基于均衡学习的增强哈希桶模型研究

在使用哈希查找表构造IEEE 802.1Q协议中VLAN(虚拟局域网)网桥定义的过滤数据库时,哈希桶常被用于解决多个关键字对应同一个存储地址而造成的"哈希冲突"。传统哈希桶通过唯一的哈希地址获取整个学习表的资源,效率较低。文章提出了一种改进哈希表冲突的优化方法,通过双哈希桶和溢出桶来构造哈希表,并采用均衡学习的方式进行地址学习操作。该方法在双哈希桶溢出的情况下,将溢出条目暂存到溢出桶,并通知软件完成双哈希桶中冲突条目的释放和溢出桶中溢出条目的搬移操作。仿真实验结果表明,新的哈希算法可以有效减少哈希冲突的发生率,提高哈希表存储空间的利用率。

自适应均衡学习的端到端类人驾驶控制决策网络

针对现有端到端自动驾驶网络对于类人驾驶行为与思维特征模拟不足的问题,从类人驾驶特征出发,设计了一个包含时空特征、历史状态特征及未来特征的端到端类人驾驶控制决策网络。采用多层卷积和长短期卷积时序记忆网络(Conv-LSTM),对前方道路视觉感知图像时间序列进行时空特征提取,同时采用一维卷积和长短期时序记忆网络(Long Short-Term Memory,LSTM)对车辆状态信息时间序列进行历史状态特征提取,进而采用多任务参数共享方式进行当前时刻和未来序列的方向盘转角、车速的控制决策,并以未来序列作为辅助任务督促当前时刻的主任务学习。为更好地耦合汽车纵横向控制参数学习的过程,还提出一种权衡纵横向控制参数损失量级及学习速度的权重自适应方法,并引入容差阈值,建立衡量纵横向控制参数训练效果的评价方法。依托Comma2k19数据集对所构建控制决策网络进行训练和验证,体现出良好的可行性及优越性。

基于均衡学习的联邦推荐算法研究

在联邦推荐系统中,各客户端能否获得满意的推荐效果不仅取决于自身参与模型训练的数据,也取决于进行联合建模时其他客户端提供的数据。然而出于对自身数据安全的保护且数据获取不易,各客户端倾向于尽可能少地提供自身数据,期望其他客户端提供更多的数据来获得较好的推荐效果。文章首先使用不完全信息博弈模型对客户端之间的交互行为进行分析,接着引入满足均衡概念对该模型进行解释,假定各客户端均有一个预期推荐效果,当所有客户端都达到预期推荐效果时,即该博弈达到均衡。该文提出一种基于均衡学习的迭代算法,客户端通过分析当前推荐效果动态调整本地模型训练的数据,最终使各客户端均达到满足状态。理论分析和实验仿真表明,所提算法可以使各客户端均达到满足均衡,完成收敛。

基于置信度代价敏感的支持向量机不均衡数据学习

现实世界中广泛存在着很多不均衡的数据,其分类问题是机器学习领域的研究热点。为了提高不均衡数据的分类性能,提出一种基于核空间置信度的代价敏感支持向量机分类算法。通过注入类别错分代价机制,以不均衡数据评价指标作为目标函数,优化错分代价因子,提升少数类样本的识别率。计算类中所有样本在核空间下的类别置信度,从而确定样本对决策分类贡献的重要程度,降低噪音或孤立点对支持向量机的影响。通过大量UCI数据集的实验结果表明,与其他同类算法相比,该算法能更好地提高不均衡数据的分类性能。

类别严重不均衡应用的在线数据流学习算法

集成式数据流挖掘是对存在概念漂移的数据流进行学习的重要方法。对于类别分布严重不均衡的应用,集成式数据流挖掘中数据块的学习方式导致样本数多的类别的分类精度高,样本数少的类别的分类精度低的问题,现有算法无法满足此类应用的需求。针对上述问题,对基于回忆机制的集成式数据流学习算法MAE(Memorizing based Adaptive Ensemble)进行改进,提出面向类别严重不均衡应用的在线数据流学习算法UMAE(Unbalanced data Learning based on MAE)。UMAE算法为每个类别设置了一个样本滑动窗口,对于新到达的数据块,其样本依据自身的类别分别进入相应的滑动窗口,最后利用各类别滑动窗口内的样本构建用于在线学习的数据块。与5种典型的数据流挖掘算法的比较结果表明,UMAE算法在满足实时性的同时,不仅整体分类精度高,而且对于样本数很少的小类别的分类精度有大幅度提高;对于异常检测等类别分布严重不均衡的应用,UMAE算法的实用性明显优于其他算法。

非正式学习服务下的大学生资源阅读协作

学习合作是人的本能,是使知识更富有成效的知识信息共享经济。该文以猎鹿博弈的大学生之间的资源阅读的协作行为中来分析利用高校图书馆的资源,并解读大学生非正式学习中的资源阅读对量过程中所能形成的合作性学习博弈的视角,并能实现合作性学习博弈的意义。并且,图书馆内的非正式学习也是继承中国古代书院的学术科研。非正式学习能够实现社会教育示范的影响。

协同过滤推荐系统中的用户博弈

在以协同过滤算法为核心的推荐系统中,一个用户能否获得高质量的推荐不仅取决于用户自身是否积极地参与项目评分,还取决于其他用户是否能提供足够多的评分.由于对项目评分是需要付出成本的,理性的用户总是希望以尽可能少的评分换取高质量的推荐.该文用博弈论的方法对协同过滤系统中的用户评分行为进行分析.考虑到一个用户通常无法观察到其他用户的评分和得到的推荐,该文将用户间的交互建模为不完全信息博弈,并引入"满足均衡"的概念来分析该博弈.该文假定每个用户都对推荐质量有一个预期,当所有用户的预期都得到满足时,博弈即达到均衡.针对所建立的博弈模型,该文设计了一种均衡学习算法,该算法允许用户以逐渐增加评分数量的方式来寻找均衡策略.理论分析和仿真结果均表明,当所有用户对推荐质量有着相似的预期时,所提算法可收敛到满足均衡.这一分析结果可以为协作式系统中激励机制的设计提供启发.

一种基于改进CRNN的轻量化乐谱识别方法

基于深度学习的乐谱识别方法提高了识别精度,但存在模型训练单次迭代耗时长、总迭代轮数多的问题.本文提出了一种改进卷积循环神经网络的轻量化乐谱识别方法CRNN-lite(lightweight Convolutional Recurrent Neural Networks),该方法在卷积层引入残差式深度可分离卷积,减少计算量并加速特征图的提取;在循环层使用双向简单循环单元,采用并行计算避免了串行计算的强依赖问题;在转录层调节交叉熵函数参数,针对性地学习不均衡样本数据.实验结果表明,该方法提高训练速度,单次迭代耗时为基准网络的43%,在失真图像数据上符号错误率为1.12%,序列错误率为14.5%,错误率指标均优于对比方案.

金融市场预测的神经网络方法

作者运用神经网络技术开发了一种对金融市场的现状与未来趋势进行评估的决策支持系统，并用道一琼斯工业股票价格平均指数的数据对系统进行了洲试。然后将预测的结果与传统的市场分析方法所作的预测指数进行对比。所测试的神经网络模型包括不同训练阶段(例如10、20天)的信号模型和△收盘价模型。市场原始数据取自所选阶段的每日报表，并经预处理和标准化后转换为相对强度指数(RSI)、威廉指数(W％R)、净成交量(OBV)、动力指标(MOM)&移动平均线(MA)等金融指数。在所选的交易阶段用这些模型所预测的道一琼斯工业股票价格平均指数与实际指数的变化趋势能很好地吻合。为了改进模型的预测精度，采取了如下几种措施，比如通过均衡补偿学习过程来改进准确性。要改进这一神经网络技术，还需做进一步研究，包括多网络训练法、多任务学习程序研究等。

附加偏见预测器辅助的均衡化场景图生成

场景图是以场景中的物体为结点、以物体之间的关系为边构成的图结构,在视觉与语言交互理解和推理相关任务中具有广泛的应用前景.近年来,场景图自动生成逐渐受到关注,但生成结果中对于关系的描述受到长尾分布带来的偏见的影响,偏向于样本量较大的头部关系.然而头部关系往往过于空泛,描述不够准确,容易造成误解.由于这种关系价值不高,生成的场景图近似于退化为场景中物体信息的堆叠,不利于其他应用在图结构上进行结构化推理.为了使场景图生成器在这种不均衡的数据条件下,能够更均衡地学习,给出更加多样化的特别是尾部的更准确的关系,本文提出一种附加偏见预测器(additional biased predictor,ABP)辅助的均衡化学习方法.该方法利用一条有偏见的关系预测分支,令场景图生成器抑制自身对头部关系的偏好,并更加注重尾部关系的学习.场景图生成器需要为指定的一对物体预测关系,这是一种实例级的关系预测,与之相比,有偏分支以更简洁的方式预测出图像中的关系信息,即不指定任何一对物体,直接预测出图像中存在的关系,这是一种区域级的关系预测.为此,本文利用已有的实例级的关系标注,设计算法自动构造区域级的关系标注,以此来训练该有偏分支,使其具有区域级关系预测的能力.在不同场景图生成器上应用ABP方法,并在多个公开数据集(Visual Genome,VRD和OpenImages等)上进行实验,结果表明,ABP方法具有通用性,应用ABP方法训练得到的场景图生成器能够预测出更加多样化的、更准确的关系,进而生成更有价值、更实用的场景图.

基于概率分布估计的混合采样算法

在类别不均衡的数据中,类间和类内不均衡性问题都是导致分类性能下降的重要因素.为了提高不均衡数据集下分类算法的性能,提出一种基于概率分布估计的混合采样算法.该算法依据数据概率分别对每个子类进行采样以保证类内的均衡性;并扩大少数类的潜在决策域和减少多数类的冗余信息,从而同时从全局和局部两个角度改善数据的平衡性.实验结果表明,该算法提高了传统分类算法在不均衡数据下的分类性能.