检索范围：
排序： 展示方式：
人工智能新方向：类人、机器、仿生和量子智能 Comment
李伟钢,Liriam Michi ENAMOTO,Denise Leyi LI,Geraldo Pereira ROCHA FILHO
《信息与电子工程前沿（英文）》 2022年 第23卷 第6期 页码 984-990 doi: 10.1631/FITEE.2100227
本评论回顾1998年提出的“一次性学习”（once learning，OLM）机制，和随后出现的用于图像分类的“一瞥学习”（one-shot learning）以及用于目标检测的“你仅看一次”（you only look once，YOLO）。这些被认为是AI研发的主要方向，并按以下分类标准区分：（1）以类人、机器、仿生或量子计算为本的AI研发;（2）升维或降维的信息输入;（3）小样本或大数据知识学习。
通讯式学习——统一的机器学习模式 Review
袁路遥, 朱松纯
《工程（英文）》 2023年 第25卷 第6期 页码 77-100 doi: 10.1016/j.eng.2022.10.017
In this article, we propose a communicative learning (CL) formalism that unifies existing machine learning paradigms, such as passive learning, active learning, algorithmic teaching, and so forth, and facilitates the development of new learning methods. Arising from human cooperative communication, this formalism poses learning as a communicative process and combines pedagogy with the burgeoning field of machine learning. The pedagogical insight facilitates the adoption of alternative information sources in machine learning besides randomly sampled data, such as intentional messages given by a helpful teacher. More specifically, in CL, a teacher and a student exchange information with each other collaboratively to transmit and acquire certain knowledge. Each agent has a mind, which includes the agent's knowledge, utility, and mental dynamics. To establish effective communication, each agent also needs an estimation of its partner's mind. We define expressive mental representations and learning formulation sufficient for such recursive modeling, which endows CL with human-comparable learning efficiency. We demonstrate the application of CL to several prototypical collaboration tasks and illustrate that this formalism allows learning protocols to go beyond Shannon's communication limit. Finally, we present our contribution to the foundations of learning by putting forth hierarchies in learning and defining the halting problem of learning.
关键词： Artificial intelligencehine Cooperative communication Machine learning Pedagogy Theory of mind
一种用于工业过程监测的鲁棒迁移字典学习算法 Article
阳春华, 梁慧平, 黄科科, 李勇刚, 桂卫华
《工程（英文）》 2021年 第7卷 第9期 页码 1262-1273 doi: 10.1016/j.eng.2020.08.028
学习挑选伪标签：一种用于命名实体识别的半监督学习方法 Research Articles
李真真,冯大为,李东升,卢锡城
《信息与电子工程前沿（英文）》 2020年 第21卷 第6期 页码 809-962 doi: 10.1631/FITEE.1800743
结构健康监测数据科学与工程研究进展 Article
鲍跃全, 陈智成, 魏世银, 徐阳, 唐志一, 李惠
《工程（英文）》 2019年 第5卷 第2期 页码 234-242 doi: 10.1016/j.eng.2018.11.027
结构健康监测（SHM）是一个多学科交叉领域，涉及利用大量传感器和仪器对结构荷载和响应进行自动感知，然后根据收集到的数据对结构进行健康诊断。由于安装在结构上的 SHM 系统能自动实时地感知、评估和预警结构状态，所以海量数据是 SHM 的一个显著特征。本文旨在简要回顾笔者在 SHM 数据科学与工程方面开展的最新研究，具体涵盖基于压缩采样的数据采集算法、基于深度学习算法的异常数据诊断方法、基于计算机视觉技术的桥梁裂纹识别方法，以及基于机器学习算法的桥梁结构状态评估方法
机器学习和数据驱动算法在智慧发电系统中的应用——一种不确定性处理的视角 Review
孙立, Fengqi You
《工程（英文）》 2021年 第7卷 第9期 页码 1239-1247 doi: 10.1016/j.eng.2021.04.020
一种局部二次嵌入学习算法及其在软测量中的应用 Article
包垚垚, 朱远明, 钱峰
《工程（英文）》 2022年 第18卷 第11期 页码 186-196 doi: 10.1016/j.eng.2022.04.025
鉴于元学习在众多领域取得的巨大成就，本文针对数据回归问题提出了融合度量学习和神经网络（NN）的局部二次嵌入学习（LQEL）算法。首先，通过优化输入输出空间里样本间度量的全局一致性来改进马氏度量（Mahalanobis metric）学习算法；同时，通过引入松弛约束进一步证明了改进的度量学习问题等价于一个凸规划问题。然后，基于局部二次插值假设原理，引入了两个轻量级的神经网络，其一用于学习局部二次模型中的系数矩阵，另一个则用于对从不同局部近邻获得的预测结果进行权重分配。最后，将两个子模型嵌入统一的回归框架中，并通过随机梯度下降（SGD）算法学习模型参数。所提出的算法优势在于可充分利用目标标签中隐含的信息找到更可靠的参考样本。
面向多类不平衡学习的一对多海林格距离决策树研究 Research Articles
董明刚1,2,刘明1,2,敬超1,2,3
《信息与电子工程前沿（英文）》 2022年 第23卷 第2期 页码 278-290 doi: 10.1631/FITEE.2000417
MDLB：一种基于强化学习的元数据动态负载均衡机制 Research Articles
武兆琪1,卫今2,3,张帆1,郭威1,谢光伟2,3
《信息与电子工程前沿（英文）》 2020年 第21卷 第7期 页码 963-1118 doi: 10.1631/FITEE.1900121
联邦相互学习：一种针对异构数据、模型和目标的协同机器学习方法 Research Article
沈弢1,张杰2,贾鑫康2,张凤达1,吕喆奇1,况琨1,吴超3,吴飞1
《信息与电子工程前沿（英文）》 2023年 第24卷 第10期 页码 1390-1402 doi: 10.1631/FITEE.2300098
关键词： 联邦学习；知识蒸馏；隐私保护；异构环境
针对主动磁悬浮轴承干扰抑制的一类结合迭代学习控制与干扰观测器的解决方法 None
Ze-zhi TANG, Yuan-jin YU, Zhen-hong LI, Zheng-tao DING
《信息与电子工程前沿（英文）》 2019年 第20卷 第1期 页码 131-140 doi: 10.1631/FITEE.1800558
关键词： 主动磁悬浮轴承；迭代学习控制；干扰观测器
带有网络智能体的去中心化多智能体强化学习进展 Review Article
张凯清1,杨卓然2,Tamer BAŞAR1
《信息与电子工程前沿（英文）》 2021年 第22卷 第6期 页码 802-814 doi: 10.1631/FITEE.1900661
6G中联邦学习的应用、挑战和机遇 Review
杨照辉,陈明哲,黃繼傑,H. Vincent Poor,崔曙光
《工程（英文）》 2022年 第8卷 第1期 页码 33-41 doi: 10.1016/j.eng.2021.12.002
标准的机器学习方法需要在数据中心集中训练数据，从而采用集中式机器学习算法来进行数据分析和推理。联邦学习可解决这些问题。联邦学习可以使设备能够在没有数据共享和传输的情况下训练机器学习模型。本文全面概述了未来第六代（6G）无线网络的联邦学习应用。特别是，首先描述了将联邦学习应用于无线通信中的基本要求。然后详细介绍了无线通信中潜在的联邦学习新型应用，讨论了与新型应用相关的主要问题和挑战。最后，描述了用于无线通信的联邦学习的详细实现方案，并给出了联邦学习的难点和应用前景。
输入饱和下多智能体系统最优一致性控制：一类非零和博弈方法 Research Article
李洪阳1,2,魏庆来1,2,3
《信息与电子工程前沿（英文）》 2022年 第23卷 第7期 页码 1010-1019 doi: 10.1631/FITEE.2200010
DAN：一种用于个性化推荐的深度联合神经网络 Research Articles
王旭娜,谭清美
《信息与电子工程前沿（英文）》 2020年 第21卷 第7期 页码 963-980 doi: 10.1631/FITEE.1900236
关键词： 神经网络；深度学习；DAN；推荐
标题 作者 时间 类型 操作
京公网安备 11010502051620号
