-
题名范畴表示机器学习算法
被引量：3
- 1
-
-
作者
徐晓祥
李凡长
张莉
张召
-
机构
苏州大学计算机科学与技术学院
苏州大学机器学习与类脑计算国际合作联合实验室
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2017年第11期2567-2575,共9页
-
基金
国家自然科学基金项目(61373093
61402310
+3 种基金
61672364
61672365)
苏州大学东吴学者计划项目
江苏省普通高校研究生科研创新计划项目~~
-
文摘
长期以来,人们认为表示问题是机器学习领域的瓶颈问题之一.机器学习方法的性能在很大程度上依赖于数据表示的选择.数据表示领域的主要问题是如何更好地学习到有意义和有用的数据表示.宽泛来看数据表示领域有深度学习、特征学习、度量学习、成分建模、结构化预测和强化学习等.这些技术应用的范围也非常广泛,包括图像、语音识别和文字理解等.因此,研究机器学习表示方法是一件长期且具有探索意义的工作.基于此,利用范畴理论来研究机器学习方法的表示,提出了范畴表示机器学习方法的基本概念.对决策树、支持向量机、深度神经网络等方法进行研究分析,提出了范畴表示分类算法、范畴表示决策树算法、切片范畴表示主成分分析和支持向量机算法、范畴函子表示深度学习方法,给出相应的理论证明及可行性分析.并对这5种算法做了深入分析,找到了主成分分析和支持向量机之间的本质联系,最后通过仿真实验论证范畴表示方法的可行性.
-
关键词
范畴表示
机器学习
机器学习表示
范畴表示学习
范畴表示学习算法
-
Keywords
category representation
machine learning
representation of machine learning
category representation learning
category representation learning algorithm
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名适用于小样本的双邻接图判别分析算法
被引量：1
- 2
-
-
作者
罗璇
张莉
薛杨涛
李凡长
-
机构
苏州大学计算机科学与技术学院
苏州大学机器学习与类脑计算国际合作联合实验室
-
出处
《数据采集与处理》
CSCD
北大核心
2018年第3期504-511,共8页
-
基金
国家自然科学基金(61373093
61402310)资助项目
+2 种基金
江苏省自然科学基金(BK20140008
BK2012624)资助项目
江苏省高校自然科学研究(13KJA520001)资助项目
-
文摘
作为一种常用的降维方法,适用于小样本的监督化拉普拉斯判别分析方法通过使用图嵌入的判别近邻分析得到了很好的降维效果。但该方法在构建近邻图时,在K近邻中寻找同类和异类样本点存在数据不平衡问题;此外,在优化该方法的目标函数时,没有全面考虑到类间信息,从而会在一定程度上降低该方法的性能。针对以上两个问题,本文提出了适用于小样本的双邻接图判别分析方法。首先该方法分别在同类和异类样本中找出K个近邻点,然后使用这K个类内近邻点和K个类间近邻点来构造双邻接图,这样可以确保邻接图中既有同类样本点也有异类样本点,且数目相同。然后该方法在目标函数的推导结果中加入了类间拉普拉斯散度矩阵,从而使优化得到的投影矩阵融入更多的类间信息。在Yale和ORL人脸数据集上进行实验,并与同类方法相比,结果表明本文提出的适用于小样本的双邻接图判别分析方法能够得到更好的降维效果。
-
关键词
人脸识别
拉普拉斯判别分析
双邻接图
降维
-
Keywords
face recognition
Laplacian discriminant analysis
double adjacency graph
dimensionality reduction
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名粗-细两阶段卷积神经网络算法
被引量：2
- 3
-
-
作者
张梦倩
张莉
-
机构
苏州大学计算机科学与技术学院
苏州大学机器学习与类脑计算国际合作联合实验室
-
出处
《计算机科学与探索》
CSCD
北大核心
2021年第8期1501-1510,共10页
-
基金
江苏省高等学校自然科学研究项目(19KJA550002)
江苏省六大人才高峰项目(XYDXX-054)
江苏高校优势学科建设工程资助项目。
-
文摘
在医学上,人上皮2型(HEp-2)细胞的间接免疫荧光检测在自身免疫性疾病的诊断中起着决定性的作用,而自身免疫性疾病的诊断,往往受到人力物力的限制。鉴于神经网络在图像分类任务中的优异性能,提出了一种基于聚类算法的粗-细两阶段卷积神经网络算法(CTFTCNN),并应用到HEp-2细胞分类中。在所提出的方法中,有两种类型的分类任务:粗粒度分类和细粒度分类。粗粒度分类是指,采用聚类算法从原始数据集中生成一个粗粒度数据集,用多尺度卷积神经网络(MSCNN)去处理该粗粒度数据集。然后在一定条件下进行细粒度分类。在细粒度分类时,仅对在粗粒度分类中至少包含了两个细类的粗类进行处理,且采用VGG16网络对每个这样的粗类进行细分。最后集成粗粒度网络和细粒度网络的结果。具体地,对于至少包含了两个细类的粗类,将粗粒度和细粒度网络中提取的特征融合起来决定最终的预测结果。在真实数据集上进行实验以评估所提出的模型。实验结果表明:与目前最先进的方法相比,该模型具有良好的应用前景。
-
关键词
图像分类
人上皮2型(HEp-2)细胞
卷积神经网络(CNN)
粗到细策略
-
Keywords
image classification
human epithelial type 2(HEp-2)cell
convolutional neural network(CNN)
coarse-to-fine scheme
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
