基于多分类器协同训练的结构损伤识别

文中提出一种基于多分类器协同训练(multi-classifiers co-training,MCCT)的结构损伤识别框架.该框架结合多层感知机(multilayer perceptron,MLP)和支持向量机(support vector machine,SVM)进行协同训练,从无标签样本中挑选置信度高的样本标注伪标签,扩大样本训练集,并采用加速度响应的功率谱密度(PSD)作为输入特征,用于识别结构损伤.结果表明:协同训练方法能够从无标签样本中选取置信度较高的样本,为损伤识别提供更充足有标签样本.相较于MLP和SVM,该方法在多种工况下,损伤识别准确率分别提升约4.7%和6.3%.

基于协同训练的半监督学习3D医学图像分割模型

近年来人工智能应用于COVID-19医学影像诊断,降低了检测成本和漏检率,但临床医学图像样本数量较少和标签质量较低,影响了3D模型的分割性能。本文提出基于协同训练的半监督学习3D医学图像分割模型,使用空间翻转和窗口技术生成多视角、多模态图像,增强3D图像样本的空间差异性;采用一种基于加权不确定度的虚拟标签生成模块,为无标签数据生成可靠的虚拟标签,减少过拟合;采用基于三阶段的三维度六模型协同训练,增强分割精度和泛化性能。此外,本文可视化协同训练各阶段的特征关注度热力图,为临床诊断提供有效参考。针对661位新冠患者的771例NIFTI格式3D COVID-19的CT图像展开实验,5折交叉验证结果表明,本文模型Dice系数为73.30%,平均表面距离(ASD)为10.633,灵敏度(Sen⁃sitivity)为0.630,特异度(Specificity)为0.996。与各种典型半监督学习3D分割模型相比,具有更好的分割精度和泛化性能。

基于协同训练的半监督图文关系抽取方法

为克服获取大量关系标记样本的昂贵代价,提出基于协同训练的半监督图文关系抽取模型,以利用大量无标记的数据来提升图文关系抽取的准确性。首先,基于图像和文本2种模态构建图像视图和文本语义视图,在标记数据集上训练2种不同视图的分类器;然后,将2种视图下的数据分别交叉输入另一视图的分类器,充分挖掘标记数据和未标记数据的信息,输出更准确的分类结果;最后,2种视图下的分类器对未标记数据进行预测,以输出一致的结果。在公开数据集VRD和VG上的实验结果显示,与6种较新的关系检测方法相比,该文方法图像视图和语义视图参数在VRD数据集上分别提升了2.24%、1.41%,在VG数据集上提升了3.59%。

基于虚拟仿真的航空应急救援协同训练技术研究

基于虚拟仿真技术进行人员的实景灾情模拟训练,对于促进航空救援指挥架构建设、专业人才培养、战术战法实践的发展起到了重要作用。从航空应急救援协同训练任务建模出发,提出基于离散事件的任务—进程—步骤—情景(MPSS)模型构建训练点,基于虚拟开放场景(VOS)进行航空应急救援任务的虚拟仿真;采用报告—评估—决策—执行(READ)模型对机组协同训练中的表现进行综合评估;基于航空应急救援虚拟仿真协同训练系统开发直升机森林灭火任务并组织人员进行实验评估。结果表明:本文形成了任务建模—任务训练—训练评估的完整流程,对其他类型任务的人员训练有一定指导意义,辅助提高了航空应急救援能力。

基于混合表征和协同训练的软件漏洞检测

对于漏洞领域基准数据集较少导致的深度学习模型泛化能力较差,以及传统的基于规则引擎的漏洞检测工具性能较低的问题,提出了一种基于混合表征和协同训练的软件源代码漏洞检测方法。首先,基于预训练模型提取源代码文本特征,提取代码语义信息,然后使用工具生成抽象语法树,通过自定义遍历规则提取源代码的AST(抽象语法树)特征,将两种特征进行混合丰富代码表征。其次,搭建多个深度模型,基于协同训练算法通过大量的无标签数据提升各模型的泛化能力。鉴于单一模型可能造成较高的漏报率和误报率,并可能被某一模型主导预测结果的问题,采用了基于加权投票机制的多模型集成方法。实验结果表明,该方法在一定程度上解决了数据集较少导致的模型泛化性差的问题,与漏洞检测领域一些主流检测方法相比,该方法在各指标上具有一定的优势,且检测性能高于规则引擎Fortify。

基于改进云物元的模拟机协同训练质量评价

为进一步提高飞行员-签派员积极应对复杂真实运行环境风险的能力,提升学员培训质量,基于考虑胜任力培训和评估理念的ADDIE模型,提出了一种基于协同决策的飞行员-签派员协同训练满意度评价体系,并采用基于混合赋权的改进云物元模型进行评估。通过构建混合权重矩阵,计算评价指标间的综合云隶属度,量化评价指标的模糊性和随机性,得出最终的满意度综合评价等级。以某航飞行员-签派员协同训练结果为例进行了实证分析,验证了协同训练满意度评价指标及其评价方法的科学性和适用性,有效克服协同训练效果评价信息主观性和模糊性的不足,为后续飞行员-签派员协同训练方法及其结果评估方法的改进提供了思路和借鉴。

融合超图卷积和自监督协同训练的组推荐算法

随着社交媒体的普及,人们逐渐将研究方向从个人推荐算法转移到群组推荐算法,现有的群组推荐模型大多采用启发式或基于注意力的偏好聚合策略聚合群组成员的个人偏好形成群组偏好。然而,由于用户交互数据的稀疏性,学习后的用户特征并不完备,现实生活中用户的交互非常复杂,而且用户关系有可能是高阶的;再者,群组之间的相似性和群组间共同成员的个人偏好经常被忽视,而群组相似性的学习对于提高群组表征学习具有很大的潜力。针对上述问题,该文设计了一种融合超图卷积和自监督协同训练的组推荐算法(HCSC)。首先,在用户级超图中,利用三个通道编码超图卷积网络中的高阶用户关系,通过聚合多个通道学习的用户特征,获得增强的用户表示,这为学习群组偏好提供了坚实的基础。其次,在组级超图中,将所有的群组连接为重叠网络,并关注群组共同成员的个人偏好,其超边嵌入过程可视为对群组偏好的学习。为进一步增强群组表示,将自监督学习和协同训练相结合,在上述两个超图上构建两个不同的图编码器,递归地利用不同信息生成标注样本,通过对比学习策略互相监督,与丢弃策略相比,所提出的自监督协同训练保留了完整信息,实现了真正的数据增强。该文提出的HCSC模型在两个真实世界的数据集上进行了广泛的实验,实验结果证明了该文提出的HCSC模型的优越性。

“两条腿走路”:吕叔湘语文教育思想在小学口语表达与写作协同训练中的实践路径

语言运用是语文核心素养之一。《义务教育语文课程标准(2022年版)》(以下简称“义教新课标”)强调学生应在丰富的语言实践中,通过主动的积累、梳理和整合,初步形成良好的语感,掌握国家通用语言文字的特点和运用规律,从而在具体语言情境中具备有效交流和沟通的能力。

一种超图和自监督的协同训练算法

为了针对会话推荐中节点数量与图规模不断扩增而产生的节点稀疏问题,提出一种超图与自监督协同训练算法——DHCN-COTREC (Dual-Channel Convolutional for Hypergraphs and Collaborative Training Recommendation)。首先,构建两个不同的图编码器,将数据进行编码用于自监督学习,产生正负样本信息;其次,引入协同训练算法,并加入发散约束进行对比学习,从而最大化两个编码器之间的互信息;最后,根据序列中最后一个项目与正样本之间的余弦距离,向用户推荐TOP-K个项目。本文在Tmall与Diginetica真实数据集上进行实验,结果表明,DHCN-COTREC算法的准确度和平均倒数排名比目前最优的DHCN算法分别提高了26%和1.92%。证实了DHCN-COTREC算法的有效性。

基于Laplacian正则和协同训练的抽油井故障诊断方法

单一视角下部分不同类型的工况样本相似会导致故障诊断准确率不高、无标记样本未被使用等问题,为进一步提高有杆泵抽油井故障诊断准确率,有效利用无标记样本,充分利用示功图和电功率两种数据,采用Laplacian正则和协同训练算法设计了抽油井故障诊断方法。首先,将Laplacian正则引入到协同训练模型中,以提高初始分类器精度;其次,以示功图和电功率作为特征视角,利用三层小波包变换提取视角特征,使用特征数据训练出对应的初始分类器,两者之间交换未知信息并更新分类器,提高模型的精确性;最后,应用该方法对某采油厂抽油机井的6种典型工况进行识别,并与标准协同训练、有监督学习方法进行比较。结果表明:在有标记样本较少时,该方法识别准确率优于仅使用示功图的SVM、仅使用电功率的SVM、标准协同训练,分别提高了约23.4%、20.83%、3.42%,验证了该方法的有效性。

一种基于旋转森林的集成协同训练算法

集成协同训练算法(ensemble co-training)是将集成学习(ensemble learning)和协同训练算法(co-training)相结合的半监督学习方法,旋转森林(rotation forest)是利用特征提取来构造基分类器差异性的集成学习方法,在对现有的集成协同训练算法研究基础上,提出了基于旋转森林的协同训练算法--ROFCO,该方法重在利用未标记数据提高基分类器之间的差异性和特征提取效果,使基分类器的泛化误差保持不变或下降的同时,能保持甚至提高基分类器之间的差异性,提高集成效果。实验结果表明该方法能取得较好效果。

年级合唱团线上线下协同训练的实践研究——以合肥市梦园小学三年级合唱团实践为例

年级合唱团在微信支持下开展线上线下协同训练,解决了训练次数少、授课时间短、训练效率不高、假期训练中断等问题,有效提升了年级合唱团训练效率,从组织设计、内容开发、实践应用等方面为合唱团高效训练给出了一些启示。

基于在线半监督boosting的协同训练目标跟踪算法

基于自训练的判别式目标跟踪算法使用分类器的预测结果更新分类器自身,容易累积分类错误,从而导致漂移问题。为了克服自训练跟踪算法的不足,该文提出一种基于在线半监督boosting的协同训练目标跟踪算法(简称Co-SemiBoost),其采用一种新的在线协同训练框架,利用未标记样本协同训练两个特征视图中的分类器,同时结合先验模型和在线分类器迭代预测未标记样本的类标记和权重。该算法能够有效提高分类器的判别能力,鲁棒地处理遮挡、光照变化等问题,从而较好地适应目标外观的变化。在若干个视频序列的实验结果表明,该算法具有良好的跟踪性能。

基于多学习器协同训练模型的人体行为识别方法

人体行为识别是计算机视觉研究的热点问题,现有的行为识别方法都是基于监督学习框架.为了取得较好的识别效果,通常需要大量的有标记样本来建模.然而,获取有标记样本是一个费时又费力的工作.为了解决这个问题,对半监督学习中的协同训练算法进行改进,提出了一种基于多学习器协同训练模型的人体行为识别方法.这是一种基于半监督学习框架的识别算法.该方法首先通过基于Q统计量的学习器差异性度量选择算法来挑取出协同训练中基学习器集,在协同训练过程中,这些基学习器集对未标记样本进行标记;然后,采用了基于分类器成员委员会的标记近邻置信度计算公式来评估未标记样本的置信度,选取一定比例置信度较高的未标记样本加入到已标记的训练样本集并更新学习器来提升模型的泛化能力.为了评估算法的有效性,采用混合特征来表征人体行为,从而可以快速完成识别过程.实验结果表明,所提出的基于半监督学习的行为识别系统可以有效地辨识视频中的人体动作.

改进的协同训练框架下压缩跟踪

针对基于传统协同训练框架的视觉跟踪算法在复杂环境下鲁棒性不足,该文提出一种改进的协同训练框架下压缩跟踪算法。首先,利用空间布局信息,基于能量熵最大化的在线特征选择技术提升压缩感知分类器的判别能力,分别在灰度空间和局部二值模式空间建立起基于结构压缩特征的两个独立分类器。然后,基于候选样本信任度分布熵的分类器联合机制实现互补性特征的自适应融合,增强跟踪结果的鲁棒性。最后,在级联的梯度直方图分类器辅助下,通过具备样本选择能力的新型协同训练准则完成联合外观模型的准确更新,解决了协同训练误差的积累问题。对大量具有挑战性的序列的对比实验结果验证了该算法相比于其它近似跟踪算法具有更优的性能。

多分类器实例协同训练遥感图像检索

提出一种基于多分类器协同训练的遥感图像检索方法,该方法在不同特征集上分别建立分类器,利用不同分类器的协同性自动标记未知样本,从而有效解决了小样本问题。通过与相关反馈方法进行实验比较分析,结果表明,这两种方法各有优劣,检索结果基本相当,然而多分类器协同训练方法避免了相关反馈过程中人工的多次反馈,自动化程度更高。

基于随机子空间的半监督协同训练算法

半监督学习是近年来的一个研究热点.协同训练(co-training)是利用未标记数据来提高传统监督学习性能的一种半监督学习范式.本文提出一种基于随机子空间的协同训练算法(RAndom Subspace CO-training,简称为RAS-CO).该算法探讨多视图的协同训练.用随机判别的理论分析了算法的分类精度和泛化能力.讨论了随机子空间的维数和个数对分类性能的影响.在UCI数据集上的实验结果表明,与其它同类算法相比,RASCO算法有较好的性能.

基于双语协同训练的最大名词短语识别研究

针对传统方法对双语最大名词短语识别一致性差以及跨领域识别能力弱的缺点,提出一种基于半监督学习的双语最大名词短语识别算法.利用汉英最大名词短语的互译性和识别的互补性,把平行的汉语句子和英语句子这两个数据集看作一个数据集的两个不同的视图进行双语协同训练.在协同训练中,把双语对齐标注一致率作为标记置信度估计依据,进行增量标记数据的选择.实验结果表明:该算法显著提高了双语最大名词短语的识别能力,在跨领域测试和同领域测试中,F值分别比目前最好的最大名词短语识别模型提高了4.52%和3.08%.

基于沉浸式虚拟现实的协同训练及演示平台构建

为适应新军事变革的需要,实现院校的虚拟实战化教学、战术培训和协同演练等任务,提出了基于沉浸式虚拟现实技术的协同训练及演示平台设计方法。设计了总体架构,阐述平台系统组成;进行了系统流程设计、接口设计和人机交互流程设计,分析人机交互软件开发要点,并采用Unity3D方法构建系统模型库;演示了其中某一任务系统,表明该平台具有重要现实意义。

基于图的半监督协同训练算法

在分类器训练过程中,无标记数据的引入容易产生噪音,从而降低分类精度。为此,提出一种基于图的置信度估计半监督协同训练算法。利用样本数据自身的结构信息,计算无标记样本所属类别概率。采用多分类器对无标记数据进行置信度估计,以提高无标记数据挑选标准,减少噪音数据的引入。在UCI数据集上的对比实验验证了该算法的有效性。