基于不对称贝叶斯学习的图像检索相关反馈算法研究

基于贝叶斯(Bayesian)理论的相关反馈技术是可有效提高图像检索性能的重要手段之一.然而,当前大多数的Bayesian反馈算法普遍受到小样本问题和训练样本不对称问题的制约.本文提出一种新的相关反馈算法,该算法将查询点移动(query point movement,QPM)技术嵌入Bayesian框架中,并采用不对称的学习策略处理正、负反馈信息,故而称之为不对称Bayesian学习(asymmetry Bayesianlearning,ABL).对于正例样本,该算法同时考虑用户提供的正、负反馈信息,并借助QPM技术估计相关语义类图像的概率分布.对于负例样本,采用一种半监督学习机制以应对负例样本稀缺问题.首先,通过随机采样从数据库中选取一组无标记图像,然后,利用QPM技术对其进行数据审计.最后,将审计后的无标记图像作为额外的负例样本,并与用户标记的负反馈信息一起用于估计不相关语义类图像的概率分布.仿真实验及对比结果表明,不对称Bayesian学习策略可显著提高相关反馈的效率,且本文算法的检索性能明显优于当前其它的相关反馈算法.

对称与不对称雇主学习文献综述

当前雇主和外部雇主对雇员能力的学习反映了劳动力市场的竞争性程度,对雇员工资、工作安排、职位以及人力资本积累等都会产生影响,从而是企业内部劳动力市场研究的重要方面。本文首先梳理对称和不对称雇主学习的理论研究文献,考察二者的思想来源、分析框架和主要贡献,勾勒出研究者从对称学习到不对称学习,再回到对称学习框架的演变。随后介绍关于两类雇主学习的经验检验思路和结果,最后做出评论并提出进一步的研究建议。

不对称雇主学习、外部选择与雇员谈判力

本文在非合作博弈(策略式)单边不对称信息讨价还价框架下,按照外部约束(而不是威胁点)的思路来模型化外部雇主的竞争,以分析不对称雇主学习的程度对处于信息劣势的通用性雇员谈判力的决定作用。本文提出的框架弥补了已有文献的一些不足,同时为不对称雇主学习这一劳动经济学概念提供了一个讨价还价理论基础。

融合语义主题的图像自动标注

由于语义鸿沟的存在,图像自动标注已成为一个重要课题.在概率潜语义分析的基础上,提出了一种融合语义主题的方法以进行图像的标注和检索.首先,为了更准确地建模训练数据,将每幅图像的视觉特征表示为一个视觉"词袋";然后设计一个概率模型分别从视觉模态和文本模态中捕获潜在语义主题,并提出一种自适应的不对称学习方法融合两种语义主题.对于每个图像文档,它在各个模态上的主题分布通过加权进行融合,而权值由该文档的视觉词分布的熵值来确定.于是,融合之后的概率模型适当地关联了视觉模态和文本模态的信息,因此能够很好地预测未知图像的语义标注.在一个通用的Corel图像数据集上,将提出的方法与几种前沿的图像标注方法进行了比较.实验结果表明,该方法具有更好的标注和检索性能.

核心雇员、信息与企业家才能租金

本文分析作为雇主的企业家通过掌握潜在核心雇员创造企业租金潜质的私人信息而赚取租金的特质。如果一个企业家能够先于竞争对手发现某个潜在的未被发掘的人才,就能在竞争性劳动力市场上以保留工资水平将其雇佣。该人才作为企业不可完全替代的核心雇员,能够制造不可完全替代的产品从而为企业带来垄断收益。由于拥有关于核心雇员能力的私人信息,企业家将获得垄断收益作为信息租金。长期来看,在核心雇员的生产能力成为公共信息后,劳动力市场针对他所展开的买方竞争会推动其收入上升到企业家租金消失为止。为了继续获得这种信息租金,企业家要么不断深入发现该核心雇员新的潜在能力,要么寻找新的未被其他企业发现的潜在人才。