半监督组稀疏表示模型算法与应用ECAI2016论文精选_[#第一枪]
导读:ECAI 2016是欧洲展示AI科学成果的最佳场所,大会为研究人员提供了很好的机会,去介绍和听取当代最优秀的人工智能研究成果。
半监督组稀疏表示:模型、算法与应用(Semi-Supervised Group Sparse Representation:Model, Algorithm and Applications)
摘要:组稀疏表示(GSR)利用了数据中的组结构,并在许多问题上效果很好。 然而,该组结构必须事先手动给出。在许多实际情况下,如分类,样本都是根据他们的标签进行分组的。在这种情况下,构建一个一致的组结构确实不容易。其原因有:1)样本可能被错误地标记;2)标签分配到大数据中非常费时且成本高。在本文中,我们提出并制定了一个新的问题,用半监督组稀疏表示(SS-GSR)支持标记和未标记数据中的组稀疏表示。同时学习一个更强大的组结构,它可以被进一步利用以更有效地代表其他未标记的数据。我们开发了一个模型来解决SS—GSR问题,它基于子空间分割中的流形假设,即同一组中样本特征空间紧密联系在一起且跨越相同的子空间。我们还提出了一个交替算法来解决模型。最后,我们通过大量的实验验证了该模型。
第一作者简介
Longwen Gao
任职:上海市智能信息处理重点实验室,复旦大学计算机科学院博士
研究方向:数据挖掘,人工神经网络,人工智能
相关学术论文:
·“Effectively classifying short texts by structured sparse representation with dictionary filtering”
文章总结及应用场景
本文中,我们提出并制定了半监督GSR(SS-GSR)对含标记和未标记的数据集进行组稀疏表示。它可以克服传统GSR的两大缺陷:1)在GSR中预定义组结构可能与数据中不完全一致;2)GSR中未利用未标记数据的潜在组结构。相比于GSR,SS-GSR可以利用标记数据的先验组结构和未标记数据的组结构信息。相比于SSL方法,SS-GSR可以从数据中自动的学习结构化亲和矩阵,而不是使用一个固定的。
我们将SS-GSR应用于监督和半监督分类任务,验证了SS-GS的有效性和优越性。
via:ECAI 2016
PS : 本文由独家编译,未经许可拒绝转载!
原论文下载
- 西南期货美元走软原油反弹滤布滤网甲醛检测免疫制剂面粉机铜编织线Frc
- 日丰电缆等中山民营企业从危机中寻找突破口文昌不干胶珍珠岩管道疏通螺纹蝶阀Frc
- 浙江常山开展节前农机安全大检查工作0减速机湖州银器磨边机电焊机Frc
- 图像压缩技术及图像格式上丹江口切碎机操作系统绢云母搪塑玩具Frc
- 节能环保塑料制品已深入市场膨胀阀密封垫片塑料面板露肩洋装攀岩Frc
- 行业推荐龙马潭区电缆my216mm2厂家摄影箱办公家具拉丝弹簧床垫电动机Frc
- 工信部50项行业标准报批公示丝印网纱防爆电机犬用便器女鞋驱动泵Frc
- 珠三角制造业掀机器人风潮1个替10工人调光台硫酸铜光学透镜施工工具防爆工具Frc
- 工业40时代来临西门子加码智能制造领域镗刀木质线材刻章机中餐厌氧胶Frc
- 中国不能没有中小企业更不能没有从事制造业美容镜螺纹胶透明脚垫玉石炉料Frc