基于知识聚合和迁移的跨领域推荐算法

传统的推荐算法受限于单领域中用户和项目的稀疏关系，也存在用户冷启动等问题.跨领域推荐能够通过学习辅助领域的知识去丰富目标领域的稀疏数据以提高推荐准确率.本文提出了一种知识聚合和迁移相结合的跨领域推荐算法ATCF.与已有算法不同，在对共性知识和个性知识的表示学习中，ATCF均充分融合了辅助域和目标域的知识，通过基于矩阵分解的两级矩阵拼接和两次矩阵填充，得到在群集矩阵及评分矩阵上的共性知识表示；通过知识迁移，构建了重叠用户和非重叠用户的个性知识表示，有效避免了负迁移.在两个跨领域数据集上开展的实验表明，ATCF算法与已有单领域和跨领域推荐算法相比RMSE降低了3%~7%，准确率召回率增加了8%~15%.     

基于联合训练的强化学习方法

很多深度强化学习算法在应用时的数据利用率都很低,这限制了模型的泛化能力与适用性.本文通过实现多个任务间的策略共享来实现对数据学习效率的提升.在联合训练多个任务的过程中,通过蒸馏和迁移学习实现不同任务中策略的传输与筛选,并加以精炼.通过建立一个共享的核心蒸馏策略,来捕捉不同任务中产生的共同行为,并针对不同任务设定目标...     

基于共享知识模型的跨领域推荐算法

互联网的普及使得大量信息不断累积,推荐系统作为解决信息过载的有效手段,能够帮助人们迅速准确地筛选出感兴趣的内容.但是由于用户项目评分数据过于稀疏,新用户或新商品存在"冷启动"问题,使得传统的推荐算法计算复杂性过高、准确性较低.考虑到用户会在互联网不同领域使用各类应用,在不同领域积累了大量行为数据和评价信息.而从用户群体的角度来说,在不同领域间存在着用户群体的偏好相似性,因此如果通过在不同领域中共享代表偏好的知识模型,将有助于提升在新领域推荐的准确性,解决冷启动问题.本文提出了基于共享知识模型的跨领域推荐算法SKP （Sharing Knowledge Pattern）,通过对各个领域中用户-项目的评分矩阵分解,得到用户的潜在特征矩阵和项目的潜在特征矩阵,对用户和项目的潜在特征分别聚类,得到了用户分组对项目分组的评分知识模型,最终利用目标领域的个性知识模型和各个领域的共性知识模型来得出推荐结果.本文对三个不同领域的数据集进行了分析和划分,并在物理集群环境下进行了实验.结果表明,通过利用数据稠密的辅助领域数据,本文提出的SKP算法与已有的单领域算法、跨领域算法相比,具有更高的准确率和更低的RMSE值.     

轨迹嵌入研究综述

表示学习方法已在自然语言处理领域得到了突破性的发展,但在轨迹大数据挖掘领域内,成果屈指可数。轨迹嵌入主要是通过合适的方法把高维稀疏有噪音的原始轨迹数据嵌入成低维稠密无噪音的抽象向量。目前的轨迹嵌入方法大多是将自然语言处理领域成熟的模型进行迁移,试图以尽可能少的代价来获得高质量的轨迹的抽象表示。从不同角度详细地对现有的表示学习方法的研究现状进行了分析和比较,最后对现有的轨迹嵌入进行了总结和进一步指出了有价值的研究方向。     

基于样本对元学习的小样本图像分类方法

本文针对小样本图像分类问题,提出一种基于样本对的元学习(Pairwise-based Meta Learning,PML)方法.利用传递迁移学习对预训练好的Resnet50模型进行微调,得到一个更适应小样本任务的特征编码器,将该特征编码器作为元学习模型的初始特征编码器来训练模型,进一步增强了元学习模型的泛化能力;同时,...     

Tr-SLDA:一种面向交叉领域的迁移主题模型

当目标领域缺少足够多的标注数据时,迁移学习利用相关源领域的标注数据,辅助提升目标域的学习性能,但是目标域与源域的数据通常不满足独立同分布,容易导致"负迁移"问题.本文在有监督主题模型(Supervised LDA,SLDA)的基础上,融合迁移学习方法提出一种共享主题知识的迁移主题模型(Transfer SLDA,Tr-...     

结合多任务迁移学习与知识蒸馏的人脸美丽预测研究

目前,人脸美丽预测存在数据样本少、评价指标不明确和人脸外观变化大等问题。多任务迁移学习能有效利用相关任务和源域任务额外的有用信息,知识蒸馏可将教师模型的部分知识蒸馏到学生模型,降低模型复杂性和大小。本文将多任务迁移学习与知识蒸馏相结合,用于人脸美丽预测,以大规模亚洲人脸美丽数据库(Large Scale Asia Facial Beauty Database, LSAFBD)中人脸美丽预测为主任务,以SCUT-FBP5500数据库中性别识别为辅任务。首先,构建多输入多任务的人脸美丽教师模型和学生模型;其次,训练多任务教师模型并计算其软目标;最后,结合多任务教师模型的软目标和学生模型的软、硬目标进行知识蒸馏。实验结果表明,多任务教师模型在人脸美丽预测任务中取得6823%的准确率,其结构较复杂,参数量达14793K;而多任务学生模型通过知识蒸馏后分类准确率为6739%,但其结构简单、参数量仅1366K。本方法多任务教师模型分类准确率比其他方法高,多任务学生模型分类准确率虽然略低一点,但其模型更简单、参数量更少,更有利于用更轻量的网络模型进行人脸美丽预测。      

高光谱遥感图像非线性解混研究综述

介绍了近年来非线性光谱解混方法的发展状况,主要包括矿物沙地地区的紧密混合模型和植被覆盖区域的多层次混合模型,以及基于这些模型的非线性解混算法和利用核函数、流形学习等方法的数据驱动非线性光谱解混算法及非线性探测算法.最后分析总结了现有非线性解混模型与算法的优势与缺陷及未来的研究趋势.     

民用飞机飞控系统传感器故障诊断研究综述

飞控系统中的各类传感器对飞机稳定与操纵起着至关重要的影响,是飞机的重要安全机载设备之一.传统冗余方法具有"安全性高,经济性低"的特点,通过多余度设计来提升系统的安全性给飞机的重量与结构设计、系统综合集成、维修与检测成本都带来了一定的难题.针对民用飞机飞控系统中各类传感器故障,介绍了典型机载飞控传感器的故障模式,以及对故...     

敏捷方法对测试的挑战

在软件行业,敏捷开发已成为众多高效开发团队的选择。从应对变更的数量和速度、在非常短的迭代期间保持有效、接收的代码经过不一致且经常是不充分的单元测试、管理更高的回归风险等方面为您揭示了敏捷方法为测试带来的挑战,并提出了相应的解决方案。     

超分辨率重建技术研究进展

超分辨率(Super Resolution,SR)重建技术是指由一些低分辨率(Low Resolution,LR)模糊的图像或视频序列来估计具有更高分辨率(High Resolution,HR)的图像或视频序列,同时能够消除噪声以及由有限检验器尺寸和光学元件产生的模糊,是提高降质图像或序列分辨率的有效手段。首先介绍超分辨率重建所基于的成像系统模型,并对现有的图像超分辨率重建算法进行总结,重点对基于学习的超分辨重建算法进行对比分析,最后指出超分辨率重建技术的发展方向。     

夜间车辆检测研究综述

车辆检测算法研究是目前深度学习领域的重要问题之一,也是智能交通系统的重要应用。车辆检测算法的应用场景的不同也会遇到不同的问题和挑战,例如在夜间环境下的车辆检测相对于白天环境下更加困难。在夜间环境下,传统基于车灯信息的方法容易受限,在车辆图像清晰度降低,光照环境复杂的环境下效果不是很好。随着深度学习的发展,深度学习在夜间车辆检测方面的方法研究受到关注。文章对近些年来夜间车辆检测方法进行系统的总结和分析。     

SAR图像的Gamma混合分布建模方法

随机信号的混合概率模型比单一概率模型具有更多的灵活性,更适合复杂的分布建模。当前主要的混合概率模型有高斯混合模型、α分布混合模型和Gamma混合模型等。但高斯混合模型更适合随机变量对称分布的分布建模,而α混合模型参数多、算法复杂。SAR图像的像素值为非负值,且多为斜峰分布,更适合用Gamma混合模型建模。仿真分析及数据测试都表明,本文提出的gamma混合分布建模方法对SAR图像的像素统计分布具有更高的运算效率。      

基于权重学习的着色方法

为实现灰度图像的着色,提出一种基于相似关系的着色方法,同时需要用户对图像做颜色标记.权重代表像素之间的一种相似关系,决定了颜色传递的能量大小.为了获得准确的权重信息,提出了权重学习的方法,并建立了从灰度图像特征到彩色图像权重的学习模型.通过训练图像像素间的相似关系,学习到最优权重,再利用学习到的权重将颜色从标记区域扩散...     

结合无监督元学习方法的神经机器翻译

神经机器翻译模型主要是在监督环境下学习模型参数,即编码器将源语言编码为连续的向量表示,解码器从这组连续向量表示中解码出目标语言.对于稀缺资源的语言来说,监督学习方法表现得并不理想.虽然迁移学习方法能够缓解上述问题,但是模型泛化能力较弱,得不到期望的译文.本文受迁移学习启发,提出一种无监督的元学习策略来构建翻译模型,将利...     

基于迁移学习的红外图像超分辨率方法研究

针对红外图像空间分辨率低、成像质量不高的问题,提出了基于迁移学习的红外图像超分辨率方法。该方法以基于卷积神经网络的自然图像超分辨率方法为基础进行改进:增加网络的层数进行更深层次的学习训练,串联多层小的卷积核使其能够利用更多的图像信息,以“相差图”为目标进行训练,减小网络训练时间,提升网络收敛速度;利用迁移学习知识,再以少量高质量红外图像为目标样本,对自然图像超分辨率的网络进行二次训练,将网络权重经过微调后迁移应用到红外图像的超分辨率上。实验结果表明:基于卷积神经网络的超分辨率方法能够有效迁移应用到红外图像的超分辨率上,且改进后的网络具有更好的自然及红外图像的超分辨率性能,验证了本文所提方法的有效性及优越性。     

图像超分辨率重建研究综述

图像超分辨率重建（Super-resolution Reconstruction,SR）是由一张或多张低分辨率图像得到高分辨率图像的过程.近年来,SR技术不断发展,在许多领域被广泛应用.本文在回顾SR技术发展历史的基础上,全面综述了SR技术在各个时期的代表性方法,重点介绍了基于深度学习的图像超分辨率工作.我们从模型类型、网络结构、信息传递方式等方面对各种算法进行了详细评述,并对比了其优缺点.最后探讨了图像超分辨率技术未来的发展方向.