基于二阶段相似度学习的协同过滤推荐算法

针对传统的基于最近邻协同过滤推荐算法中计算相似度存在的缺陷,提出了一种基于二阶段相似度学习的协同过滤推荐算法,该算法旨在通过较少的迭代计算改善推荐算法性能。它以既约梯度法迭代寻优为主、最近邻算法为辅,通过邻居的海选和精选,最终提高了相似度的计算精度,改善了误差性能。实验表明,在一定条件下该算法不仅在误差性能上优于传统的推荐算法,而且其算法收敛速度快,可实现相似度参数动态调整和分布式计算。

计算机视觉中相似度学习方法的研究进展

相似度学习方法通过学习合适的相似度度量以改进模型的分类或聚类效果。现有的研究表明,相似度学习方法在很多计算机视觉问题中起到重要的作用。近年来随着数据规模的急剧增大和应用领域的多样化,相似度学习问题发展了很多新的研究领域。本文介绍了近年来相似度学习问题的研究进展和发展过程,包括从传统的二元组和三元组约束发展到新型相似度约束、从欧氏距离与马氏距离发展到新型相似度度量、从图像间的相似度学习发展到图像集之间的相似度学习、从单一模态相似度学习发展到跨模态相似度学习。最后本文展望了相似度学习未来可能的发展方向。

基于最大-最小相似度学习方法的文本提取

应用最大-最小相似度(maximum-minimum similarity,简称MMS)学习方法,对基于高斯混合模型的文本区域提取方法中的有关参数进行优化.该学习方法通过最大化正样本相似度和最小化反样本相似度获得最佳分类能力.根据这种判别学习思想,建立了相应的目标函数,并利用最速梯度下降法寻找目标函数最小值,以得到文本区域提取方法的最优参数集合.文本区域提取实验结果表明:在用期望最大化(expectation maximization,简称EM)算法获得参数的极大似然估计值后,使用最大-最小相似度学习方法,使文本提取综合性能明显提高,开放实验的召回率和准确率分别达到98.55%和93.56%.在实验中,最大-最小相似度学习方法的表现还优于常用的判别学习方法——最小分类错误(minimum classification error,简称MCE)学习方法.

维度学习探路者算法

针对探路者算法在解决最优化问题存在收敛速度慢、易陷入局部最优的缺点,提出维度学习策略改善不足。在种群搜寻最优解的过程中,通过对越界个体执行限制维度学习,对迭代不成功个体采取加强维度学习策略,帮助种群跳出局部最优,提高算法的收敛性能。为验证策略可行性,通过5个Benchmark测试函数与4种算法进行对比实验,结果表明,改进后的算法明显优于其他算法。维度学习策略用于粒子群优化算法表明,该策略对于提高算法性能具有普适性。

双分支网络架构下的图像相似度学习

图像相似度学习是指通过网络学习图像内容信息来预测两张图像是否匹配。迄今为止,基于卷积神经网络改进的变体网络有效提升了学习效率,但由于提取特征比较单一无法准确描述图像特征,导致相似度学习效率较低。为此,本文提出一种基于卷积神经网络结构的双分支网络。该网络为左右分支网络结构相同,但权值不共享,网络输入为双分支输入。首先由左右分支网络分别提取单通道图像特征;然后通过特征融合层进行特征融合;最后将融合特征直接输入全连接层进行相似度学习,既改善了提取的图像特征多样性,又加快了模型训练速度。在实验室工业相机拍摄的芯片卡槽图像数据集上进行对比试验,结果表明,相比其他模型,本文提出的模型具有较强的网络学习能力和模型泛化能力,准确率高达97.96%。

综合维度学习的多群协作粒子群优化算法

针对维度学习策略(dimensional learning strategy,DLS)中存在的过度开发问题,提出了一种综合维度学习的多群协作粒子群优化算法(CDL-MCPSO)。为提高种群搜索效率,采用基于主从范式的集群结构,将种群划分为一个主群和四个从群,主群执行综合学习策略在搜索空间进行大范围探索,从群执行综合维度学习策略(comprehensive dimensional learning,CDL)在局部最优解附近进行高精度的开发,主从群通过执行具有不同职能的算法能够有效实现其在勘探和开发之间的平衡;同时为保持种群多样性,提出了一种新的解交换机制(SEM)用于在主从群独立运行各自算法若干代之后进行信息的交流与协作,以指导粒子后期进行更准确的搜索;最后,针对初始化过程随机性过高,运用拉丁超立方体采样方法对算法重建输入分布。为验证CDL-MCPSO的有效性,将其与五种粒子群算法变体在10个测试函数上进行实验对比,结果表明该算法总是可以找到优于或相当于对比算法的解,在求解复杂函数时具有可行性和高效性。

基于多分辨率特征提取网络的图像相似度学习

图像相似度学习旨在提取图像特征并构造新的相似性学习算法以对图像之间的关系建模。近年来,深度学习网络以能够自动学习特征的优势被广泛用于图像相似度学习中。针对深度学习网络提取的特征过于简单,导致相似度学习效率较低,且训练受到数据集大小的限制等问题,在改进的双分支网络和双通道网络基础上,结合数据增强和多分辨率特征提取方法,设计了一种多分辨率特征提取(IS-MRFE)网络。使用相同数据多输入方法进行网络训练,起到增强数据的作用,通过多分辨率特征融合,提高网络提取的特征多样性。同时,研究了数据集大小对网络训练适应性的影响。实验结果表明,在TLL(totally-looks-like)数据集中,所设计的IS-MRFE网络具有较强的网络学习能力和模型推广能力,此外,当数据集大小受到限制时,模型仍具有较强的适应性。

“三度学习”与继续教育

三度学习是著名人类学家和社会学家格列高里.贝特森在1973年提出来的,英国著名社会学家齐格蒙特鲍曼(ZygmuntBauman)1在他的《个体社会化》中加以详尽的阐述,使我们对这极其陌生的概念,有所了解,并试图通过对“三度学习”的了解和认识,给我们现在的教育以启示。

基于逆注意力机制和像素相似度学习的图像分割

针对图像语义分割中目标边界容易混淆、定位不准以及边界不平滑问题,在Deeplab v2 Resnet-101网络的基础上引入提出的逆注意层与像素相似度学习层,构造了一种新的语义分割的网络结构,并设计了注意力层和像素相似度学习层的损失函数。首先,使用Deeplab v2 Resnet-101网络提取图像语义特征;然后,利用提出的逆注意力层修正预测网络的分割结果,同时,利用提出的像素相似度学习层解决边界不够平滑的问题;最后融合两者分割的结果,得到语义分割的结果。在PASCAL-Context上取得了像素准确度76.2%、像素平均准确度59.7%、平均IoU(Intersection over Union)准确度指标49.9%的结果,在PASCAL Person-Part、NYUDv2、MIT ADE20K数据集上分别取得了平均IoU准确度指标69.6%、42.1%、44.38%的结果,与已有的主流方法相比,所提算法能够提升语义分割的精确度,验证了算法的有效性。

基于跨模态相似度学习的端到端不规则文本检索方法

场景文本检索是指从场景中搜索并定位与给定文本相同或相似的文本实例。通过计算机视觉方法实现文本检索可以辅助用户在指定场景中自动找到感兴趣文本,因此被广泛应用于图像安全性审核、图书检索等领域。然而,在某些场景中文本时常呈现弯曲、压缩和拉伸等不规则形态,文本区域提取与匹配面临极大挑战。为了解决这一问题,建立了一个端到端网络模型,将不规则文本提取和跨模态相似度学习统一到一个框架内,利用学习到的相似度对检测的文本实例排序,从而实现对不规则文本的检索。在SVT,STR和CTR三个数据集的实验结果表明,与现有文本检索方法相比,提出的框架在推理速度保持3.7帧/秒的情况下平均准确率比现有最好方法提升1%~3%。为了进一步验证所提方法对于不规则文本检索的有效性,建立了一个新的不规则文本数据集AIDATA,并与STR-TDSL方法进行对比实验,结果表明,在推理速度降低不到20%的情况下可以将平均准确率提升25%以上。

融合Tent混沌和维度学习的阴阳对算法

针对阴阳对算法(YYPO)易早熟收敛,提出一种融合Tent混沌映射和维度学习策略的阴阳对优化算法(YYPO-TP)。使用Tent混沌序列初始化阴阳两点生成以增加初始位置分布的均匀性,使用维度学习策略和反向搜索策略设计一种正反向搜索的分割方式,避免算法的早熟,增强算法全局寻优能力。实验结果表明,YYPO-TP相比YYPO在统计学意义上有显著性能优势,在风力发电机参数优化问题YYPO-TP也取得了更优的结果。

基于多分支注意网络与相似度学习策略的无监督行人重识别

无监督行人重识别的挑战在于学习没有真实标签的行人的判别性特征。为增强网络对行人特征的表达能力,进一步从空间和通道维度上提取更丰富的特征信息,提出了一种基于多分支注意网络的行人重识别特征提取方法。该方法通过捕获空间维度和通道维度上不同分支之间的交互信息,能够学习到更具判别性的行人特征表示。此外,针对噪声标签会对聚类质心产生干扰的问题,提出了相似度学习策略(SLS)。该策略先计算每个聚类中样本特征之间的相似性,然后选取相似性分数最高的特征向量所对应的样本进行对比学习,有效地缓解了聚类噪声导致的累积训练误差。实验结果表明,和无监督场景下的自步对比学习方法(SPCL)相比,在Market-1501,DukeMTMC-reID和MSMT17等3个数据集上的rank-1准确度分别提升了4.6%,3.3%和16.3%,显著地提高了无监督行人重识别的检索精度。

“深”度学习深圳人大经验,促进“内地”人大业务和履职能力的大提升

随着经济社会的不断发展民主法制建设进程的不断推进 , 对人大常委会履职能力和工作业务水平也提出了更高的要求。要适应新的形势和任务需要 , 就要在学习、工作、作风、创新上有新的突破 , 不断提高人大工作的整体水平,更好为人民服务。

积极心理资本在医学生线上学习投入度和自我导向学习能力间的中介效应

目的:探讨积极心理资本在民办高校医学生线上学习投入度和自我导向学习能力的中介效应。方法:整群抽取天津市某民办高校医学院在线学习的学生进行问卷调查,回收有效问卷483份。采用Pearson相关分析探究积极心理资本、学习投入度和自我导向学习能力的关系,并拟合结构方程模型。结果:医学生学习投入度总分和各维度得分与积极心理资本得分、自我导向学习能力得分均呈正相关关系(r=0.253~0.824,P<0.01)。SEM结果显示,积极心理资本、自我导向学习能力对学习投入度的路径系数分别为β=0.844、β=0.426(P均<0.01);Bootstrap检验显示,积极心理资本在自我导向学习能力与学习投入度之间起部分中介作用(P<0.01)。结论:自我导向学习能力及积极心理资本均能正向预测民办高校医学生的线上学习投入度,且自我导向学习能力通过积极心理资本的中介作用影响学习投入度。

混合式教学模式下护生认知负荷对学习准备度与学习投入的中介效应分析

目的:分析学习准备度、认知负荷与学习投入的相关性,进一步明确认知负荷对学习准备度与学习投入的中介效应。方法:采用便利抽样方法于2023年3月—6月选取吉林省某高校本科护生332名作为研究对象进行分析,采用一般资料调查问卷、学习准备度量表、认知负荷量表、学习投入量表进行调查,构建并检验中介模型。结果:本科护生学习准备度得分为(91.01±20.41)分,认知负荷得分为(33.61±5.45)分,学习投入得分为(63.64±13.91)分。学习投入与学习准备度呈显著正相关(P<0.01,r=0.684),学习投入和认知负荷呈显著负相关(P<0.01,r=-0.670),学习准备度和认知负荷呈显著负相关(P<0.01,r=-0.624)。学习准备度通过中介变量认知负荷对学习投入的间接效应为0.2819,占总效应的36.25%,且中介效应显著(P<0.001),95%CI为0.3917~0.5997。结论:本科护生的学习准备度对学习投入具有正向预测作用;认知负荷对学习投入具有负向预测作用;认知负荷在学习准备度与学习投入之间起部分中介作用。

融合OBE与创新创业理念的学生学习成果达成度评价体系研究

文章首先概述了学习成果的定义,然后提出了融合OBE与创新创业理念的学生学习成果达成度评价依据与原则,以及融合OBE与创新创业理念的学生学习成果达成度评价内容,再次论述了融合OBE与创新创业理念的学生学习成果达成度评价体系构建,最后对融合OBE与创新创业理念的学生学习成果达成度评价体系进行了可持续分析。

大学生SPOC学习投入度对学习质量的影响研究

随着信息技术在教育领域的普及,SPOC作为一种新型的教学组织模式正逐渐改变传统的教学方式,为教育改革带来了新的思路和启示。文章通过多元线性回归探究SPOC课程学习投入度对学习质量的影响;结果显示:大学生SPOC学习投入度总体情况一般,SPOC课程学习投入度与学习质量高度相关,学习投入度中的情感投入和行为投入对学习质量具有较高的解释力度。在此结论基础上,文章对学习者本身和教师两个主体分别提出了相关建议。

医学院学生远程学习投入度与专业认同感和自我效能感的相关性研究

为深入了解医学院学生的远程学习投入度现状,以及其与专业认同感和自我效能感的相关性,采用远程学习投入度问卷对山东省某高校医学院313名护理学、口腔医学技术专业本科生进行问卷调查。研究表明,医学院学生的远程学习投入度、专业认同感、自我效能感均处于中等水平,可通过提升学生的专业认同感、自我效能感来提高学生的远程学习投入度。

基于最小包含球的异质空间大数据集快速相似度学习算法

针对跨空间数据相似度学习问题提出的跨空间相似度学习(CSAL)算法表现出了良好的性能,并已成功地应用于各类推荐系统中.但构建一个完善的推荐系统,其待处理的数据量常呈现大样本特征,而CSAL算法并不具备大样本快速处理能力.针对此不足,提出了跨空间相似度学习-最小包含球(CSAL-MEB)方法和跨空间相似度学习-核向量机(CSAL-CVM)快速方法.CSAL-CVM方法既具有渐近线性时间复杂度和空间复杂度的优点,同时又继承了CSAL的良好性能.相关实验亦验证了所提出方法的有效性.

学习方式的差异与学习效度的关系研究

学习方式的差异与学习效度的关系问题是一个重要课题。学习方式是多元化的,具有个性化的色彩,不同的学习方式对学习效度的影响也是多样化的。学习方式是动态调整的,学习方式的动态变化会带来学习效度的变化。但学习方式的差异与学习效度的关系并非数学意义上的映射,二者的关系呈现出复杂多变特点。在实践层面,需要通过教学管理的优化和评价方式的变革推动教学模式的优化,通过教学模式的优化推动学习方式的转变和优化。