西南石油大學(xué)學(xué)院機(jī)器學(xué)習(xí)實(shí)驗(yàn)室多示例課題組在計(jì)算機(jī)科學(xué)頂級期刊《IEEE TSMC》上發(fā)表論文

來源：在職研究生招生信息網(wǎng) 發(fā)布時(shí)間：2021-12-16 15:21:20

日前，學(xué)院機(jī)器學(xué)習(xí)實(shí)驗(yàn)室多示例學(xué)習(xí)課題組：楊梅副教授、張雨軒（研究生）、閔帆教授與王熙照教授（深圳大學(xué)）合著的論文 “Multi-Instance Ensemble Learning With Discriminative Bags”在《IEEE Transactions on Systems Man Cybernetics: Systems（IEEE TSMC）》上發(fā)表。IEEE TSMC是中科院SCI一區(qū)、計(jì)算機(jī)科學(xué)頂級期刊，影響因子13.451，目前錄取率僅為10%左右。

　　多示例學(xué)習(xí)是一種比傳統(tǒng)監(jiān)督學(xué)習(xí)更具挑戰(zhàn)性的學(xué)習(xí)范式，其樣本標(biāo)簽在包級別給出。流行的多示例特征映射方法將每個(gè)包轉(zhuǎn)換為新特征空間的實(shí)例。然而，大多數(shù)方法無法保證包在新特征空間中的可區(qū)分性，且其模型不具備自增強(qiáng)能力。本論文提出了基于辨別包的多示例集成方法，其總體思想如下圖所示。包選擇技術(shù)(bag selection technique)分析數(shù)據(jù)集的空間及標(biāo)簽分布，設(shè)計(jì)辨別性指標(biāo)來選擇一組具有辨別性的包，并設(shè)計(jì)自增強(qiáng)方案，以提升辨別包的辨別能力；集成技術(shù)(ensemble thchnique)基于辨別包，訓(xùn)練多個(gè)分類器，并按其性能分配權(quán)重，用于提升模型的分類性能及穩(wěn)定性。

評論

1點(diǎn)贊

報(bào)名申請

請?zhí)峁┮韵滦畔?，招生老師?huì)盡快與您聯(lián)系。符合報(bào)考條件者為您提供正式的報(bào)名表，我們承諾對您的個(gè)人信息嚴(yán)格保密。

姓名*

最高學(xué)歷/學(xué)位*

請選擇

大專以下大專本科有學(xué)位本科無學(xué)位碩士博士

手機(jī)*

畢業(yè)時(shí)間*

請選擇

2027年 2026年 2025年 2024年 2023年 2022年 2021年 2020年 2019年 2018年 2017年 2016年 2015年 2014年 2013年 2012年 2011年 2010年 2009年 2008年 2007年 2006年 2005年 2004年 2003年 2002年 2001年 2000年

所在地區(qū)*

省份