基于核统计独立性准则的特征选择研究综述

希尔伯特-施密特独立性准则(Hilbert-Schmidtindependencecriterion,HSIC)是一种基于核函数的独立性度量标准,具有计算简单、收敛速度快和偏差低等优点,广泛应用于统计分析和机器学习问题中。特征选择是一种有效的降维技术,它能评估特征的重要性,并构造适合学习任务的最优特征子空间。系统综述了基于HSIC的特征选择方法,详细介绍了其中的理论基础、算法模型和求解方法,分析了基于HSIC的特征选择的优点与不足,并对未来的研究做出展望。

美国ISB审计独立性最新研究及启示

本文就美国审计独立性准则委员会最新研究成果《审计人员独立性概念框架披露草案》作一简介并探讨其对我国的启示。

多态性密钥交换协议的位独立性安全分析

Diffie-Hellman协议是用于正规场景中的基于离散对数的密钥交换算法,该算法要求通信双方建立长期可信任的伙伴关系。基于多态性Diffie-Hellman密钥交换协议,提出更加安全的多态性密钥交换协议设计方案,在交换协议中附加了通信双方的身份信息,可以由通信双方各自的伪随机序列产生器来共同设计多态性S-盒,这种多态性S-盒在非正规的场景中可以得到广泛应用。

对美国审计界有关注册会计师独立性概念新发展的评析

在注册会计师职业道德中,独立性堪称职业精髓所在。注册会计师独立性概念在注册会计师发展历史长达一百多年的美国,是一个倍受关注的问题。1997年7月,AICPA(美国注册会计师协会简称)发布白皮书,重新定义了“独立性”概念,此次的定义不仅填补了以往缺乏对独立性直接定义的空白,而且将独立性作为注册会计师职业的价值核心的理解角度是对以往的重大突破。对实务界将产生重要的影响。由于历史。

从合作原则之量的准则与方式准则的关系看方式准则的独立性

Grice提出的合作原则是许多学者研究的课题,但是,对合作原则下设四个准则的存废问题仍存在争论。方式准则关注话语的表达方式,量的准则关注话语本身的信息量问题。虽然违反量的准则与违反方式准则时常一起出现,两者难以辨明。但是,从两个准则相互关系的角度进行讨论可以发现,虽然两准则存在一定的联动关系,但违反方式准则往往带有"信息量不合适+X"的特点。通过分析语料,厘清违反量的准则与违反方式准则的关系,讨论方式准则在合作原则中的地位,可以为违反合作原则有关准则的研究提供有益参考。

基于双HSIC和稀疏正则化的多标签特征选择

为了合理地利用多标签数据中的样本信息和标签信息,提高模型的分类性能,提出了基于双希尔伯特-施密特独立性准则(Hilbert-Schmidt independence criterion,HSIC)和稀疏正则化的多标签特征选择(DHSR)。该方法在线性映射的基础上引入双HSIC作为正则项,增强伪标签空间和特征空间之间的依赖关系,增强伪标签空间和真实标签空间之间的依赖关系。并使用L2,1范数作为稀疏正则项,以提高模型的泛化能力和减少模型的计算复杂度。最后,在多个经典多标签数据集上的对比实验结果验证了DHSR的有效性和优越性。

基于特征加权和梯度融合的领域泛化研究

当下,深度学习图片分类训练的模型已经达到了相当高的精度。但是,在将训练完成的深度学习模型部署到实际场景的准确率并不理想。如果想保证比较优秀的模型效果,还要求测试数据和训练数据具有相似的分布,即具有独立同分布性。为了解决训练数据与实际应用数据的分布差异下迁移模型性能不佳的问题,本研究通过结合不同域的训练梯度和通过训练权重消除特征之间的依赖关系来解决深度学习模型局限于类似分布的特性。通过实验表明,本研究的效果在两个数据集的泛化效果上具有突出表现。

多样性表示的深度子空间聚类算法

针对深度子空间聚类问题中不同层次特征中互补信息挖掘困难的问题,在深度自编码器的基础上,提出了一种在编码器获取的低层和高层特征之间探索互补信息的多样性表示的深度子空间聚类(DRDSC)算法。首先,基于希尔伯特-施密特独立性准则(HSIC)建立了不同层次特征衡量多样性表示模型;其次,在深度自编码器网络结构中引入特征多样性表示模块,从而挖掘有利于提升聚类效果的图像特征;此外,更新了损失函数的形式,有效融合了多层次表示的底层子空间;最后,在常用的聚类数据集上进行了多次实验。实验结果表明,DRDSC在数据集Extended Yale B、ORL、COIL20和Umist上的聚类错误率分别达到1.23%、10.50%、1.74%和17.71%,与高效稠密子空间聚类(EDSC)相比,分别降低了10.41、16.75、13.12和12.92个百分点;与深度子空间聚类(DSC)相比,分别降低了1.44、3.50、3.68和9.17个百分点,说明所提出的DRDSC算法有更好的聚类效果。

混合激光制导信号的批次分选与码型识别研究

针对目前研究较少的混合激光制导信号批次分选和码型识别问题,在分析激光制导信号编码特点的基础上,提出一种新的分选与解码算法。该算法首先采用序列差值直方图法(SDIF)识别骨架周期,然后利用已知编码规律采用变步长序列搜索法识别常规编码信号,最后根据脉冲序列独立性判断准则识别未知编码信号。仿真结果证明了该算法的有效性。

基于Copula熵的变量选择

在要求可解释性的机器学习和统计应用中,变量选择对分类和回归任务十分重要.本文提出了一种基于Copula熵的变量选择方法,利用Copula熵值的阶次选择变量.本方法既是模型无关的又是参数无关的.在UCI心脏病数据的基础上进行了本方法与传统变量选择方法(包括距离相关、希尔伯特-施密特独立性准则、逐步选择、正则化广义线性模型和自适应LASSO)的对比实验.实验结果表明,基于Copula熵的方法能够更有效地选择‘正确'的变量,在不牺牲准确性性能的同时得到比传统方法更具可解释性的模型.

基于非负矩阵分解的均方残差多视图聚类算法

针对高维海量数据,现有的多视图聚类方法存在无法发现高维视图隐藏信息、聚类效果差等问题。结合均方残差(Mean Squared Residue, MSR)思想,提出了一种基于非负矩阵分解的均方残差多视图聚类方法(Mean Squared Residue Non-negative Matrix Factorization, MSRNMF)。首先,采用改进的非负矩阵分解方法结合流形学习、希尔伯特-施密特独立性准则计算各单视图的系数矩阵,不仅降低了多视图中各个视图的维度,而且有效地提取了高维数据中的隐藏信息;其次,采用谱聚类算法对各单视图的系数矩阵进行聚类,获得单视图聚类簇;接着,利用均方残差思想,针对各单视图聚类结果进行融合,得到最终多视图聚类结果;最后,以标准数据集和古建数据集为对象进行验证,实验结果表明该算法在精度上优于MVCF,GPSNMF,GPMVNMF,DMF和MCLES,在古建筑集上效果明显,进而验证了算法的有效性。

一种基于多视角聚类的离群检测算法

复杂数据集通常包含不同的组织模式,传统的离群检测算法从单一视角寻找离群点,不能充分利用多视角信息,造成信息遗漏。提出一种基于多视角聚类的离群检测算法,该算法一方面采用谱聚类,以确保高质量的聚类结果;另一方面通过希尔伯特-施密特独立性准则,以确保新的聚类结果相对于已知划分模式是无冗余的。对得到多个视角进行离群分析,从而得到更准确的离群集。研究结果表明,该算法能够提高离群检测精度。

加速多标签特征提取的内核依赖最大化

多标签降维的内核依赖最大化(kMDDM)是近年来提出的一种处理高维多标签数据的方法。为了产生可判别的投影向量,kMDDM利用希尔伯特-施密特独立性准则来获取特征描述和相关标签之间的依赖关系。然而kMDDM的计算涉及到密集矩阵特征分解问题。众所周知,这对于大规模问题的计算成本很高。在文中将原kMDDM转化为最小二乘方问题从而利用共轭梯度算法来大大减少计算量。此外,还将有效正则化技术合并至最小二乘模型用以提高泛化性能并依据基准数据收集进行的大量试验来验证所提出的模型的有效性。

试论DCS控制器配置准则

本文根据作者的实际工程经验，总结了DCS系统控制处理器配置的安全准则。安全准则包括分散度准则、负荷率准则、系统独立性准则和功能完整性准则。