标记相关性修正的多标记众包标签推断方法

众包平台的快速发展使人们获取数据标签变得较为容易,但由于标记者的知识水平、评价标准等均存在显著差异,导致获得的标签质量参差不齐.特别是对于多标记数据,由于每个样本可能有多个不同标记,且不同样本的标记数量不同,所以通过众包标注获取多标记数据的标签时,标注者很难为每个样本提供完整准确的数据标签.针对多标记众包标签推断问题,提出基于标记相关性修正(Label Dependence Correction,LDC)的多标记众包标签推断框架,首先使用单标记众包标签推断算法给出每个标记的初步推断结果,然后通过度量标记间的相关性更新和纠正不可靠的初始标记推断结果.实验结果表明,与经典的众包多标记方法相比,本文提出的框架与单标记算法融合后可以有效提升多标记众包标签推断的性能.

Corrective-Net:面向多标签文本分类的标签关联学习模块

在目前的多标签文本分类任务中,主要面临以下2个问题:(1)侧重文本表示学习,对标签之间的关联信息建模不充分;(2)尽管使用了标签关联信息来改善多标签分类任务,但对标签关联的建模过于依赖人工预定义的外部知识,而外部知识的获取成本高昂,限制了其实际应用。针对以上问题,提出了一种面向多标签文本分类的标签关联学习模块Corrective-Net。该模块可以在不依赖外部知识的前提下,自动学习数据中的标签关联信息;同时,它还可以利用标签关联信息,对基础分类模块的初始预测结果进行修正,使得最终预测兼顾语义信息和标签关联信息,以获得更精准的多标签预测结果。在AAPD和SO数据集上的大量实验表明,Corrective-Net具有通用性和有效性,通过分析标签修正对各个标签性能的影响,得到了显式的标签关联信息,并进行了可视化。

基于节点影响值的社区网络稳定标签传播算法

针对社区网络标签传播准确性差的问题,提出基于节点影响值的社区网络稳定标签传播算法。该算法重设社区网络相邻节点相似度,结合链路加权思想将其变换为链路无向带权图;利用节点K-shell分解值判断节点影响力,计算种子节点的中心性度量值,升序排列节点更新顺序;根据越重要节点标签影响越大的规则,修正高频数标签,获取最佳社区网络划分结果。结果表明:该算法模块度在0.320以上,准确率达到99%,因此,经该方法划分后的网络结构清晰、准确,稳定性高。

VFP6．0中标签、表单功能的应用

本文结合笔者的教学实践和实际需要,主要分五个步骤。讨论了应用VFP6．0的标签、表单功能编制和打印学生成绩报告单的过程。

国外心理疾病烙印影响研究概述

心理疾病污名是加诸在心理疾病患者身上的耻辱标记,世界卫生组织2001年指出"心理和行为障碍患者康复的最大阻碍就是社会对他们的污名和与之相连的歧视"。作者对国外污名领域的研究进行了回顾,论述了心理疾病污名的概念、有关其影响机制的理论和实证研究。从公众污名和自我污名两方面论述了污名对心理疾病患者的影响以及消除污名的方法。

心理疾病污名影响研究与展望

心理疾病污名是加诸在心理疾病患者身上的耻辱标记,主要指由与心理疾病有关的刻板印象引发的社会地位丧失和歧视。研究证实污名的存在会妨碍患者的治疗和康复,污名问题由此引起世界卫生界的广泛关注,其中的一个研究热点就是关于污名影响的研究。标签理论和修正标签理论对污名影响机制进行了分析;污名对心理疾病患者及相关人群的各种影响可从两个方面进行衡量:公众污名和自我污名;抗议、教育和接触是减少污名的有效方法。未来在中国文化背景中开展的心理疾病污名研究,应紧密结合传统文化分析污名的影响机制,并对应对污名策略的可行性进行探索。

基于面部运动单元和时序注意力的视频表情识别方法

针对视频序列中表情强度不一致,长短时记忆网络(LSTM)难以有效地提取其特征的问题,提出一种基于面部运动单元和时序注意力的视频表情识别方法.首先在卷积LSTM(ConvLSTM)的基础上引入时序注意力模块,对视频序列进行时序建模,在降低维度的同时保留丰富人脸图像特征信息;其次提出基于面部动作单元的人脸图像分割规则,解决面部表情活跃区域难以界定的问题;最后在模型中嵌入标签修正模块,解决自然条件下数据集中样本不确定性的问题.在MMI,Oulu-CASIA和AFEW数据集上的实验结果表明,所提方法的模型参数量低于已公开的主流模型,且在MMI数据集上的平均识别准确率达到87.22%,高于目前主流方法,在整体效果上优于目前具有代表性的方法.

面向标签噪声的联合训练框架

当前面向标签噪声的鲁棒性学习通常依赖样本选择和标签修正两种策略,但是这两类方法均存在缺陷.基于样本选择的方法忽略了被过滤掉的样本中的有效信息,进而降低了模型的性能.基于标签修正的方法常使用自标签技术而引起模型的错误积累问题.对此,本文提出了一个集成样本选择、标签修正的联合训练框架.针对样本选择模块,本文设计了一种新的选择标准,通过在线选择的方法对所挑选的样本集合进行更新.相较于现有选择标准,本文提出的标准可保留更多边界样本,提升了模型对决策边界的学习性能,增强了模型的泛化性能.针对标签修正模块,本文提出了一种联合标签修正策略.相比于传统的自标签修正技术,该模块通过联合特征空间视角,对噪声样本进行多视角的标签修正,解决了传统自标签技术的错误累积问题.此外,本文引入对比学习正则化项,提升了标签修正效果和模型表征学习能力.本文方法在4个测试基准上取得了当前最好分类效果,验证了所提训练框架的有效性.

基于混合对比学习的无监督行人重识别

无监督行人重识别旨在从未标记数据集中学习用于行人检索的判别性特征表示.以往基于聚类及伪标签修正的无监督行人重识别算法在伪标签修正过程中忽略了全局特征和局部特征之间的关系,并且为了保证伪标签质量而简单的放弃未聚类样本,这些问题限制了模型的识别性能.为此,提出一种基于混合对比学习的无监督行人重识别方法.通过渐进特征补偿模块生成多尺度局部特征,以改善单尺度全局特征表示能力不足的问题.为了得到可靠的伪标签,提出基于多尺度特征的伪标签修正策略,通过约束全局特征和局部特征之间的一致性提高伪标签的质量.此外,为了更加充分地利用未聚类样本,构建了多尺度混合存储器,以存储多尺度的聚类级身份特征和未聚类实例特征,为身份级和实例级的混合对比学习提供充足的负样本.实验结果表明,在数据集Market-1501、DukeMTMC-ReID、MSMT17上本文所提方法明显优于当前主流的无监督行人重识别方法,与基于对比学习的先进算法GRACL相比,在三个数据集上mAP指标分别提高了2.6%、3.0%、6.3%.