基于自步学习的自适应半监督聚类算法

在半监督聚类算法中,通常利用有标签样本的指导来提高数据的聚类效果,但不同样本对聚类结果的重要性并未充分考虑。为了解决这一问题,该文提出了一种基于自步学习的自适应半监督聚类算法(ASSCSPL)。首先,在模型中引入自适应损失函数,可以通过调节自适应损失参数提高模型的鲁棒性;其次,在模型中引入自步学习机制,用来刻画不同样本对聚类结果的不同重要程度;最后,在标签传播阶段,所得算法能够很好地利用已有的监督信息,为无标签数据赋予相应的标签权重。数据实验表明,与现有优秀算法比较,所提算法可以达到更好的聚类效果。此外,实验结果也表明,所提算法能够有效地降低噪声对模型聚类性能的影响。

利用图像类标信息的自调式字典学习方法

字典学习是图像分类的关键研究问题之一.现有的字典学习方法大都假设所有训练样本同等重要.实际上,训练样本由于样本之间关联性作为一种"隐藏属性"是未知的,因此,训练样本的学习顺序也与学习效果密切相关.提出一种将自调学习机制融合于字典更新过程的新型字典学习方法,在字典学习中,学习的过程并不是一次处理所有训练样例,而是从简单的训练样例学起,通过迭代逐步扩展至整个训练数据集.针对自调式过程是一种无监督式的学习这一特点,融合类标机制,利用图像类标信息进行监督,得到一种更加高效的简单样本判别方法,从而提高学习过程中反复迭代的效率.在Caltech-101数据集上进行图像分类实验,并和其他几种字典学习算法进行了分析和比较,结果表明本文算法在字典表示以及分类效果上都取得了更好的效果.

管住嘴迈开腿:身体活动当量标签促进健康行为及其认知机制

身体活动当量标签(physical activity calorie equivalent,PACE)提供关于食物的两种信息,即能量值以及消耗该能量所需要的身体活动量,它被认为是一种应对日益严重的肥胖问题的有效策略。PACE标签可以有效降低消费者在实验室实验和现场实验中的不健康食物选择和能量摄入,促进健康食物的选择,同时提高运动意愿和运动行为,即PACE标签可以促进健康行为。PACE标签起效应的认知机制包括两条路径,即PACE标签-心理模拟-情绪-行为路径和PACE标签-心理模拟-健康目标-行为路径。未来研究可以进一步深入探讨两条路径的适用群体和适用条件,PACE标签可能产生的消极影响,以及综合不同的饮食干预和调节方法帮助消费者形成可持续的健康饮食习惯和运动习惯。

食道心房调搏在诊断室上速中的运用价值

目的：通过运用食道心房调搏检查，对疑有阵发性室上性心动过速发作的７０例患者进行复制。方法：经行Ｓ１、Ｓ２或Ｓ１、Ｓ２、Ｓ３程扫刺激后，复制出室上速６２例人次，复制率８８５７％，再行食道心房标测。结果：根据折返部位分类，其中房室结折返性心动过速慢－快型占５４９％，房室折返性心动过速正传型占４１９％，窦房结折返性心动过速占１６％，心房内折返性心动过速占１６％。结论：通过食道心房调搏、标测检查能明确室上速的原因。

基于自步迁移学习的部分标签学习算法研究

在部分标签学习中,每个训练样本对应一组候选标签,只有一个标签是真实标签。几乎所有现有的部分标签学习算法都试图通过不加区别地处理所有标签来消除候选标签集的模糊性。然而,这种方法在训练过程中缺乏对标签和实例之间复杂性的考虑。为了解决这种限制,本文引入了自步学习和迁移学习来解决部分标签学习问题,通过构建更具稳定性和分类性能的分类器,用新颖的方式解决了部分标签问题。

元自步学习

自步学习是近年来机器学习领域提出的一种启发于人和动物"由易到难"学习过程的学习机制.尽管自步学习已取得可喜的理论与应用进展,但是当前的自步学习算法仍存在超参数选择的瓶颈问题.针对该问题当前主要采用一些启发式的手工设计方法或者交叉验证方法,然而此类方法效率很低,缺乏理论性指导,难以推广应用到广泛的实践问题中.针对这一挑战性问题,本文提出一种基于元学习机理的自步学习算法,该方法能使自步学习中涉及的超参数以数据驱动的方式自动习得,从而大大减弱了自步学习的这一核心问题.特别地,我们针对3种典型的自步学习实现格式,将所提元学习策略实质性嵌入,通过回归和分类实验验证了所提算法的准确性和泛化性,特别验证了相比于传统超参设置方法的显著优越性.