在少样本学习场景中，模型无关的元学习（Model-Agnostic Meta-Learning，MAML）以其独立于特定基模型的灵活性和适用性而闻名。然而，MAML及其变体缺少对任务特定的特征（如特征通道）进行适应性调整，它们依赖全局初始参数，固定内环步数，训练过程缺乏可解释性。本文提出一种使用逻辑回归和通道注意力的快速可解释且自适应的方法（Meta-Learning with Logistic Regression and Channel Attention， ML-LRCA），目标是通过适应性调整任务特定的通道权重和利用逻辑回归快速适应任务自适应损失函数来增强框架的自适应性和可解释性。在多个开源数据集上的实验结果表明，ML-LRCA方有助于提升在少样本分类、少样本回归以及跨域学习等场景的性能。
同时定位与建图(Simultaneous Localization and Mapping,SLAM)技术使移动机器人在缺乏先验环境信息的条件下,能够在估计自身位姿的同时构建环境地图。然而,在海洋、矿洞等复杂环境中,移动机器人容易受到随机突变噪声的干扰,进而导致SLA...
详细信息
同时定位与建图(Simultaneous Localization and Mapping,SLAM)技术使移动机器人在缺乏先验环境信息的条件下,能够在估计自身位姿的同时构建环境地图。然而,在海洋、矿洞等复杂环境中,移动机器人容易受到随机突变噪声的干扰,进而导致SLAM性能下降。现有的概率假设密度(Probability Hypothesis Density,PHD)SLAM算法未考虑随机突变噪声,受到干扰时在线自适应调整能力较弱。为解决移动机器人因随机突变噪声导致状态估计和建图精度降低的问题,本文结合强跟踪滤波器(Strong Tracking Filter,STF)与PHD滤波器,提出了一种基于强跟踪的自适应PHD-SLAM滤波算法(Strong Tracking Probability Hypothesis Density Simultaneous Localization and Mapping,STPHD-SLAM)。该算法以PHD-SLAM为框架,针对过程噪声协方差和量测噪声协方差随机突变问题,本文通过在特征预测协方差中引入STF中的渐消因子,实现了对特征预测的自适应修正和卡尔曼增益的动态调整,从而增强了算法的自适应能力。其中渐消因子根据量测新息递归更新,确保噪声突变时每个时刻的量测新息保持正交,从而充分利用量测信息,准确并且快速地跟踪突变噪声。针对渐消因子激增导致的滤波器发散问题,本文对渐消因子进行边界约束,提高算法的鲁棒性。仿真结果表明,在量测噪声协方差和过程噪声协方差随机突变的情况下,所提算法相较于PHD-SLAM 1.0和PHD-SLAM 2.0的定位和建图精度都得到了提高,同时保证了计算效率。
目前大多数方面级情感分类研究都忽略了方面词的建模,以及方面词与上下文之间的交互信息,并且难以体现语法上与方面词有直接联系上下文单词的重要程度。针对上述问题,提出基于方面词交互(aspect word interaction,AWI)和图卷积网络(grap...
详细信息
目前大多数方面级情感分类研究都忽略了方面词的建模,以及方面词与上下文之间的交互信息,并且难以体现语法上与方面词有直接联系上下文单词的重要程度。针对上述问题,提出基于方面词交互(aspect word interaction,AWI)和图卷积网络(graph convolutional network,GCN)的方面级情感分类模型(AWI-GCN)。使用双向长短期记忆网络(bi-directional long short-term memory,Bi-LSTM)分别提取方面词和上下文的特征;采用GCN根据句法依存树进一步提取与方面词有直接语法联系的上下文情感特征;利用注意力机制学习方面词与上下文的交互信息,同时提取上下文中为方面词情感分类做出重要贡献的情感特征。针对3个公开数据集上的仿真实验结果表明,AWI-GCN模型相比当前代表模型取得了更好的情感分类效果。
暂无评论