检索范围:
排序: 展示方式:
联合局部学习和组稀疏回归的无监督特征选择 Regular Papers
Yue WU, Can WANG, Yue-qing ZHANG, Jia-jun BU
《信息与电子工程前沿(英文)》 2019年 第20卷 第4期 页码 538-553 doi: 10.1631/FITEE.1700804
关键词: 无监督;局部学习;组稀疏回归;特征选择
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。
体育视频摘要中的镜头分类和回放检测 Research Article
Ali JAVED, Amen ALI KHAN
《信息与电子工程前沿(英文)》 2022年 第23卷 第5期 页码 790-800 doi: 10.1631/FITEE.2000414
杨学军,戴华东,夏军
《中国工程科学》 2002年 第4卷 第5期 页码 44-52
数据局部性是多处理器系统中的重要研究方向之一。结合该领域目前国内外研究现状和我们近一阶段的研究进展,讨论了多处理器系统中的数据局部性及其优化问题。针对现有局部性度量模型存在的不足,提出了一种增强的可用于层次式并行计算机体系结构的局部性度量模型。在静态和动态局部性优化技术方面,分别探讨了基于投影分层的数据变换框架和基于瞬时访问信息的动态页迁移策略,并展开了系列相关的讨论。另外,针对利用数据局部性时必须解决的一个关键问题——存储一致性问题,进行了深入的研究,提出了以操作系统为中心的线程存储一致性模型。
基于图块的局部加权表决标记融合分割算法 Article
Kai ZHU, Gang LIU, Long ZHAO, Wan ZHANG
《信息与电子工程前沿(英文)》 2017年 第18卷 第5期 页码 680-688 doi: 10.1631/FITEE.1500457
基于可靠特征点分配算法的鲁棒性跟踪框架 Article
Rong-feng ZHANG, Ting DENG, Gui-hong WANG, Jing-lun SHI, Quan-sheng GUAN
《信息与电子工程前沿(英文)》 2017年 第18卷 第4期 页码 545-558 doi: 10.1631/FITEE.1601464
基于含隐变量的贝叶斯网络质量相关局部加权的非平稳过程软测量方法 Research Articles
《信息与电子工程前沿(英文)》 2021年 第22卷 第9期 页码 1234-1246 doi: 10.1631/FITEE.2000426
CWLP:一种在GPU中协同的线程束调度和局部性保护的高速缓存分配策略 None
Yang ZHANG, Zuo-cheng XING, Cang LIU, Chuan TANG
《信息与电子工程前沿(英文)》 2018年 第19卷 第2期 页码 206-220 doi: 10.1631/FITEE.1700059
关键词: 局部性GPU;cache分配;线程束调度
刘晶晶,谢庆国
《中国工程科学》 2011年 第13卷 第10期 页码 105-112
联邦无监督表示学习 Research Article
张凤达1,况琨1,陈隆1,游兆阳1,沈弢1,肖俊1,张寅1,吴超2,吴飞1,庄越挺1,李晓林3,4,5
《信息与电子工程前沿(英文)》 2023年 第24卷 第8期 页码 1181-1193 doi: 10.1631/FITEE.2200268
关键词: 联邦学习;无监督学习;表示学习;对比学习
张锡祥
《中国工程科学》 2000年 第2卷 第7期 页码 55-65
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
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。
基于两级层次特征学习的图像分类方法 Article
Guang-hui SONG,Xiao-gang JIN,Gen-lang CHEN,Yan NIE
《信息与电子工程前沿(英文)》 2016年 第17卷 第9期 页码 897-906 doi: 10.1631/FITEE.1500346
标题 作者 时间 类型 操作