基于半监督判别分析的领域自适应方法研究

为解决传统机器学习中训练集(源域)与测试集(目标域)数据分布不一致导致分类准确率较低的问题,提出一种基于半监督判别分析和CDMD的领域自适应算法(SDA-CDMD)。首先,使用半监督判别分析(SDA)进行数据降维,保留了映射到低维子空间中数据的几何结构信息。其次,提出一种衡量两个域之间分布差异的度量准则:跨域均值差异(Cross-Domain Mean Discrepancy,CDMD)。最后,将SDA与CDMD结合,将两个域投影到同一子空间中,减少两个域之间的分布差异。在手写数字图像和计算机视觉数据集上进行的大量实验结果表明,所提算法优于传统的领域自适应方法,验证了其有效性。

浅谈核心素养视域下的物理知识重演

多年的教育改革使得素质教育成效显著,尤其是核心素养体系的构建更是从顶层设计上解决了学生的社会责任感低、缺乏创新精神和动手实践能力等难题。本文通过几个教学案例,再现实验教学的科学探索过程,从核心素养视域下浅谈物理知识的重演。