利用“正标签”促进学生良性发展——基于信任与多元化的理念

在教育教学过程中,教师会有意无意地给学生贴标签,"正标签"能促进学生良性发展,"负标签"可能使学生愈加堕落。所以,教师应当在信任学生的前提下,根据学生多样化的潜质,遵循学生发展的规律,恰当地给学生贴正面标签,达到利用"正标签"服务学生发展的良好效果。

基于生成式对抗网络和正类无标签学习的知识图谱补全算法

随着知识图谱的应用越来越广泛,绝大多数真实世界的知识图谱通常具有不完备性,限制了知识图谱的实际应用效果。因此,知识图谱补全成为了知识图谱领域的热点。然而,现有方法大多集中在评分函数的设计上,少部分研究关注了负样本抽样策略。在改善负样本抽样的知识图谱补全算法的研究中,基于生成式对抗网络的方法取得了不错的进展。然而,现有研究并没有关注到负样本存在假阴性标签的问题,即生成的负样本中可能包含真实的事实。为了缓解假阴性标签问题,提出了一种基于生成式对抗网络和正类无标签学习的知识图谱补全算法。该方法利用生成式对抗网络生成无标签样本,并使用正类无标签学习缓解假阴性标签问题。在基准数据集上进行的大量实验证明了所提算法的有效性与准确性。

改进FCOS算法正样本选择的交通标志检测

针对交通标志独特的形状特点,提出一种改进的anchor-free卷积神经网络检测算法FCOS(fully convolutional one-stage object detection)。由于原算法在训练过程中直接将真实框内的位置点标记为正,会产生大量标签噪声,在FCOS网络结构的基础上融合交通标志的形状特征,减少没有辩证能力的噪声标签,设计新的正样本选择策略。实验结果表明,改进后FCOS算法在处理后的TT100K数据集上的检测mAP(mean average precision)在不增加计算量的情况下提升到83.2%,检测性能高于FCOS。

用正则的方法在正样本和无标签样本上训练二分类器

正样本-无标签样本学习(Positive-Unlabelled Learning,简称PU Learning)。相对于标准的正样本-负样本学习(Positive-NegativeLearning,简称PNLearning),其是一种仅使用少量正样本和大量无标签样本训练二类分类器的方法。以往工作通常使用一种无偏估计的方法,使用正样本和无标签样本估计PNLearning损失,并建立深度神经网络模型。但是,这种估计方法依赖正样本的数量,当正样本数量较少时,学习算法会发生严重的过拟合。

印刷电子应用越来越广

最早的印刷电子开始于应用喷墨印刷技术,将导电材料打印在承印物上面,形成电路或天线。经过十多年的演进,现在的印刷电子已发展出更先进的印刷方法,应用更为广泛,甚至利用喷墨技术在打印过程中直接形成电子电路、传感器,形成系统和设备。印刷电子牵涉到材料、电子和喷墨技术,可以实现超低单价成本,还可以大量制造。