基于角度的变系数多分类支持向量机（英文）

支持向量机作为机器学习中一个经典的分类算法,一直广受数据科学家的喜爱。无论是处理线性可分还是非线性可分数据,传统的支持向量机能够很好地解决二分类问题。针对给定的样本,支持向量机通过最大化最小间隔得到最佳的决策分界面,从而实现对新样本的类别预测。然而现实中的数据更为复杂多样,一方面数据的类别往往多于两个,近年不乏有优秀的多分类支持向量机算法出现;另一方面不同领域的数据的特征集中可能存在相对特殊的变量(称之为主变量,targeted variable),需要将其挑选出来并加以特殊处理,以保持主变量对最终分类结果的重要影响。考虑这两个方面,提出基于角度的变系数多分类支持向量机(TLAMSVM)模型以解决含有主变量的多分类问题。它使用具备更好几何解释能力的基于角度的间隔最大分类框架完成多分类,并引入变系数模型,通过选择合适的局部光滑函数处理主变量对模型的影响。把基于角度的变系数多分类支持向量机分别应用到模拟数据集和真实数据集上。数值结果显示,相比没有使用变系数思想或基于角度的多分类框架的多分类支持向量机,TLAMSVM模型具有更高的预测准确度。

基于角度的分类方法综述（英文）

统计分类问题经常出现在很多应用中,如人脸识别、欺诈检测和手写字符识别等。对有监督分类问题的统计方法进行综述。特别地,介绍基于角度的分类结构,将二分类与多分类问题纳入一个统一的框架中。讨论基于角度分类器的若干新变体,如稳健学习和加权学习。此外,还指出这些分类器关于Fisher相合性的若干理论结果。

个体主义方法论与法人制度的骨骼——我国法人分类的重构

法人分类是法人制度的基本框架,其构成了民法关于法人制度的骨骼。只有法人骨骼的健壮,才会有法人制度整体的健美外表。而我国《民法通则》中关于法人的分类模式,与大陆法系传统的法人分类大相径庭,其原因是我国民事立法思路的整体主义路径依赖。我国应从个体主义方法论的角度出发,重构我国的法人分类。

基于改进型Softmax Loss损失函数的面部表情识别

针对面部表情识别中Softmax Loss损失函数类内特征分散、类间特征未分离的问题,提出一种改进型Softmax Loss损失函数ACAM Loss。上述损失函数将优化集中在余弦角度上,在特征与目标权重的余弦夹角加上间隔m,在特征与非目标权重的余弦夹角减去间隔m,有效引导网络学习具备类内距离较小、类间距离较大的强区分度特征,同时加大网络训练力度优化输出,以提升分类效果。实验表明,在CK+和JAFFE数据集上,ACAM Loss函数训练模型表情识别准确率分别达到98.87%和98.92%,相比Softmax Loss函数平均增幅分别为1.35%和1.3%,识别准确率处于主流领先水平,验证了改进损失函数的有效性。

非语言行为的文化阐释

作为交际的表达形式之一的非语言行为和语言一样,承载了丰畜的丈化内汤.传统的研究非语言行为的方式是将非语言行为分类并描述文化细节.这种方式琐碎复杂,不便于进行系统的研究或学习.非语言行为的社会性为从丈化的角度解释非语言行为提供了理论依据;文化维度的分类法为分析非语言行为提供了理论框架.从文化维度,而不是从罗列细节的角度时非语言行为进行分析,显然更具有理论性、概括性和可操作性.

区域约束力视域下粤港澳大湾区高等教育合作发展的制度框架

一、区域、区域性与区域约束力所谓区域,通常指的是依据一定标准划分的人类社会活动的一定地域空间。从不同的学科角度进行的区域分类有着不同的划分标准。