一种针对弱标记的直推式多标记分类方法

多标记学习主要解决一个样本可以同时属于多个类别的问题,它广泛适用于图像场景分类、文本分类等任务.在传统的多标记学习中,分类器往往需要利用大量具有完整标记的训练样本才能获得较好的分类性能,然而,在很多现实应用中又往往只能获得少量标记不完整的训练样本.为了更好地利用这些弱标记训练样本,提出一种针对弱标记的直推式多标记分类方法,它可以通过标记误差加权来补全样本标记,同时也能更好地利用弱标记样本提高分类性能.实验结果表明,该方法在弱标记情况下的图像场景分类任务上具有较好的性能提高.

基于平均教师模型的弱标记半监督声音事件检测

为了利用大量不平衡和未标记数据,采用一致性正则化思想的平均教师模型用于弱标记半监督声音事件检测,可有效减少半监督学习中的过拟合问题.在教师模型的权重更新过程中,首次提出将随机加权平均算法(SWA)用于声音事件检测,可以加快预测速度并且节约成本.针对模型的架构问题,采用改进的门控卷积长短时记忆网络(GCLSTM)作为学生模型和教师模型,其中全局加权秩池化层可以克服平均池化和最大池化对声音事件的低估和高估的限制,有效地提高系统的性能.在对数据进行特征提取过程中,采用SpecAugment策略对语谱图进行增强,从而有效地解决过拟合问题.为了评估实验方法,在声学场景和事件的检测及分类(DCASE)2018挑战任务4数据集上进行测试,结果表明:评估集的平均F1分数可达24.9%,明显优于基线系统和其他方法的F1分数.

基于标记与特征依赖最大化的弱标记集成分类

弱标记学习是多标记学习的一个重要分支,近几年已被广泛研究并被应用于多标记样本的缺失标记补全和预测等问题.然而,针对特征集合较大、更容易拥有多个语义标记和出现标记缺失的高维数据问题,现有弱标记学习方法普遍易受这类数据包含的噪声和冗余特征的干扰.为了对高维多标记数据进行准确的分类,提出了一种基于标记与特征依赖最大化的弱标记集成分类方法 En WL.En WL首先在高维数据的特征空间多次利用近邻传播聚类方法,每次选择聚类中心构成具有代表性的特征子集,降低噪声和冗余特征的干扰;再在每个特征子集上训练一个基于标记与特征依赖最大化的半监督多标记分类器;最后,通过投票集成这些分类器实现多标记分类.在多种高维数据集上的实验结果表明,En WL在多种评价度量上的预测性能均优于已有相关方法.

基于改进池化层的弱标记声音事件检测

针对DCASE2017挑战赛任务4提供的大规模弱标记声音事件检测数据集,我们搭建了基于梅尔滤波器特征(Fbank)、卷积神经网络(CNN)以及循环神经网络(RNN)的多类别声音事件检测系统,分析了attention和linear softmax两种已有的常用池化层在神经网络反向传播中的部分推演过程,并在linear softmax池化层的基础上进行改进,提出了一种"指数可学习的幂函数softmax"池化层。实验结果表明,相比于DCASE竞赛中获得第一名的模型,应用"指数可学习的幂函数softmax"池化层的检测系统,将段级别的声音事件预测的F1值从0.556提高到0.652,帧级别预测的F1值从0.518提高到0.583,帧级别预测的error rate(ER)从0.730降低到0.667。

针对弱标记数据的多标签分类算法

针对标签信息不完整的多标签分类问题,一种新的多标签算法MCWD被提出。它通过有效地恢复训练数据中缺失的标签信息,能够产生更好的分类结果。在训练阶段,MCWD通过迭代更新每个训练实例的权重以及利用两两标签之间的相关性来恢复训练数据中缺失的标签信息;在标签恢复完毕后,利用新得到的训练集来训练分类模型;用此模型对测试集进行预测。实验结果表明,该算法在14个多标签数据集上具有一定的优势。

在弱标记的传感器时间序列上基于突变的事件分类

随着传感器广泛应用于各个领域,在传感器生成的时间序列上识别事件越来越受到广泛的关注。针对震荡的传感器时间序列,提出事件分类算法BEC。对于原始长时间序列和标记时间点作为类标签,BEC主要解决了两个问题。首先是将标记时间点扩展为包含充分信息的子序列以分类,再者是提取基于突变的特征以训练分类模型。实验结果证明,无需大部分时间序列分类问题中不现实的假设和太多人力干预,BEC提取的基于突变的特征能够充分描述事件,极大保留事件中关键信息,在现实数据集上的表现优于现有的时间序列分类算法。

一种基于嵌入式的弱标记分类算法

对于高维标签的分类问题,标签嵌入法已经受到广泛关注.现有的嵌入方法大都需要完整的标签信息,也没有将特征空间考虑在内;同时,由于数据进行人工标注的成本高以及噪声干扰等原因,仅能获得数据的部分标签信息,使得含有缺失标签的高维标签分类问题变得更加复杂.为解决这一问题,提出一种弱标记嵌入算法(Label Embedding for Weak Label Classification,LEWL).该算法利用矩阵的低秩分解模型,结合样本的流形结构恢复缺失标签;同时采用希尔伯特‐施密特独立标准技术(Hilbert‐Schmidt Independence Criterion,HSIC)使特征和标签相互作用,联合学习获得一个低维的嵌入空间,可以有效地减少模型的训练时间.通过在七个多标签数据集上与其他算法的对比实验,结果表明了所提算法的有效性.

针对弱标记的多标记数据集成学习分类方法

提出一种针对弱标记的多标记数据集成学习分类方法,它通过采用基于相似性成对约束投影的方法来处理数据,更好地利用了弱标记样本的特征,从而提高了分类性能。

结合局部标记序关系的弱监督标记分布学习

标记分布学习(label distribution learning,LDL)是一种用于解决标记多义性的新颖学习范式。现有的LDL方法大多基于完整数据信息进行设计,然而由于高昂的标注成本以及标注人员水平的局限性,很难获取到完整标注数据信息,且会导致传统LDL算法性能的下降。为此,本文提出了一种新型的结合局部序标记关系的弱监督标记分布学习算法,通过维持尚未缺失标记之间的相对关系,并利用标记相关性来恢复缺失的标记,在数据标注不完整的情况下提升算法性能。在14个数据集上进行了大量的实验来验证算法的有效性。

猪瘟弱毒标记疫苗候选株RecC-M1对猪的安全性研究

为探究猪瘟弱毒标记疫苗候选株RecC-M1(将牛病毒性腹泻病毒1型E^(rns)和猪瘟病毒基因2型流行株E2高变区分别置换弱毒疫苗C株对应区域构建而成)对猪的安全性,本实验以2.0×10^(5)FAID_(50)(50%荧光抗体感染剂量)高剂量的RecC-M1株经颈部肌肉注射接种12头35日龄猪瘟病毒(CSFV)抗体阴性仔猪,另设生理盐水对照组6头。接种后观察各组猪的临床症状,并于接种后不同时间(0、1 d、3 d、5 d、7 d、14 d、28 d和42 d)采血用于细胞计数;接种后7 d和42 d各取6头猪(包括第42 d对照组6头猪),剖杀后观察各组织剖检病变,并取各组织制作切片观察组织病变,采用qPCR检测病毒在各组猪各组织中的分布。根据qPCR结果,选择阳性组织样品(扁桃体、肾脏和淋巴结)的病理切片采用免疫组化法检测RecC-M1株在猪上述各组织中的分布。于接种后0~7 d、14 d、28 d和42 d分别采集各组猪的鼻拭子和肛拭子样品以及不同时间采集的血液,均采用qPCR检测各组猪的病毒血症及排毒;采用间接ELISA分别检测各组猪血清中分别针对BVDV及CSFV相应抗原的抗体水平。结果显示,RecC-M1组猪在42 d的观察期内均未出现临床症状,体温、白细胞数和淋巴细胞数与阴性对照组猪均无明显差异,且均在正常范围内;剖检及组织病变观察结果显示,接种后7 d和42 d猪的各组织均未见淤血或出血;扁桃体、淋巴结、脾、肾、膀胱、回盲瓣等CSFV嗜性组织均未见明显的病理学变化;各组织样品的qPCR结果显示,接种后7 d所有6头猪的肾脏和扁桃体样品和2头猪的淋巴结样品中均检出CSFV核酸,而接种后42 d所有猪的组织样品均为阴性;免疫组化结果显示,接种后7 d猪扁桃体和肾脏样品中CSFV抗原均呈阳性,接种后42 d猪的所有组织样品则均转为阴性;病毒血症和排毒的qPCR结果显示,接种后14 d内部分猪血液、鼻拭子和肛拭子样品中检出CSFV核酸,接种后28 d和42 d所有猪血液、鼻拭子和肛拭子则均为阴性。间接ELISA结果显示,接种后14 d针对BVDV1 E^(rns)抗体开始上升,而针对CSFV E2的抗体则在接种后7 d开始上升,此后两种抗体水平均随时间的推移呈持续上升趋势。阴性对照组猪各组织均未见明显剖检及组织病变,各组织CSFV抗原,各组织、血液及拭子样品均为阴性,也未产生针对相应病毒抗原的抗体。上述结果表明,高剂量的RecC-M1株对猪是安全的,本研究为RecC-M1株作为猪瘟弱毒标记疫苗的产业化开发奠定实验基础。

基于三维卷积网络的山洪漫流灾害视频检测方法研究

山洪是山地中常见的自然灾害,在西北地区也易形成山前戈壁漫流,对公路铁路及构建筑物等造成危害。针对这一问题,采用视频自动识别的方式,利用广泛安装的视频监控设备,对地表水变化进行检测,从而识别视频监测区域的山洪漫流灾害实现预警。首先,通过具有弱标记的洪水视频文件来训练深度学习模型,并在模型中结合时空特征学习方法即深度三维卷积网络,使得训练和检测更快;其次通过对相关数据集的测试,表明模型具有83%的识别准确率,可作为传统山洪预警方法的有效补充。

三支弱协调决策形式背景的规则获取

规则获取是三支概念分析中的一个重要问题。本文首先基于属性导出三支概念格间的细于关系,定义了三支弱协调的决策形式背景,并给出了基于属性导出三支概念格三支弱协调决策形式背景的规则获取方法。然后,研究了三支规则与二支规则之间的关系。最后,定义了属性导出三支概念的弱闭标记,并利用弱闭标记给出了三支弱协调决策形式背景的规则获取方法,剔除了冗余规则从而简化规则。

基于对象导出三支概念格的决策背景规则获取

规则获取是当前形式概念分析领域的研究热点.首先给出了基于对象导出三支概念格间的细于关系,定义了基于对象导出三支概念格的三支弱协调性,并研究了其与经典概念格下的二支弱协调性之间的关系.然后,研究了基于对象导出三支概念格的规则获取,并与经典概念格的规则获取进行了比较.最后,定义了对象导出三支概念的弱闭标记,研究了基于弱闭标记的三支弱协调决策形式背景的规则获取,剔除了冗余规则,并且得到一些新的更为精简的三支规则.