表格单元格分类的端到端不完全监督方法

大数据时代下,爆炸式增长的非结构化数据中蕴含着大量有价值的信息,对其进行识别和提取变得越发重要。表格是典型的高价值密度非结构化数据,为了识别表格的功能结构,并提高模型的通用性和结果的易用性,针对表格单元格分类提出一个端到端不完全监督方法。设计了基于视觉可见的特征选取方案来提高通用性,提出基于规则的自动修正算法用于改善单元格分类的效果,让用户对结果进行再次修正并将结果作为额外的训练数据参与模型训练来提高模型不同场景下的适应性。最后将方法实现为端到端工具,在提高便捷性的同时使得修正后的数据可直接导出用于下游任务。实验结果表明,提出的方法在多个指标上对比基线方法均有提升,同时在一定程度上提高了结果的易用性。

一种基于支撑向量机的遥感影像不完全监督分类新方法

不完全监督分类是研究在只有目标类训练样本的情况下如何准确地将目标类从数据集中提取出来。在许多遥感应用问题中,往往只需要从遥感影像中提取某一类地物。如果分类过程中只要选取目标类训练样本,将节省在训练样本选取过程中的大量人力物力。因此不完全监督分类是一个值得研究的遥感分类问题。提出了一种基于加权无标识样本支撑向量机(WUS-SVM),并在其基础发展出一种不完全监督分类方法。该方法分3个步骤:(1)在影像中随机选取一定量的无标识样本,将它们作为具有不同权重的非目标类训练样本;(2)用目标类的训练样本和加权无标识训练样本一起训练WUS-SVM,得到初步的分类器;(3)利用初步的分类器确定无标识样本的类别,并与原目标类训练样本一起再次训练SVM得到最终的分类器。通过对模拟数据和遥感影像的分类试验初步证明了该分类方法的有效性。

非对称信息条件下政府对互补性研发合作体的激励工具选择

基于信息不对称条件,通过引入社会扭曲成本与社会收益变量,解释了合作体成员可能出现的搭便车行为,并构建了互补性研发体成员在政府不同激励工具下的决策模型。分析表明,对于互补性研发合作体的激励,政府不完全监督是最优的政策选择。