二部排序算法的稳定性分析

研究了在样本集中删除一个元素后二部排序算法的稳定性。证明了如果使用lγ作为排序亏损函数,那么算法在具有得分一致稳定的前提下也具有亏损一致稳定;并且对任意x,K(x,x)存在有限上界。通过最小化正则经验l-误差得到的排序算法具有良好的一致得分稳定。

两类新推进排序算法

排序学习算法的目标是得到最优排序函数,它给每个实例一个得分,并根据得分排定各实例的先后次序。在推进排序算法的框架下,允许学习存在一定程度的误差。设定正数ε作为允许误差的范围,用对称ε-insensitive指数亏损函数和对称ε-insensitive对数亏损函数替换原来的指数亏损函数,得到新算法。实验表明新算法是有效的。

一种高效的稀有天体光谱检索方法

随着国内外光谱巡天计划的发展,人们已经获得了海量的光谱数据。如何利用机器学习方法对海量光谱数据进行系统地分析和处理,是天文学研究中一项非常重要的研究内容。本文提出了一种能够在天体光谱数据库中高效地进行稀有光谱检索的PU学习(PU Learning)方法。在给定少量的稀有天体光谱的条件下,如何在庞大的光谱数据库中系统地搜索与给定稀有光谱同类型的光谱是天文数据挖掘中的一个常见的问题。现有的大多数方法都是基于二分类来解决此类问题,但是当给定的稀有光谱样本数目非常有限时,利用二分类来解决此类问题往往会导致搜索结果的完备性比较差。事实上,基于排序的方法更加适合于解决此类问题。在调研了许多可以用于稀有天体光谱检索的方法后,我们建立了一种新的非常高效的稀有光谱检索方法,称作BaggingTopPush。BaggingTopPush方法主要使用了二部排序(Bipartite Ranking)和引导聚合(Bagging)技术。