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
扩大多元回归方法在跨组学研究中的范围 Article
Xiaoxi Hu, Yue Ma, Yakun Xu, Peiyao Zhao, Jun Wang
《工程(英文)》 2021年 第7卷 第12期 页码 1725-1731 doi: 10.1016/j.eng.2020.05.028
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
基于回归预测集成学习的交互式图像分割 Article
Jin ZHANG, Zhao-hui TANG, Wei-hua GUI, Qing CHEN, Jin-ping LIU
《信息与电子工程前沿(英文)》 2017年 第18卷 第7期 页码 1002-1020 doi: 10.1631/FITEE.1601401
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。多个基准数据集和两个实际工业应用数据集的计算结果表明,所提出的方法优于几种典型的回归方法。
基于场景自适应概念学习的无监督目标检测 Research Articles
浦世亮1,赵暐1,陈伟杰1,杨世才1,谢迪1,潘云鹤2
《信息与电子工程前沿(英文)》 2021年 第22卷 第5期 页码 615-766 doi: 10.1631/FITEE.2000567
无监督域自适应的动态参数化学习 Research Article
蒋润华1,2,韩亚洪1,2
《信息与电子工程前沿(英文)》 2023年 第24卷 第11期 页码 1616-1632 doi: 10.1631/FITEE.2200631
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
针对无监督域自适应问题的深度逐层领域修正算法 Article
Shuang LI, Shi-ji SONG, Cheng WU
《信息与电子工程前沿(英文)》 2018年 第19卷 第1期 页码 91-103 doi: 10.1631/FITEE.1700774
基于RGBD和稀疏学习的鲁棒目标跟踪 Article
Zi-ang MA, Zhi-yu XIANG
《信息与电子工程前沿(英文)》 2017年 第18卷 第7期 页码 989-1001 doi: 10.1631/FITEE.1601338
FAAD:一种无监督快速准确的数据流上多维序列异常检测方法 Regular Papers
Bin LI, Yi-jie WANG, Dong-sheng YANG, Yong-mou LI, Xing-kong MA
《信息与电子工程前沿(英文)》 2019年 第20卷 第3期 页码 388-404 doi: 10.1631/FITEE.1800038
微阵列数据集的特征选择技术:综合评述、分类和未来方向 Review
Kulanthaivel BALAKRISHNAN, Ramasamy DHANALAKSHMI
《信息与电子工程前沿(英文)》 2022年 第23卷 第10期 页码 1451-1478 doi: 10.1631/FITEE.2100569
为获得最佳结果,从微阵列数据集中检索相关特征已成为特征选择(FS)技术的研究热点。本综述旨在全面阐述各种最新特征选择技术,同时介绍了基于微阵列数据集的处理多类分类问题的技术以及提高学习算法性能的不同方法。我们试图理解和解决数据集不平衡问题,以证实研究人员在微阵列数据集上的工作。对文献的分析为理解和强调在通过各种特征选择技术寻找最佳特征子集时存在的众多挑战和问题铺平了道路。同时提供了一个案例说明该方法的实施过程,该方法使用3个微阵列癌症数据集评估一些包装方法和混合方法的分类精度和收敛能力,以确认最优特征子集。
关键词: 特征选择;高维;学习技术;微阵列数据集
种基于特征选择与迁移学习的度量补偿软件缺陷预测方法 Research Article
陈锦富1,2,王小丽1,2,蔡赛华1,2,徐家平1,陈静怡1,陈海波1
《信息与电子工程前沿(英文)》 2022年 第23卷 第5期 页码 715-731 doi: 10.1631/FITEE.2100468
关键词: 缺陷预测;特征选择;迁移学习;度量补偿
基于改进Kullback-Leibler散度稀疏自动编码机的战损评估 Article
Zong-feng QI, Qiao-qiao LIU, Jun WANG, Jian-xun LI
《信息与电子工程前沿(英文)》 2017年 第18卷 第12期 页码 1991-2000 doi: 10.1631/FITEE.1601395
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
标题 作者 时间 类型 操作