图神经网络在处理有向图时的局限性。在两个真实世界的数据集上进行的实验结果表明,Cas CN可以有效提取信息级联的结构-时间特征,并且在级联增量预测任务上优于其他基线方法。(2)提出了多尺度级联模型(MUCas),旨在从信息级联中提取多尺度特征以用于级联增量预测。MUCas利用多尺度图胶囊网络和影响注意力来学习和融合信息级联的动态尺度、方向尺度、位置尺度和高阶尺度信息。此外,设计了基于时间区间的子级联图采样方法以提高采样效率和质量。在实验中,验证了MUCas提取不同尺度的级联特征的有效性,以及多尺度特征对于提高预测精度的重要性。(3)提出了宏微观感知的谣言检测模型(MMRD),该模型仅通过探索不同层次的传播模式来检测谣言。MMRD利用图神经网络以及双向递归神经网络分别从传播图和传播路径中学习谣言传播的宏观传播模式和微观传播模式。另外,MMRD还通过知识蒸馏技术来创建更强大的学生模型,进一步提高模型检测性能。MMRD在基准Twitter数据集上进行了评估,其表现优于其他基线方法,并可以在谣言传播的早期阶段获得良好的检测结果。(4)从传播用户的角度,提出了用户级谣言检测模型(UMLARD)。UMLARD通过三个特定视图嵌入方法从不同的输入中提取用户多视图特征,解决了输入特征与高级表征之间的纠缠问题。UMLARD还创新性地提出了基于胶囊的注意力层来取代以往工作中的多头注意力机制,在性能和时间成本上都更加有效。与最新的基线相比,在多个数据集上的广泛实验结果评估表明了UMLARD的有效性和可靠性。

关键词：在线社交网络深度表示学习信息级联建模谣言检测

来源：评论

学校读者我要写书评

暂无评论

基于深度表示学习的录音设备源识别研究

基于深度表示学习的录音设备源识别研究

引用

作者：朱栋梁湖北工业大学

学位级别：硕士

录音设备源识别技术作为数字音频被动取证领域的重要分支之一,广泛应用于司法安全、媒体取证、军事信息等领域。目前,基于传统方法的录音设备源识别技术已经得到了较为充分的发展,而基于深度学习的录音设备源识别技术仍有许多关键问题... 详细信息

录音设备源识别技术作为数字音频被动取证领域的重要分支之一,广泛应用于司法安全、媒体取证、军事信息等领域。目前,基于传统方法的录音设备源识别技术已经得到了较为充分的发展,而基于深度学习的录音设备源识别技术仍有许多关键问题待解决。本文主要解决以下录音设备源识别的问题:(1)录音设备源识别领域特征表征性不够好,并且模型包含太多手工设计的超参数;(2)特征信息过于单一,忽略了录音设备源特征中时序信息;(3)深度网络模型训练时间过长。(1)针对录音设备源识别领域特征表征性不够好,并且模型包含太多手工设计超参数的问题,本文提出了基于端到端的多特征融合录音设备源识别方法。该方法首先采用MFCC、GSV和I-vector三种特征作为输入,然后通过深度网络提取MFCC和GSV的深度表示特征,最后使用注意力机制实现三种特征的有效互补融合。另外,该方法还采用端到端识别架构,该架构可以有效解决传统模型包含太多手工设计的超参数等问题,使模型测试结果更加稳定。该方法识别准确率为97.4%,相较于基准模型提高了5.8%。(2)针对录音设备源特征信息单一,忽略了录音设备源特征中时序信息问题,本文提出了基于端到端的空间和时序信息融合录音设备源识别方法。该方法使用了Bi LSTM网络提取了MFCC中的深度时序特征,使用了DNN提取GSV中的深度空间特征。然后使用注意力机制对深度时序和空间特征融合,相较于多特征融合录音设备源识别方法,该方法在减少了一种特征输入的情况下,识别准确率增加了0.1%。(3)针对深度网络训练时间过长的问题,本文提出了基于密集残差TCN时序和CNN空间信息融合的录音设备源识别方法。该方法分别采用了空间、时序和通道注意力机制,其中空间和时序注意力机制分别为GSV和MFCC分配权重,增强了两种特征的表征性。通道注意力机制为深度时序和空间特征分配权重,可以使两种特征更有效的融合。此外,该方法提出了密集残差TCN进行深度时序特征的提取,相较于DNN深度空间特征和Bi LSTM深度时序特征融合方法,该方法识别准确率提升了0.1%,训练时间减少了20倍,提升了录音设备源识别任务的整体识别效率。综上,本文针对录音设备源识别特征表征不够强和模型包含太多手工设计超参数的问题,提出了基于端到端的多特征融合设备源识别方法。其次,针对录音设备源特征信息单一问题,本文提出了基于端到端的空间和时序特征融合录音设备源识别方法。最后,针对录音设备源识别任务训练时间过长问题,本文提出了基于密集残差的TCN时序特征和CNN空间特征融合录音设备源识别方法。

关键词：录音设备源识别深度表示学习时序特征空间特征密集残差TCN

来源：评论

学校读者我要写书评

暂无评论

面向不均衡数据的跨模态深度表示学习研究与应用

面向不均衡数据的跨模态深度表示学习研究与应用

引用

作者：张初兵南京理工大学

学位级别：硕士

跨模态深度表示学习旨在利用不同模态间的关联标记,学习跨模态的一致表征,进而用于跨模态检索、推荐等实际应用。目前,跨模态深度表示学习的核心挑战在于在共享空间中约束不同模态数据表示的一致性,以克服不同模态间的语义鸿沟。传统的... 详细信息

跨模态深度表示学习旨在利用不同模态间的关联标记,学习跨模态的一致表征,进而用于跨模态检索、推荐等实际应用。目前,跨模态深度表示学习的核心挑战在于在共享空间中约束不同模态数据表示的一致性,以克服不同模态间的语义鸿沟。传统的方法通常假设不同模态的信息量是均衡的,进而可基于距离最小化、相似度最大化等损失学习一致表征。而在真实复杂环境中,考虑数据噪声、稀疏等问题,模态往往呈现不均衡性,具体表现为各模态呈现强弱之分(可由任务性能区分,如单模态检索性能好的为强模态,性能差的为弱模态),而强一致性则会导致强模态的语义偏差,造成强弱模态竞争,影响检索、推荐任务性能。针对上述挑战,本论文从共享语义约束、近邻信息增强两方面入手,在保证强模态表征不受干扰的同时,学习弱模态隐含嵌入表征,从而获得更为一致的跨模态对齐表示。 (1)共享语义约束下的跨模态深度表示学习网络:针对面向标记级别的跨模态粗粒度检索,本文创新性地发现传统的一致性约束会造成弱模态对强模态的干扰,导致强模态的样本结构信息退化,进而影响跨模态粗粒度检索的性能。针对该问题,本文设计了一种简单实用的共享语义约束下的跨模态深度网络,利用类别标记学习一致的跨模态样本结构。具体地,本文利用Transformer模型架构作为跨模态语义共享模型,迭代地输入图文模态。同时,损失函数中则直接抛弃一致性约束,转而利用各模态的标记预测损失更新模型。通过保证各模态在语义共享模型上迭代训练的性能不下降的同时,学习跨模态潜在的一致结构信息,最终可提升模型在跨模态粗粒度检索任务上的性能。经多个公开数据集实验验证,所提方法在粗粒度检索效果上性能最优。 (2)基于多任务协同的跨模态深度表示学习网络:针对面向样本级别的跨模态细粒度检索,本文同样发现传统的一致性约束会造成强模态表征学习受到弱模态影响,导致强模态的表征产生语义偏差,未能达到最优跨模态一致表征。为此,本文进一步结合多任务协同学习的思想,权衡跨模态的一致表征学习与单模态的最优样本结构学习,在保证各模态最优样本结构的同时,反向促进跨模态的一致表征学习。具体地,本文基于跨模态双流Transformer模型架构,在跨模态表征一致性损失的基础上,利用多模态加权融合的最优多元组关系约束单模态的样本关系,通过一致性损失与结构约束的联合学习,综合考虑各模态的样本关系及跨模态的一致表征。实验表明,所提方法在公开数据集上跨模态检索、单模态检索均取得了显著提升。 (3)基于近邻增强的跨模态图深度网络:针对面向多模态图数据的跨模态推荐任务,传统方法通常需要学习用户-商品间的一致表征,进而可为用户推荐新的商品。但样本稀疏问题通常会影响跨模态的一致表征学习,即弱模态样本(近邻稀疏样本)表征学习难。为此,本文设计了一种新颖的跨模态图深度网络。首先,本方法面向用户-商品对自适应构建子图,利用多模态近邻丰富弱模态样本的表征。其次,本方法通过构建的图Transformer,在自注意力机制中嵌入关系表征,有效挖掘图信息,进而学习更为一致的用户-商品一致表征。实验表明,所提方法在跨模态推荐上取得了最优性能。

关键词：跨模态深度表示学习不均衡性 Transformer 一致表征

来源：评论

学校读者我要写书评

暂无评论

基于深度表示学习的活动轨迹相似度研究

基于深度表示学习的活动轨迹相似度研究

引用

作者：张益凡苏州大学

学位级别：硕士

移动设备支持的全球定位系统和无线通信技术的普及为轨迹数据的产生和发展奠定了基础,由此也衍生出一系列关于轨迹的研究和应用。轨迹相似度计算是一项热门研究,被广泛应用于兴趣点推荐、路径规划等方向。随着基于位置社交网络的发展,... 详细信息

移动设备支持的全球定位系统和无线通信技术的普及为轨迹数据的产生和发展奠定了基础,由此也衍生出一系列关于轨迹的研究和应用。轨迹相似度计算是一项热门研究,被广泛应用于兴趣点推荐、路径规划等方向。随着基于位置社交网络的发展,活动轨迹的产生赋予了传统轨迹数据额外的语义信息。现有的相似度算法不仅忽略了活动轨迹中丰富的语义信息,而且难以工作于低采样频率的轨迹数据(异质性问题)。针对这两点问题,本文提出了一种基于深度表示学习的活动轨迹相似度计算模型。为了优化此模型在处理长轨迹和区分多重特征上的不足,设计了一种基于分级注意力机制的相似度计算模型。具体工作如下:针对现有相似度算法局限于时空特征的问题,本文结合活动轨迹的语义信息,提出一种基于深度表示学习的活动轨迹向量化模型(At2vec)。首先以低频轨迹作为输入而高频轨迹为目标,解决了传统算法中的数据异质性问题。其次采用矩阵拼接将活动轨迹的语义信息和时空特征融合,为模型生成奠定数据基础。最后提出一种语义邻近感知(STA)损失函数来解决模型训练收敛速度慢的问题。由于At2vec模型无法捕获轨迹的长期依赖且难以提取多特征的关键元素,提出了一种基于分级注意力机制的轨迹相似度计算模型(At2vec+Atten)。该模型设计了点级、特征级和编码器级三层注意力机制,实现对轨迹点和特征数据的自动加权。采用LSTM网络改进Seq2Seq模型,从而学习出更深层的序列依赖关系。针对语言模型处理时空数据的缺陷提出一种数据预训练算法,以增强数据质量的方式完善模型。本文实验于纽约和洛杉矶两个轨迹数据集,结果表明At2vec模型在评价指标自相似性度量、交叉距离、KNN查询上效果均优于现有方法。而At2vec+Atten模型的实验结果证明其在At2vec模型基础上进一步提升相似度计算的精度。此外,模型对不同采样率的轨迹都能保持有效性,证明该方法很好地解决了异质性问题。

关键词：轨迹相似性活动轨迹深度表示学习注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于深度表示学习的实体属性情感分析

基于深度表示学习的实体属性情感分析

引用

作者：张翔天津大学

学位级别：硕士

随着互联网的飞速发展,电商平台逐渐兴起,越来越多的人选择用电商平台购物。人们在消费前往往会关注已买消费者对产品做出的评价,关注产品质量是否过关并判断产品是否符合自身需求,商家也会根据客户评论及时提升产品质量,调整商品供货... 详细信息

随着互联网的飞速发展,电商平台逐渐兴起,越来越多的人选择用电商平台购物。人们在消费前往往会关注已买消费者对产品做出的评价,关注产品质量是否过关并判断产品是否符合自身需求,商家也会根据客户评论及时提升产品质量,调整商品供货满足更多消费者需求,评论数据的情感分析应用而生。随着产品复杂度提升,一段用户评价中可能包含对该产品多个方面的评价,单纯对整句话做情感分析并不能够代表每个属性,而基于不同实体属性的情感分析方法的提出解决了这一问题。基于实体属性的情感分析属于细颗粒度情感分析任务,主要针对同一语料中不同实体或同一实体的不同属性进行针对性分析,很好解决多属性情况不同属性对应不同情感极性的场景。现阶段,基于实体属性的情感分析对上下文语义的深度理解不够,同时将属性词向量平均化方式直接运算,并且大部分工作都基于英文统一数据集进行,很少考虑使用预训练词向量模型来提升词表示程度,导致模型在中文方面的运用受阻。本文针对现存问题,提出一种基于深度表示学习的实体情感分析方法。本方法首先借助在超大规模语料库上训练得到的预训练词表示模型学习语料上下文间深层语义信息,再利用下游模型结构对所提取到的语义信息进一步处理,其中包括将语料分为目标词上文、目标词、目标词下文分别运算的拼接策略,以及将实体属性词进行自注意力运算的注意力层,并最终通过softmax函数进行归一化运算,输出预测结果。经过实验,本文提出的基于深度表示学习的实体属性情感分析模型,在使用了三种深度表示学习的预训练模型后,结合Bi-LSTM层不同拼接策略并引入属性词注意力权重计算,模型性能在中文语料上表现较好,在手机评论类实体属性数据上情感极性预测准确率最高达到91%,并在不包含属性词的语料上也具有预测价值,说明模型有较强的中文语料上下文深层语义理解能力。随后,本文针对在实验过程中发现的属性词位置对实验结果的影响,提出基于原有模型改进的动态模型,增强模型鲁棒性。此外,在本文中采用独立标注的2.4万条中文电商平台手机评论数据,对每句语料都标注了目标实体属性以及对应情感极性,弥补了中文实体属性情感分析方面缺乏大规模数据集的空缺。

关键词：深度表示学习情感分析实体属性

来源：评论

学校读者我要写书评

暂无评论

基于深度表示学习的细胞器蛋白识别方法研究

基于深度表示学习的细胞器蛋白识别方法研究

引用

作者：隋佳男济南大学

学位级别：硕士

细胞器是细胞中具有特定形态和功能的微结构,分布在细胞质中,构成细胞的基本组成部分,为细胞的正常运作提供支持。细胞器蛋白是一类附着或分布在细胞器内的蛋白质,对于细胞器发挥功能具有关键作用。蛋白质在细胞器中的异常表达可能导致... 详细信息

细胞器是细胞中具有特定形态和功能的微结构,分布在细胞质中,构成细胞的基本组成部分,为细胞的正常运作提供支持。细胞器蛋白是一类附着或分布在细胞器内的蛋白质,对于细胞器发挥功能具有关键作用。蛋白质在细胞器中的异常表达可能导致细胞器功能失调,从而引发多种疾病。准确识别细胞器蛋白的类型对于深入研究其在细胞活动中的作用以及疾病治疗药物的研发具有重要意义。随着机器学习的不断发展,越来越多的模型被设计用于细胞器蛋白的识别。然而,目前的模型大多采用传统的手动特征提取方法,例如氨基酸组成和物理化学性质,这些方法在捕捉蛋白质序列中的复杂模式和氨基酸之间的相互作用方面存在一定的局限性。相比之下,在大型蛋白质数据库上训练的深度表示学习模型能够自动学习层次化的特征表示,有效地捕捉蛋白质序列的复杂模式和相互关系。另一方面,细胞器蛋白特有的结构特征是其定位在目标细胞器并发挥作用的关键,而以往的研究忽略了这一特征,导致模型识别精度不高。本文专注于利用深度表示学习方法开展细胞器蛋白识别研究,旨在突破传统特征提取方法的局限性。研究中全面深入地探讨了蛋白质序列的复杂性及其空间结构的重要性,并成功实现了对细胞器蛋白的高效、准确识别。具体完成的主要工作和取得的成果如下: (1)提出了基于深度表示学习的过氧化酶体蛋白识别模型TAPE-Pero。该模型利用深度表示学习模型TAPE、Seq Vec和Pro SE提取过氧化酶体蛋白特征,通过合成少数过采样技术(Synthetic Minority Over-sampling Technique,SMOTE)缓解数据集样本中正负样本不均衡问题,避免模型分类出现较明显的偏差。然后利用方差分析法(Analysis of Variance,ANOVA)、弹性回归网络(Elastic Net)和博鲁塔算法(Boruta)进行特征选择,比较不同的特征选择方法并对初始特征进行筛选。之后,将筛选的特征输入到传统机器学习模型中。TAPE-Pero模型在十折交叉验证和双交叉验证中,准确率分别达到了98.97%和92.34%。最后,本文将构建的TAPE-Pero模型与当前最优模型In-Pero进行了对比,结果表明本研究的模型性能更加出色。 (2)提出了基于深度表示学习和蛋白质结构特征的植物液泡蛋白识别模型Graph Idn。该模型采用了深度表示学习模型Seq Vec,将蛋白质序列映射为连续的特征向量。同时,利用Alpha Fold2算法获取了蛋白质的结构信息,进而计算得到蛋白质的接触图。最后,将接触图输入到图卷积神经网络中提取蛋白质的结构特征。为了使模型更全面地捕捉蛋白质的复杂空间结构,本文引入了多头注意力。多头注意力的每个“头”能独立地学习和关注不同的特征,这有助于捕获蛋白质结构中更细微和复杂的模式。在独立测试集和五折交叉验证实验中,Graph Idn模型表现出色,其准确率分别达到了88.51%和89.93%,超过了先前的预测器,达到了领先水平。值得关注的是,本文实验中发现利用Seq Vec对蛋白质序列进行嵌入作为图神经网络的节点特征,有助于模型更好地提取蛋白质的结构特征。这项研究首次提出了利用预测的蛋白质拓扑结构图来识别植物液泡蛋白的模型,为相关领域的研究提供了新的见解和方法。 (3)提出了基于深度表示学习和多尺度特征的亚高尔基体蛋白识别模型SAGIDN。首先,使用深度表示学习模型Seq Vec将蛋白质序列转化为向量。之后,通过基于Text CNN的蛋白质序列局部特征提取模块和基于图卷积神经网络的蛋白质全局空间结构特征提取模块获取蛋白质不同尺度的特征。随后,将这两种尺度的特征进行融合。最终,所提出的SAGIDN模型在独立测试集和十折交叉验证中分别取得了98.4%和96.4%的准确率,显著超过先前大多数预测方法。为了评估模型的通用性,本文进行了额外实验,将其应用于其它细胞器蛋白的识别,包括植物液泡、过氧化酶体和亚线粒体,同样取得了不错的效果。这表明SAGIDN具有成为通用细胞器蛋白识别模型的潜力,有望应用于不同类型的细胞器蛋白识别任务。本文系统性地提出了三个细胞器蛋白识别模型,分别为TAPE-Pero、Graph Idn和SAGIDN,它们在处理样本不均衡、捕捉蛋白质复杂结构特征以及识别不同细胞器蛋白方面均表现出色。这些模型不仅显著提高了识别准确率,还展现了在不同细胞器蛋白识别任务中的通用性和潜力,为细胞器蛋白的准确识别与功能分析提供了强有力的工具和方法。

关键词：细胞器蛋白识别深度表示学习多头注意力图卷积神经网络多尺度特征

来源：评论

学校读者我要写书评

暂无评论

基于互信息的深度表示学习研究

基于互信息的深度表示学习研究

引用

作者：谢敬懿武汉大学

学位级别：硕士

机器学习算法的成功通常取决于数据表示。在构建分类器或其他预测器时,好的数据表示可以帮助我们更容易提取到隐藏的有效的信息,从而可以作为一个监督预测器的输入。在表示学习上,已经有很多经典的无监督表示学习和有监督表示学习方法,... 详细信息

机器学习算法的成功通常取决于数据表示。在构建分类器或其他预测器时,好的数据表示可以帮助我们更容易提取到隐藏的有效的信息,从而可以作为一个监督预测器的输入。在表示学习上,已经有很多经典的无监督表示学习和有监督表示学习方法,例如自编码器,独立成分分析算法,深度表示学习等等。在本文中,我们主要探索深度表示学习在有监督任务上的应用,并提出我们的有监督深度表示学习方法和用于训练表示的损失函数。在我们的方法中,提出表示的过程满足充分性即给出表示的情况下,使输入和目标条件独立。并使用互信息去等价刻画了该性质。实验结果表明这个方法在分类和回归上均取得了不错的结果。

关键词：有监督任务深度表示学习互信息充分性条件独立

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：