大规模核方法的随机假设空间方法

大规模核方法是大规模数据分析与挖掘的基本机器学习方法。核方法在再生核希尔伯特空间中训练线性学习器求解样本空间中的非线性问题,求解时间复杂度关于数据规模是平方级的,预测也依赖于整个训练数据,因而不适用于大规模学习问题。针对这些问题,提出了大规模核方法的有效随机假设空间方法。首先,在关于样本维度对数时间复杂度内,应用循环随机特征映射显式构造假设空间,该空间称之为循环随机假设空间。然后,在循环随机假设空间中应用线性或亚线性学习算法训练线性模型。理论上,给出了循环随机假设空间的一致泛化误差上界及其相对于最优泛化误差的收敛性。实验结果表明,大规模核方法的随机假设空间方法不仅能够显著地提高非线性核方法的训练与预测效率,而且能够保持与非线性核方法相当的预测精度。该方法有理论保障,计算复杂度低,运行效率高,是当前最高效的大规模核方法实现方法。

承诺类言语行为假设空间的建构及特点

随着认知语言学理论的发展，语用研究也面临着新的挑战。语用研究的传统经典课题之一言语行为，在体验认知框架内作为“以语言和社会文化惯例改变现实的力量”得到了重新审视。本文以美国总统就职演说为例，分析并探讨了由if引导的条件结构所构成的假设空间在承诺类语篇中的形成、形式及特点，从而验证了推理和社会文化意义内化在言语行为实施过程中的作用。

基于格结构假设空间证据推理的双向传播计算模型

在专家系统中,基于证据理论的推理网络一般为格结构形式,将证据理论的现存形式直接应用于具有复杂结构的推理过程存在很大的困难。本文基于格结构假设空间,采用不确定知识的可信度表示方法,给出了初始基本概率赋值函数的一种计算方法,并在扩充的Shenoy-Shafer结点处理模型的基础上,提出了证据推理的双向传播计算模型。

隐喻与诗歌:假设空间、理性意义与内涵意义

隐喻是诗歌的家园。诗歌中的隐喻包含着诗人的认知、感情与想象力。它所构成的是拉可夫所说的假设空间。假设空间为展示诗人的认知、感情与想象提供了所需的自由的空间。有了隐喻所提供的自由的假设空间,诗人的比喻就应该力求新颖,给读者以认知上的震撼力。越能在理性意义相差很远的本喻体之间发现其内涵意义的相似点,则这种比喻就越显得新颖。

基于广义包含关系的假设空间构作

广义包含关系是利用背景知识进行子句比较的一种偏序关系.通过将含有冗余约束条件的假设合并为一个等价类,广义包含关系能显著缩小搜索空间.本文给出了基于广义包含关系构作假设空间的算法,以及有关定理的证明,进而讨论了这种假设空间的结构、性质等问题.

隐喻与诗歌:假设空间、理性意义与内涵意义

隐喻是诗歌的家园。诗歌中的隐喻包含着诗人的认知、感情与想象力。它所构成的是拉可夫所说的假设空间。假设空间为展示诗人的认知、感情与想象提供了所需的自由的空间。有了假设空间所提供的自由空间 ,诗人的比喻就应该力求新颖 ,要在认知上给予读者以震撼力。越能在理性意义相差很远的本喻体之间发现其内涵意义的相似点 ,则这种比喻就越显得新颖。

基于假设空间身份认证算法的研究与实现

用户击键特性是生物认证研究的一个分支,与传统的生物认证相比,具有低成本和高隐蔽性的特点。在常见的击键算法和模型基础上,提出了基于假设空间的身份认证P-Norm算法,从消除离群数据、计算理想时序变量、计算向量模、验证用户以及自适应机制等五个方面进行了算法说明。最后通过实验证明,基于假设空间的P-Norm算法在性能上面具有更高的辨识度,同时计算量有所下降,运算速度有所提高。

NLP领域粗糙假设空间的统计优化

本文尝试总结出一类通过优化粗糙假设空间而学习近似目标概念的自然语言处理(NLP)问题的解决方法。自然语言的结构、意义和应用复杂多变,这使得NLP目标概念本身就不很明确,更难于从目标概念出发构造偏序假设空间。因此我们从NLP训练样本出发,以较为简单明确的语言学知识为启发,生成例(token)无偏的粗糙假设空间H,然后以型(type)频率为偏序对H进行统计优化,直至得到可以"可能近似正确"表示目标概念的变型空间H。

“形式空间化假设”与汉字结构意象图式分析——基于《新华字典》(第十版)收录汉字的讨论

从认知的视角,对《新华字典》收录的汉字及其结构进行了穷尽性分析,并对汉字结构中主要的意象图式及其分布情况进行分类和讨论,进一步论证了空间是人类概念结构形成的基础,得出汉字结构主要体现为静态性意象图式特征的结论。该结论修正了Lakoff提出的"形式空间化假设"重动态的特征。

多简单假设的SPOT方法

针对目前假设检验存在的问题,提出了新的假设方案,即连续的三参数假设空间检验方案,将三参数空间假设转化成三简单假设,用三简单假设代表三个参数空间,通过多简单假设的SPOT方法来解决该问题的求解过程,克服了复杂假设修正方案误判率较高,样本量大的缺陷。通过仿真对比验证该方法的有效性和优良性。

基于子空间类标传播和正则判别分析的单标记图像人脸识别

针对单标记图像人脸识别问题,该文提出一种基于子空间类标传播和正则判别分析的半监督维数约简方法。首先,基于子空间假设设计了一种类标传播方法,将类标信息传播到无类标样本上。然后,在传播得到的带类标数据集上使用正则判别分析对数据进行维数约简。最后,在低维空间使用最近邻方法对测试人脸完成识别。在3个公共人脸数据库CMU PIE,Extended Yale B和AR上的实验,验证了该方法的可行性和有效性。

从认知心理空间理论看英语虚拟语气

虚拟语气是英语中三大语气之一,在英语语法中起重要作用。一直以来,各种语言学流派对英语虚拟语气这一重要语法范畴的研究和探讨莫衷一是。该文从认知的角度,以认知语言学的心理空间理论对英语虚拟语气进行探讨。

经济适用房空间失配与福利损失问题研究

有别于空间失配与就业影响的研究主线,借助于AMM模型和空间失配假设,从经济适用房的空间失配与住房福利损失的视角作为切入点,研究了经济适用房选址与住房福利损失之间的关系,提出了经济适用房合理选址的措施建议。

洛杉矶地区贫困求职者的就业可达性——郊区化是否影响空间不匹配

凯恩的空间不匹配假设认为居住在内城的弱势群体有较低的就业可达性。但有关这一假设的争论一直在持续,因为多年以来实证研究不断得出与其相悖的结论。本文探讨了1990年、2000年和2007~2011年洛杉矶地区贫困人口是否面临空间不匹配以及郊区化如何改变贫困人口的就业可达性。作者认为,当内城贫困人口的就业可达性比郊区贫困人口低时,则存在空间不匹配。文中就业可达性考虑以私人汽车交通为联系的求职者与工作岗位之间的空间分布。评估结果揭示了复杂的状况:由于内城仍存在大量工作岗位,内城贫困者就业可达性比郊区贫困者更高,因此,内城贫困者并没有面临空间不匹配。但是,随着工作岗位郊区化进程的加快,内城贫困人口的可达性呈现下降趋势。郊区化拉近了贫困与非贫困人口之间的可达性差距。作者研究发现,由于贫困人口未面临空间不匹配,则一些广为提倡的空间政策并不会奏效,比如郊区安置人口计划、增加内城工作岗位计划、提供更多公交服务等。作者认为,提高私人汽车拥有率可以减小空间与非空间方面的障碍,但是这一政策缺少政治可行性。规划者应该在制定空间政策时考虑协同方案,例如减少劳动力市场与住房市场的歧视,提供教育培训帮助求职者增长职业技能,以及帮助贫困人口建立支持性的社交网络。

智能的核心推理:归纳的形式化——AlphaGo归纳学习的进展

探讨智能体的归纳学习中如何进行形式化的问题,首先将归纳学习定义为给定函数的实例集合时如何求得它的近似函数;展开讨论其面临的实例数N过大的困境。然后从基本的决策树学习入手,引入归纳学习中形式化和量化,并讨论学习的可行性。最后给出了先验知识在减小N的范围上的作用,和智能体学习理论上的新进展。

相关部分已知时的相关证据合成

通过用集函数取代基本概率分配函数,给出了当相关部分已知时2个相关证据的合成方法,从而弥补了Dempster-Shafer证据理论中的一个缺陷.此外,当2个相关证据之一的焦元具有嵌套结构时,给出了一种简捷的算法.

概念学习算法中的模糊集

概念学习可以形式化为寻找与训练实例最适合的可能假设的预定义空间,已有的多种算法(比如:Find-S、List-Then-E-liminate、candidate-Elimination等等)都是考虑Boolean-值(即{0,1})函数。用模糊集合的思想,把{0,1}-值函数扩展到[0,1]-值,[0,1]单位区间的每一个实数,都可以用于考虑概念学习算法,而且,可以用模糊距离和贴近度定义假设与训练实例之集的相容性。

单一目标概念的学习算法研究

归纳学习模型可以用示例空间和假设空间的双空间模型表示 ,描述空间是假设空间中适合已观察示例的假设所构成的集合 ,普遍边界集和特殊边界集约束着整个描述空间 ,单一目标概念学习算法是通过增加已分类示例来更新边界集 ,缩小描述空间 ,最后穷尽描述空间 ,从而得到目标概念。

概念学习中FIND-S算法和候选删除算法的比较研究

FIND-S算法和候选删除法,都是利用一般到特殊序的偏序结构,这种结构可以定义在任何概念学习的问题中,它提供了一种有用的结构以便于假设空间的搜索。