针对小样本学习过程中样本数量不足导致的性能下降问题,基于原型网络(Prototype network,ProtoNet)的小样本学习方法通过实现查询样本与支持样本原型特征间的距离度量,从而达到很好的分类性能.然而,这种方法直接将支持集样本均值视为类原型,在一定程度上加剧了对样本数量稀少情况下的敏感性.针对此问题,提出了基于自适应原型特征类矫正的小样本学习方法(Few-shot learning based on class rectification via adaptive prototype features,CRAPF),通过自适应生成原型特征来缓解方法对数据细微变化的过度响应,并同步实现类边界的精细化调整.首先,使用卷积神经网络构建自适应原型特征生成模块,该模块采用非线性映射获取更为稳健的原型特征,有助于减弱异常值对原型构建的影响;然后,通过对原型生成过程的优化,提升不同类间原型表示的区分度,进而强化原型特征对类别表征的整体效能;最后,在3个广泛使用的基准数据集上的实验结果显示,该方法提升了小样本学习任务的表现.
针对车辆移动过程中服务质量(QoS)下降的问题,提出了一种基于凸优化使能深度强化学习的服务迁移(service migration via convex-optimization-enabled deep reinforcement learning,SeMiR)方法。将优化问题分解为两个子问题并分别求解;...
详细信息
针对车辆移动过程中服务质量(QoS)下降的问题,提出了一种基于凸优化使能深度强化学习的服务迁移(service migration via convex-optimization-enabled deep reinforcement learning,SeMiR)方法。将优化问题分解为两个子问题并分别求解;针对服务迁移子问题,设计了一种基于改进深度强化学习的服务迁移方法,以探索最优迁移策略;针对资源分配子问题,设计了一种基于凸优化的资源分配方法,以推导给定迁移决策下每台MEC服务器的最优资源分配,提升服务迁移的性能。实验结果表明:与基准方法相比,SeMiR方法能够有效提升车辆的QoS,在各种场景下均展现出更加优越的性能。
暂无评论