2021年, 第34卷, 第10期　刊出日期：2021-10-25

  

• 全选
  |

“自适应分类与聚类学习”专题
• Select
  基于类标感知的KNN分类算法

  卞则康, 张进, 王士同

  模式识别与人工智能. 2021, 34(10): 873-884. https://doi.org/10.16451/j.cnki.issn1003-6059.202110001

  PDF全文 ( ) HTML ( ) 可视化 收藏

  许多传统分类算法都以训练数据和测试数据具有相同或至少非常相似的分布为前提,但是在实际应用中,该前提很难得到保证,这降低支持向量机等传统分类算法的分类精度.因此,文中提出基于类标感知的KNN分类算法(CA-KNN).CA-KNN给出稀疏表示模型,基于任何测试数据都可使用训练数据集进行稀疏表示的假设.CA-KNN可有效利用数据集上的类标信息,提升稀疏表示的准确性.引入KNN的最近邻分类思想,进一步提升CA-KNN的泛化能力,并且从理论上证明CA-KNN分类器与最小误差的Bayes决策规则关联.实验和理论分析的结果表明,CA-KNN具有较好的分类性能.
• Select
  光滑有下界的奖惩结合损失函数的最大间隔双球模型

  康倩, 周水生

  模式识别与人工智能. 2021, 34(10): 885-897. https://doi.org/10.16451/j.cnki.issn1003-6059.202110002

  PDF全文 ( ) HTML ( ) 可视化 收藏

  在极度不平衡分类问题中,球形分类器将分类正确样本的损失计为零,仅使用误分样本构造决策函数.文中提出光滑有下界的奖惩结合损失函数,将分类正确样本的损失计为负,实现对目标函数的奖励,避免边界附近噪声的干扰.基于最大间隔双球面支持向量机,利用损失函数,建立奖惩结合的最大间隔双球模型.通过牛顿法构造两个同心球.小球体在覆盖多数类样本的同时抛弃多余的空隙.大球通过增加两个同心球之间的间隔,排除少数类.实验表明,文中模型分类效果较优.
• Select
  结合源域差异性与目标域不确定性的深度迁移主动学习方法

  刘大鹏, 曹永锋, 苏彩霞, 张伦

  模式识别与人工智能. 2021, 34(10): 898-908. https://doi.org/10.16451/j.cnki.issn1003-6059.202110003

  PDF全文 ( ) HTML ( ) 可视化 收藏

  针对训练深度模型时样本标注成本较大的问题,文中提出结合源域差异性与目标域不确定性的深度迁移主动学习方法.以源任务网络模型作为目标任务初始模型,在主动学习迭代中结合源域差异性和目标域不确定性挑选对模型最具有贡献的目标域样本进行标注,根据学习阶段动态调整两种评价指标的权重.定义信息榨取比概念,提出基于信息榨取比的主动学习批次训练策略及T&N训练策略.两个跨数据集迁移实验表明,文中方法在取得良好性能的同时可有效降低标注成本,提出的主动学习训练策略可优化计算资源在主动学习过程中的分配,即让方法在初始学习阶段对样本学习更多次数,在终末学习阶段对样本学习较少次数.
• Select
  基于度量的小样本分类方法研究综述

  刘鑫, 周凯锐, 何玉琳, 景丽萍, 于剑

  模式识别与人工智能. 2021, 34(10): 909-923. https://doi.org/10.16451/j.cnki.issn1003-6059.202110004

  PDF全文 ( ) HTML ( ) 可视化 收藏

  小样本学习旨在让机器像人类一样通过对少量样本的学习达到对事物认知和概括的能力.基于度量的小样本学习方法希望学习一个低维嵌入空间,直接对比查询集合和支持类之间的相似性,分类测试样本.文中针对基于度量的小样本学习方法,尝试从这类方法需要解决的关键问题、类表示学习和相似性度量入手,梳理相关文献.与已有相关综述不同,文中只针对基于度量的小样本学习方法进行更详尽全面的分类,而且从关键问题角度进行分类.最后总结目前代表性工作在常用的图像分类任务数据集上的实验结果,分析现有方法存在的问题,并展望未来工作.
• Select
  领域自适应任务中的动态参数调整方法

  张玉红, 余道远, 胡学钢

  模式识别与人工智能. 2021, 34(10): 924-931. https://doi.org/10.16451/j.cnki.issn1003-6059.202110005

  PDF全文 ( ) HTML ( ) 可视化 收藏

  领域自适应方法在特征变换过程中对多个度量大多采取静态权重设置,导致方法在不同任务上效果差异较大.为此,文中提出领域自适应任务中的动态参数调整方法.基于再生希尔伯特空间模型,最小化域间可区分性联合概率分布差异,求解域间不变特征空间.在此过程中,依据A-距离计算域间差异中同类标签和不同类标签分布差异的占比,并以此动态调整可区分性和可迁移性的权重参数,从而达到最优的自适应效果.在3个图像分类数据集上的实验表明文中方法的有效性.
• Select
  基于无监督域适应的可区分联合匹配算法

  张永, 夏天琦, 黄丹

  模式识别与人工智能. 2021, 34(10): 932-940. https://doi.org/10.16451/j.cnki.issn1003-6059.202110006

  PDF全文 ( ) HTML ( ) 可视化 收藏

  当域之间差异较大时,域适应的迁移效果较差.缩小域差可改善迁移效果,但却忽略后期分类时的可区分性.因此,文中提出基于无监督域适应的可区分联合匹配算法,根据域间类别的不同进行差异化处理,并结合特征匹配和实例重加权提高迁移效果.使用联合概率分布作为域之间数据分布差异的度量,缩小相同类域之间的距离,提高迁移性;扩大不同类域之间的距离,提高区分性.在特征降维的过程中联合特征匹配和实例重加权,共同构造特征变换矩阵.实验表明,文中算法在18组任务上的分类效果较优.
• Select
  基于深度网络的快速少样本学习算法

  代磊超, 冯林, 尚兴林, 苏菡, 龚勋

  模式识别与人工智能. 2021, 34(10): 941-956. https://doi.org/10.16451/j.cnki.issn1003-6059.202110007

  PDF全文 ( ) HTML ( ) 可视化 收藏

  少样本学习方法模拟人类从少量样本中学习的认知过程,已成为机器学习研究领域的热点.针对目前少样本学习迭代过程的任务量较大、过拟合现象严重等问题,文中提出基于深度网络的快速少样本学习算法.首先,利用核密度估计和图像滤波方法向训练集加入多种类型的随机噪声,生成支持集和查询集.再利用原型网络提取支持集和查询集图像特征,并根据Bregman散度,以每类支持集支持样本的中心点作为类原型.然后,使用L2范数度量支持集与查询图像的距离,利用交叉熵反馈损失,生成多个异构的基分类器.最后,采用投票机制融合基分类器的非线性分类结果.实验表明,文中算法能加快少样本学习收敛速度,分类准确率较高,鲁棒性较强.
• Select
  自适应Rulkov神经元聚类算法

  廖云荣, 任海鹏

  模式识别与人工智能. 2021, 34(10): 957-968. https://doi.org/10.16451/j.cnki.issn1003-6059.202110008

  PDF全文 ( ) HTML ( ) 可视化 收藏

  针对类间间距较小、可分性较差的样本数据聚类问题,文中提出自适应Rulkov神经元聚类算法.首先,构建基于自适应距离和共享近邻的相似度矩阵,将样本构成的无向图的最优分割问题转化为拉普拉斯矩阵的谱分解问题,并按特征值大小选取拉普拉斯矩阵的特征向量作为新的样本特征,增大样本类间间距,减小类内间距.然后,将样本根据新特征映射为神经元,样本特征距离决定神经元之间的耦合权值,通过耦合强度自学习进一步提升样本可分性.最后,通过强连通分量实现样本聚类.在多个合成数据集和真实数据集上的实验表明文中算法获得较优的聚类效果.