检索结果-内蒙古大学图书馆

计算机科学 2020年第8期47卷 171-177页

作者：刘凌云钱辉邢红杰董春茹张峰河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室河北保定071002

大数据时代的数据信息呈现持续性、爆炸性的增长,为机器学习算法带来了大量监督样本。然而,这对信息通常不是一次性获得的,且获得的数据标记是不准确的,这对传统的分类模型提出了挑战,而增量学习是一种重要的解决方法。但在增量学习中,... 详细信息

大数据时代的数据信息呈现持续性、爆炸性的增长,为机器学习算法带来了大量监督样本。然而,这对信息通常不是一次性获得的,且获得的数据标记是不准确的,这对传统的分类模型提出了挑战,而增量学习是一种重要的解决方法。但在增量学习中,样本的标记顺序将严重影响分类器的性能,特别是在分类器分类能力较弱的情况下,传统的增量学习方法容易过早地将噪声数据添加到训练集上,从而影响分类器的精度。为解决这个问题,文中提出一种基于Q-学习算法的增量分类模型。该模型利用强化学习中经典的Q-学习算法来合理选择样本增量序列,削弱噪声数据的负面影响,并实现在学习过程中自主标记样本。同时,为了解决当新增未标记样本集规模较大时,Q-学习中的状态空间与动作空间增大带来的计算复杂度和存储空间呈指数增长的问题,文中进一步给出了批量增量分类模型,有效降低了模型的计算复杂度并节约了存储空间。基于Q-学习算法的增量分类模型融合了增量学习及强化学习的思想,具有分类精度高、实时性强等优点。最后,在3个UCI数据集上进行实验来验证所提模型的有效性,结果表明该模型通过选择新增训练集合的确有助于提升分类器的精度,且由不同增量序列训练得到的分类器精度也有较大差异。基于Q-学习算法的增量分类模型可以利用已有的少量监督信息进行初始训练,通过自主标记样本构造增量训练集,并通过自监督的方式提高分类器的精度。因此,基于Q-学习算法的增量分类模型可被用于解决监督信息缺乏的问题,具有一定的应用价值。

关键词：增量学习 Q-学习在线学习分类强化学习

来源：评论

学校读者我要写书评

暂无评论

基于知识蒸馏和高效通道注意力的异常检测

引用

计算机科学 2023年第S02期50卷 577-586页

作者：周士金邢红杰河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室河北保定071002

基于知识蒸馏的异常检测方法通常将经过预训练的网络作为教师网络,并将与该教师网络的模型结构及规模大小相同的网络用作学生网络,对于待测数据,利用教师网络与学生网络之间的差异判定其为正常数据或异常数据。然而,教师网络与学生网络... 详细信息

基于知识蒸馏的异常检测方法通常将经过预训练的网络作为教师网络,并将与该教师网络的模型结构及规模大小相同的网络用作学生网络,对于待测数据,利用教师网络与学生网络之间的差异判定其为正常数据或异常数据。然而,教师网络与学生网络的结构和规模均相同,一方面,会使得基于知识蒸馏的异常检测方法在异常数据上产生的差异过小;另一方面,教师网络的预训练数据集在规模上远大于学生网络的训练集,这会使得学生网络产生大量的冗余信息。为了解决上述问题,将高效通道注意力(Efficient Channel Attention,ECA)模块引入到基于知识蒸馏的异常检测方法中,利用ECA的跨通道交互策略,设计比教师网络结构更简单且规模更小的学生网络,既可以有效地获取正常数据的特征,去除冗余信息,又能增大教师网络与学生网络之间的差异,提高异常检测的性能。在6个图像数据集上的实验结果表明,与其他5种相关方法相比,所提方法取得了更优的检测性能。

关键词：异常检测知识蒸馏注意力机制教师网络学生网络

来源：评论

学校读者我要写书评

暂无评论

基于无监督学习视觉特征的深度聚类方法

引用

南京航空航天大学学报 2021年第5期53卷 718-725页

作者：陈俊芬赵佳成翟俊海李艳河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室保定071002 北京师范大学珠海分校应用数学学院珠海519087

基于自编码器的特征提取技术广泛应用于图像聚类分析,在较简单的图像集上取得了令人满意的聚类结果,但自编码器的特征表示能力有限,很难捕捉到复杂低质图像的局部特征。本文提出一种基于非对称结构卷积自编码器(Convolutional auto-enco... 详细信息

基于自编码器的特征提取技术广泛应用于图像聚类分析,在较简单的图像集上取得了令人满意的聚类结果,但自编码器的特征表示能力有限,很难捕捉到复杂低质图像的局部特征。本文提出一种基于非对称结构卷积自编码器(Convolutional auto-encoder with an asymmetric structure,ASCAE)的学习视觉特征的深度聚类方法,其中非对称结构的卷积自编码器用于学习特征表示,然后使用K-means算法对特征数据进行聚类分析。为进一步提高特征表示能力,ASCAE方法的网络采用变步长的卷积层和全连接的重构误差正则约束网络的重构误差。在7个公开图像集上的实验结果表明该网络有很好的特征表示能力,并且使得K-means算法能提供很好的聚类结果。在COIL-20和MNIST图像集上,聚类方法ASCAE的聚类精度分别为0.754和0.918,优于同类型的4种深度聚类方法(AEC、IEC、DEC和DEN)。

关键词：图像聚类卷积自编码器特征表示 K-means算法聚类精度

来源：评论

学校读者我要写书评

暂无评论

基于中心核对齐的多核单类支持向量机

引用

计算机应用 2022年第2期42卷 349-356页

作者：祁祥洲邢红杰河北省机器学习与计算智能重点实验室(河北大学数学与信息科学学院) 河北保定071002

多核学习(MKL)方法在分类及回归任务中均取得了优于单核学习方法的性能,但传统的MKL方法均用于处理两类或多类分类问题。为了使MKL方法适用于处理单类分类(OCC)问题,提出了基于中心核对齐(CKA)的单类支持向量机(OCSVM)。首先利用CKA计... 详细信息

多核学习(MKL)方法在分类及回归任务中均取得了优于单核学习方法的性能,但传统的MKL方法均用于处理两类或多类分类问题。为了使MKL方法适用于处理单类分类(OCC)问题,提出了基于中心核对齐(CKA)的单类支持向量机(OCSVM)。首先利用CKA计算每个核矩阵的权重,然后将所得权重用作线性组合系数,进而将不同类型的核函数加以线性组合以构造组合核函数,最后将组合核函数引入到传统OCSVM中代替单个核函数。该方法既能避免核函数的选取问题,又能提高泛化性能和抗噪声能力。在20个UCI基准数据集上与其他五种相关方法进行了实验比较,结果表明该方法在13个数据集上的几何均值(g-mean)均高于其他对比方法,而传统的单核OCSVM仅在2个数据集上的效果较好,局部多核单类支持向量机(LMKOCSVM)和基于核目标对齐的多核单类支持向量机(KTAMKOCSVM)在5个数据集上的分类效果较好。因此,通过实验比较充分验证了所提方法的有效性。

关键词：多核学习中心核对齐单类支持向量机单类分类核函数

来源：评论

学校读者我要写书评

暂无评论

基于记忆增强GAN的异常检测

引用

计算机科学 2022年第S02期49卷 261-269页

作者：周士金邢红杰河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室河北保定071002

基于生成式对抗网络(Generative Adversarial Networks,GAN)的异常检测方法在训练阶段训练集仅由正常数据构成,当训练数据较为充分时,它在该训练集上能够取得较小的重构误差。然而在测试阶段,正常数据的重构误差和部分异常数据的重构误... 详细信息

基于生成式对抗网络(Generative Adversarial Networks,GAN)的异常检测方法在训练阶段训练集仅由正常数据构成,当训练数据较为充分时,它在该训练集上能够取得较小的重构误差。然而在测试阶段,正常数据的重构误差和部分异常数据的重构误差之间的差别很小,使得基于GAN的异常检测方法的判别性能较差。为了解决该问题,提出了基于记忆增强GAN的异常检测方法。在基于GAN的异常检测方法中加入记忆增强模块,使模型能够记忆正常数据的特征,从而使得异常数据的重构误差变大,该方法的判别性能得到增强。在MNIST,Fashion-MNIST和CIFAR-10上的实验结果表明,与相关方法相比,所提方法具有更优的检测性能。

关键词：异常检测生成式对抗网络记忆增强 MNIST

来源：评论

学校读者我要写书评

暂无评论

8-维3-李代数的Manin Triple

引用

山东大学学报（理学版） 2019年第6期54卷 30-33页

作者：白瑞蒲吴婴丽侯帅河北大学数学与信息科学学院河北保定071002 河北省机器学习与计算智能重点实验室河北保定071002

利用对合导子及伴随表示的对偶模构造了对偶 3-李代数,证明了特征为 0 的代数闭域上任意 4-维 3-李代数存在对合导子,并利用 4-维 3-李代数的对合导子构造了 7 种不同构的 8-维 3-李代数的 Manin Triple。

关键词： 3-李代数对合导子 Manin Triple

来源：评论

学校读者我要写书评

暂无评论

结合降噪和自注意力的深度聚类算法

引用

计算机科学与探索 2021年第9期15卷 1717-1727页

作者：陈俊芬张明赵佳成谢博鋆李艳河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室河北保定071002 北京师范大学珠海分校应用数学学院广东珠海519087

近几年,联合聚类划分和表示学习的深度聚类方法提供了出色的聚类性能,但随着图像质量的下降(比如噪声图像),聚类结果还不能令人满意。为此,提出一种新的深度聚类算法(DDC)。深度卷积降噪自编码器学习噪声数据的特征表示;自注意力机制提... 详细信息

近几年,联合聚类划分和表示学习的深度聚类方法提供了出色的聚类性能,但随着图像质量的下降(比如噪声图像),聚类结果还不能令人满意。为此,提出一种新的深度聚类算法(DDC)。深度卷积降噪自编码器学习噪声数据的特征表示;自注意力机制提高网络捕获局部关键信息的能力;端到端的联合训练得到合适的特征表示并完成聚类分配;对数据点和类中心的相似度赋予不同的权重,扩大同类和异类之间的差异。在公开图像数据集上的实验表明DDC算法的聚类性能更高;并与其他深度聚类算法进行对比,例如在COIL-20上DDC的聚类精度是0.803,而DEC算法仅是0.597。总之,结合自注意力和深度卷积降噪自编码器的DDC算法能对噪声图像进行更有效的聚类分析,扩大了图像聚类的应用范围。

关键词：深度聚类特征表示卷积降噪自编码器自注意力机制聚类精度

来源：评论

学校读者我要写书评

暂无评论

3-李代数T的结构

引用

吉林大学学报（理学版） 2021年第4期59卷 769-776页

作者：白瑞蒲刘培河北大学数学与信息科学学院河北省机器学习与智能计算重点实验室河北保定071002

利用三元可微函数构造一种无限维3-李代数T,并讨论T的结构.证明T是非3-可解的非单3-李代数,T的内导子代数ad T是不可分解的非可解李代数,且ad T的理想只有极大理想V的导系列V^((n))(n∈0x0E0xFF瘙0x01綄0x0F且n≥0).

关键词： 3-李代数 3-可解性内导子代数

来源：评论

学校读者我要写书评

暂无评论

三支半概念的广义结构及粗糙集近似算子

引用

模糊系统与数学 2022年第6期36卷 89-101页

作者：毛华马经泽牛振华张植明杨兰珍河北大学数学与信息科学学院河北保定071002 河北大学河北省机器学习与计算智能重点实验室河北保定071002

随着形式概念分析理论的发展,经典半概念理论也受到了广泛关注。三支半概念是将经典半概念与三支决策相结合而产生的新理论,也是一个知识发现与数据挖掘的有效工具。本文主要对三支半概念的结构和性质两个方面进行研究,首先将三支半概... 详细信息

随着形式概念分析理论的发展,经典半概念理论也受到了广泛关注。三支半概念是将经典半概念与三支决策相结合而产生的新理论,也是一个知识发现与数据挖掘的有效工具。本文主要对三支半概念的结构和性质两个方面进行研究,首先将三支半概念拓广到了广义三支半概念——OE-半概念和AE-半概念,给出了寻找二者的算法,接下来分别针对两种广义三支半概念构建了纯双布尔代数结构。此外,研究了三支半概念与经典半概念之间的关系,分别证明了它们之间的保运算以及序同构关系。最后利用粗糙集理论分别构建了经典半概念的两对算子,给出该算子的相关性质,并证明这两对算子为粗糙集近似算子。

关键词：三支半概念广义三支半概念三支决策纯双布尔代数粗糙集近似算子

来源：评论

学校读者我要写书评

暂无评论

基于双自编码器和Transformer网络的异常检测方法

引用

计算机应用 2023年第1期43卷 22-29页

作者：周佳航邢红杰河北大学数学与信息科学学院河北保定071002 河北省机器学习与计算智能重点实验室(河北大学) 河北保定071002

基于自编码器(AE)的异常检测方法利用重构误差判断待测样本是正常数据还是异常数据。然而,上述方法在正常数据与异常数据上产生的重构误差非常接近,导致部分异常数据很容易被错分为正常数据。为解决上述问题,提出一种由两个并行的AE和一... 详细信息

基于自编码器(AE)的异常检测方法利用重构误差判断待测样本是正常数据还是异常数据。然而,上述方法在正常数据与异常数据上产生的重构误差非常接近,导致部分异常数据很容易被错分为正常数据。为解决上述问题,提出一种由两个并行的AE和一个Transformer网络组成的异常检测方法——DATN-ND。首先,Transformer网络利用输入样本的瓶颈特征生成伪异常数据的瓶颈特征,从而在训练集中增加异常数据信息;其次,双AE将带有异常数据信息的瓶颈特征尽可能地重构为正常数据,增加异常数据与正常数据的重构误差差别。与记忆增强自编码器(MemAE)相比,DATN-ND在MNIST、Fashion-MNIST、CIFAR-10数据集上ROC曲线下面积(AUC)分别提升6.8、12.0和2.5个百分点。实验结果表明,DATN-ND能够有效扩大正常数据和异常数据在重构误差上的差别。

关键词：异常检测自编码器重构误差单类分类 Transformer网络

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：