检索结果-维普期刊中文期刊服务平台

基于核统计独立性准则的特征选择研究综述被引量：4: 1; 作者胡振威汪廷华周慧颖《计算机工程与应用》 CSCD 北大核心 2022年第22期54-64,共11页; 希尔伯特-施密特独立性准则(Hilbert-Schmidtindependencecriterion,HSIC)是一种基于核函数的独立性度量标准,具有计算简单、收敛速度快和偏差低等优点,广泛应用于统计分析和机器学习问题中。特征选择是一种有效的降维技术,它能评估特... 展开更多; 关键词特征选择希尔伯特-施密特独立性准则核方法机器学习; 在线阅读下载PDF 职称材料

基于伪标签依赖增强与噪声干扰消减的小样本图像分类: 2; 作者唐芮琪肖婷 +1 位作者迟子秋王喆《计算机科学》 CSCD 北大核心 2024年第8期152-159,共8页; 深度学习在图像分类领域的成功很大程度上依赖于大规模数据,然而在许多应用场景中,收集足够的数据用于模型的训练是比较困难的。因此,旨在利用有限的数据获得高性能模型的小样本学习成为热点研究方向。在小样本图像分类领域,使用无标签... 展开更多; 关键词深度学习图像分类小样本学习伪标签噪声标签希尔伯特-施密特独立准则; 在线阅读下载PDF 职称材料

基于最大化依赖的恐怖行为背景特征提取方法: 3; 作者薛安荣贾小艳 +1 位作者葛清龙杨晓琴《计算机应用》 CSCD 北大核心 2015年第3期797-801,共5页; 针对恐怖数据集中存在的属性值残缺问题,提出了基于最大化背景向量与行为之间依赖关系的压缩背景空间(CCS)方法。该方法基于希尔伯特-施密特独立标准和希尔伯特-施密特范数,它们能有效检测变量间的关联性。CCS通过使得背景向量线性投影... 展开更多; 关键词恐怖行为预测特征提取希尔伯特-施密特独立标准支持向量机恐怖组织行为族群; 在线阅读下载PDF 职称材料

多样性表示的深度子空间聚类算法被引量：5: 4; 作者马志峰于俊洋王龙葛《计算机应用》 CSCD 北大核心 2023年第2期407-412,共6页; 针对深度子空间聚类问题中不同层次特征中互补信息挖掘困难的问题,在深度自编码器的基础上,提出了一种在编码器获取的低层和高层特征之间探索互补信息的多样性表示的深度子空间聚类(DRDSC)算法。首先,基于希尔伯特-施密特独立性准则(HS... 展开更多; 关键词希尔伯特-施密特独立性准则自编码器相似度矩阵谱聚类子空间聚类; 在线阅读下载PDF 职称材料

一种新的多标记特征提取方法被引量：2: 5; 作者张居杰方敏郭锦《西安电子科技大学学报》 EI CAS CSCD 北大核心 2016年第6期62-67,共6页; 针对已有多标记特征提取方法并未充分利用特征信息的问题,提出了基于希尔伯特-施密特独立标准和主成分分析的多标记特征提取方法.该方法通过使标记与降维后特征之间希尔伯特-施密特范数达到最大,以充分利用标记知识;同时利用主成分分析... 展开更多; 关键词多标记分类特征提取希尔伯特-施密特独立标准主成分分析; 在线阅读下载PDF 职称材料

基于Copula熵的变量选择被引量：8: 6; 作者马健《应用概率统计》 CSCD 北大核心 2021年第4期405-420,共16页; 在要求可解释性的机器学习和统计应用中,变量选择对分类和回归任务十分重要.本文提出了一种基于Copula熵的变量选择方法,利用Copula熵值的阶次选择变量.本方法既是模型无关的又是参数无关的.在UCI心脏病数据的基础上进行了本方法与传统... 展开更多; 关键词 Copula熵变量选择距离相关希尔伯特-施密特独立性准则 LASSO 岭回归弹性网络自适应LASSO AIC BIC 可解释性; 在线阅读下载PDF 职称材料

多样性诱导的潜在嵌入多视图聚类被引量：2: 7; 作者张绎凡李婷葛洪伟《南京大学学报（自然科学版）》 CAS CSCD 北大核心 2023年第3期388-397,共10页; 目前,多视图子空间聚类在模式识别和机器学习领域得到了广泛的研究.以前的多视图聚类算法大多将多视图数据划分在其原始特征空间中,其功效在很大程度上隐式地依赖于原始特征呈现的质量.此外,不同视图包含同一对象的特定信息,如何利用这... 展开更多; 关键词子空间聚类多样性潜在嵌入空间希尔伯特施密特独立准则; 在线阅读下载PDF 职称材料

题名基于核统计独立性准则的特征选择研究综述被引量：4: 1; 作者胡振威汪廷华周慧颖; 机构赣南师范大学数学与计算机科学学院; 出处《计算机工程与应用》 CSCD 北大核心 2022年第22期54-64,共11页; 基金国家自然科学基金(61966002) 江西省教育厅科学技术研究项目(GJJ191659) 江西省研究生创新专项资金项目(YC2021-S726)。; 文摘希尔伯特-施密特独立性准则(Hilbert-Schmidtindependencecriterion,HSIC)是一种基于核函数的独立性度量标准,具有计算简单、收敛速度快和偏差低等优点,广泛应用于统计分析和机器学习问题中。特征选择是一种有效的降维技术,它能评估特征的重要性,并构造适合学习任务的最优特征子空间。系统综述了基于HSIC的特征选择方法,详细介绍了其中的理论基础、算法模型和求解方法,分析了基于HSIC的特征选择的优点与不足,并对未来的研究做出展望。; 关键词特征选择希尔伯特-施密特独立性准则核方法机器学习; Keywords feature selection Hilbert-Schmidt independence criterion(HSIC) kernel method machine learning; 分类号 TP181 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于伪标签依赖增强与噪声干扰消减的小样本图像分类: 2; 作者唐芮琪肖婷迟子秋王喆; 机构华东理工大学信息科学与工程学院; 出处《计算机科学》 CSCD 北大核心 2024年第8期152-159,共8页; 基金上海市科技计划项目(21511100800&20511100600) 国家自然科学基金(62076094)。; 文摘深度学习在图像分类领域的成功很大程度上依赖于大规模数据,然而在许多应用场景中,收集足够的数据用于模型的训练是比较困难的。因此,旨在利用有限的数据获得高性能模型的小样本学习成为热点研究方向。在小样本图像分类领域,使用无标签数据来扩充训练数据集是一种常用的方法,但该方法面临两个亟待解决的难题:如何获取无标签数据的伪标签以及如何减轻噪声标签累积的负面影响?首先,为获得高质量的伪标签,需要解决由源域和目标域的分布偏移导致的噪声标签问题,因而提出基于希尔伯特-施密特独立准则(Hilbert-Schmidt Independent Criterion,HSIC)的依赖增强方法,通过最大化图像特征表示与标签之间的相关性,从而提高伪标签的预测可靠度。其次,为克服标签预测误差随着时间推移不断累积的问题,提出噪声标签干扰消减(Noise Label Interference Reduction,NLIR)方法,确保具有正确标签的样本的梯度始终主导着训练动态,从而将模型引向最优解。所提方法在小样本图像分类基准数据集mini-ImageNet和tiered-ImageNet上进行了评估,实验结果表明,该方法能够很好地利用无标签数据提升分类精度,具有良好的分类性能。; 关键词深度学习图像分类小样本学习伪标签噪声标签希尔伯特-施密特独立准则; Keywords Deep learning Image classification Few-shot learning Pseudo-labels Noise-labels Hilbert-Schmidt independent criterion; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于最大化依赖的恐怖行为背景特征提取方法: 3; 作者薛安荣贾小艳葛清龙杨晓琴; 机构江苏大学计算机科学与通信工程学院解放军理工大学通信工程学院; 出处《计算机应用》 CSCD 北大核心 2015年第3期797-801,共5页; 基金国家自然科学基金资助项目(61300228); 文摘针对恐怖数据集中存在的属性值残缺问题,提出了基于最大化背景向量与行为之间依赖关系的压缩背景空间(CCS)方法。该方法基于希尔伯特-施密特独立标准和希尔伯特-施密特范数,它们能有效检测变量间的关联性。CCS通过使得背景向量线性投影后的低维特征与行为之间希尔伯特-施密特范数最大化,从而实现背景向量与行为之间的依赖关系最大化,更好地发现两者之间的关联性,减小属性值残缺带来的影响。然后利用分类模型(如支持向量机(SVM))对所得到的低维特征进行学习(CCS+SVM),实现高效预测。在MAROB数据集上的实验表明:与SVM模型、基于传统特征提取方法(如PCA和CCA)的SVM模型以及已有的恐怖行为预测算法CONVEX相比,CCS+SVM的性能在查全率和F值上分别提高1.5%和1.0%以上,而查准率和ROC曲线下面积(AUC)值与最好性能相当。实验结果表明,CCS+SVM能够较好地解决恐怖数据集中的属性值残缺问题。; 关键词恐怖行为预测特征提取希尔伯特-施密特独立标准支持向量机恐怖组织行为族群; Keywords terrorism behavior prediction feature extraction Hilbert-Schmidt independence criterion Support VectorMachine （SVM） Minorities at Risk Organizational Behavior （MOROB）; 分类号 TP181 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名多样性表示的深度子空间聚类算法被引量：5: 4; 作者马志峰于俊洋王龙葛; 机构河南大学软件学院河南省智能数据处理工程研究中心(河南大学); 出处《计算机应用》 CSCD 北大核心 2023年第2期407-412,共6页; 基金河南省科技攻关项目(212102210078,222102210229)。; 文摘针对深度子空间聚类问题中不同层次特征中互补信息挖掘困难的问题,在深度自编码器的基础上,提出了一种在编码器获取的低层和高层特征之间探索互补信息的多样性表示的深度子空间聚类(DRDSC)算法。首先,基于希尔伯特-施密特独立性准则(HSIC)建立了不同层次特征衡量多样性表示模型;其次,在深度自编码器网络结构中引入特征多样性表示模块,从而挖掘有利于提升聚类效果的图像特征;此外,更新了损失函数的形式,有效融合了多层次表示的底层子空间;最后,在常用的聚类数据集上进行了多次实验。实验结果表明,DRDSC在数据集Extended Yale B、ORL、COIL20和Umist上的聚类错误率分别达到1.23%、10.50%、1.74%和17.71%,与高效稠密子空间聚类(EDSC)相比,分别降低了10.41、16.75、13.12和12.92个百分点;与深度子空间聚类(DSC)相比,分别降低了1.44、3.50、3.68和9.17个百分点,说明所提出的DRDSC算法有更好的聚类效果。; 关键词希尔伯特-施密特独立性准则自编码器相似度矩阵谱聚类子空间聚类; Keywords Hilbert-Schmidt Independence Criterion(HSIC) autoencoder similarity matrix spectral clustering subspace clustering; 分类号 TP311.13 [自动化与计算机技术—计算机软件与理论]; 在线阅读下载PDF 职称材料

题名一种新的多标记特征提取方法被引量：2: 5; 作者张居杰方敏郭锦; 机构西安电子科技大学计算机学院西北工业大学计算机学院西安工业大学电子信息工程学院; 出处《西安电子科技大学学报》 EI CAS CSCD 北大核心 2016年第6期62-67,共6页; 基金国家自然科学基金资助项目(61472305 61070143) +1 种基金航空科学基金资助项目(20151981009); 文摘针对已有多标记特征提取方法并未充分利用特征信息的问题,提出了基于希尔伯特-施密特独立标准和主成分分析的多标记特征提取方法.该方法通过使标记与降维后特征之间希尔伯特-施密特范数达到最大,以充分利用标记知识;同时利用主成分分析,以尽量减少特征提取过程中的协方差信息损失.通过在Yahoo数据集上的实验表明,该算法的性能优于主成分分析和当前3种主要的多标记特征提取方法,验证了该算法的有效性.; 关键词多标记分类特征提取希尔伯特-施密特独立标准主成分分析; Keywords multi-label classification feature extraction Hilbert-Schmidt independence criterion principal component analysis; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于Copula熵的变量选择被引量：8: 6; 作者马健; 机构日立(中国)研究开发有限公司; 出处《应用概率统计》 CSCD 北大核心 2021年第4期405-420,共16页; 文摘在要求可解释性的机器学习和统计应用中,变量选择对分类和回归任务十分重要.本文提出了一种基于Copula熵的变量选择方法,利用Copula熵值的阶次选择变量.本方法既是模型无关的又是参数无关的.在UCI心脏病数据的基础上进行了本方法与传统变量选择方法(包括距离相关、希尔伯特-施密特独立性准则、逐步选择、正则化广义线性模型和自适应LASSO)的对比实验.实验结果表明,基于Copula熵的方法能够更有效地选择‘正确'的变量,在不牺牲准确性性能的同时得到比传统方法更具可解释性的模型.; 关键词 Copula熵变量选择距离相关希尔伯特-施密特独立性准则 LASSO 岭回归弹性网络自适应LASSO AIC BIC 可解释性; Keywords copula entropy variable selection distance correlation Hilbert-Schmidt independence criterion LASSO ridge regression elastic net adaptive LASSO AIC BIC explainability; 分类号 O212.1 [理学—概率论与数理统计] O212.4 [理学—概率论与数理统计]; 在线阅读下载PDF 职称材料

题名多样性诱导的潜在嵌入多视图聚类被引量：2: 7; 作者张绎凡李婷葛洪伟; 机构江南大学人工智能与计算机学院江苏省模式识别与计算智能工程实验室(江南大学); 出处《南京大学学报（自然科学版）》 CAS CSCD 北大核心 2023年第3期388-397,共10页; 基金国家自然科学基金(61806006) 江苏省研究生创新计划(KYLX16_0718)。; 文摘目前,多视图子空间聚类在模式识别和机器学习领域得到了广泛的研究.以前的多视图聚类算法大多将多视图数据划分在其原始特征空间中,其功效在很大程度上隐式地依赖于原始特征呈现的质量.此外,不同视图包含同一对象的特定信息,如何利用这些视图恢复潜在的多样性信息对后续聚类尤其重要.为了解决上述问题,提出一种多样性诱导的潜在嵌入多视图聚类方法,使用特定于视图的投影矩阵从多视图数据中恢复潜在嵌入空间.考虑到多视图数据不同视图之间的多样性信息,采用经验的希尔伯特施密特独立准则约束特定于视图的投影矩阵,将潜在嵌入学习、多样性学习、全局相似性学习和聚类指标学习整合在同一框架中,还设计了一种交替优化方案来有效处理优化问题.在几个真实的多视图数据集上的实验表明,提出的算法具有一定的优势.; 关键词子空间聚类多样性潜在嵌入空间希尔伯特施密特独立准则; Keywords subspace clustering diversity latent embedding space Hilbert Schmidt Independence Criterion; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于核统计独立性准则的特征选择研究综述	胡振威汪廷华周慧颖	《计算机工程与应用》 CSCD 北大核心	2022	4	在线阅读下载PDF 职称材料
2	基于伪标签依赖增强与噪声干扰消减的小样本图像分类	唐芮琪肖婷迟子秋王喆	《计算机科学》 CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
3	基于最大化依赖的恐怖行为背景特征提取方法	薛安荣贾小艳葛清龙杨晓琴	《计算机应用》 CSCD 北大核心	2015	0	在线阅读下载PDF 职称材料
4	多样性表示的深度子空间聚类算法	马志峰于俊洋王龙葛	《计算机应用》 CSCD 北大核心	2023	5	在线阅读下载PDF 职称材料
5	一种新的多标记特征提取方法	张居杰方敏郭锦	《西安电子科技大学学报》 EI CAS CSCD 北大核心	2016	2	在线阅读下载PDF 职称材料
6	基于Copula熵的变量选择	马健	《应用概率统计》 CSCD 北大核心	2021	8	在线阅读下载PDF 职称材料
7	多样性诱导的潜在嵌入多视图聚类	张绎凡李婷葛洪伟	《南京大学学报（自然科学版）》 CAS CSCD 北大核心	2023	2	在线阅读下载PDF 职称材料