检索范围:
排序: 展示方式:
卢 锐,盛昭瀚
《中国工程科学》 2007年 第9卷 第8期 页码 35-39
自主创新、技术学习是台湾集成电路(IC)产业遵循比较优势的产业政策和技术政策的结果,是基于本土市场的自主创新以及企业在 技术学习上的努力,
Min Gu, Xinyuan Fang, Haoran Ren, Elena Goi
《工程(英文)》 2019年 第5卷 第3期 页码 363-365 doi: 10.1016/j.eng.2019.04.002
中国人工智能的伦理原则及其治理技术发展 Review
吴文峻,黄铁军,龚克
《工程(英文)》 2020年 第6卷 第3期 页码 302-309 doi: 10.1016/j.eng.2019.12.015
伦理原则和治理技术对于人工智能(AI)的健康和可持续发展至关重要。为了实现AI造福人类社会这一长期目标,中国政府、研究机构和企业已经发布了AI的伦理原则,并启动了研究AI治理技术的项目。
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。
关键词: 特征选择;高维;学习技术;微阵列数据集
基于机器学习的自动化恶意代码分类与新恶意代码检测技术 Article
Liu LIU, Bao-sheng WANG, Bo YU, Qiu-xi ZHONG
《信息与电子工程前沿(英文)》 2017年 第18卷 第9期 页码 1336-1347 doi: 10.1631/FITEE.1601325
高炉炼铁过程数据驱动软测量技术研究综述 Review Article
罗月阳1,张新民1,Manabu Kano2,邓龙3,杨春节1,宋执环1
《信息与电子工程前沿(英文)》 2023年 第24卷 第3期 页码 327-354 doi: 10.1631/FITEE.2200366
多智能体协作与博弈展望:挑战、技术和应用 Perspective
刘瑜1,李徵2,姜智卓2,何友1
《信息与电子工程前沿(英文)》 2022年 第23卷 第7期 页码 1002-1009 doi: 10.1631/FITEE.2200055
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
人工智能算法在网络空间安全中的应用:技术与现状综述 Review
陈捷1,2,武丹丹2,谢瑞云2
《信息与电子工程前沿(英文)》 2023年 第24卷 第8期 页码 1117-1142 doi: 10.1631/FITEE.2200314
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
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
基于深度学习技术的集群电动汽车及家庭热水系统灵活性预测 Article
胡俊杰, 周华嫣然, 周羿宏, 张海婧, Lars Nordströmd, 杨光亚
《工程(英文)》 2021年 第7卷 第8期 页码 1101-1114 doi: 10.1016/j.eng.2021.06.008
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。
标题 作者 时间 类型 操作