CN110569982A - 一种基于元学习的主动采样方法 - Google Patents

一种基于元学习的主动采样方法 Download PDF

Info

Publication number
CN110569982A
CN110569982A CN201910725779.6A CN201910725779A CN110569982A CN 110569982 A CN110569982 A CN 110569982A CN 201910725779 A CN201910725779 A CN 201910725779A CN 110569982 A CN110569982 A CN 110569982A
Authority
CN
China
Prior art keywords
meta
model
data
data set
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910725779.6A
Other languages
English (en)
Inventor
不公告发明人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Zhigu Artificial Intelligence Research Institute Co Ltd
Original Assignee
Nanjing Zhigu Artificial Intelligence Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Zhigu Artificial Intelligence Research Institute Co Ltd filed Critical Nanjing Zhigu Artificial Intelligence Research Institute Co Ltd
Priority to CN201910725779.6A priority Critical patent/CN110569982A/zh
Priority to PCT/CN2019/100002 priority patent/WO2021022572A1/zh
Publication of CN110569982A publication Critical patent/CN110569982A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

本发明公开了一种基于元学习的主动采样方法，该方法借鉴元学习的思想，通过之前得到的主动学任务的经验(MetaData)用一个回归模型M去学习一个查询策略的指标。回归模型M的输入是根据我们设计的一些关于某个未标记样本x和当前分类模型C的底层特征，这些设计的Meta特征与数据集的特征空间和分类模型的形式无关，输出值是衡量x对于提升分类模型C的作用大小；并且，这些Meta特征独立于数据集的特征空间和分类模型的形式，因此具有更好的泛化能力。

Description

一种基于元学习的主动采样方法
技术领域
本发明涉及一种基于元学习的主动采样方法；属于机器学习技术领域。
背景技术
在大数据时代的背景下，我们能够轻易地获得大量的未标记数据集，而绝大部分机器学习模型，尤其是深度学习模型都需要大量的有标记样本进行训练。然而，获取有标记样本是十分困难且昂贵的，特别是在需要高度相关的专业知识背景的领域，例如医学图像领域。主动学习的概念正是针对上述问题而提出的，目的是挑选尽可能少的未标记样本进行标记，使得模型的性能达到一个令人满意的效果。
目前，大部分主动采样(AL)策略都是针对不同的分类任务而设计相应的指标，在面对不同任务时，没有一种主动采样策略能够明显优于其他策略。因此，研究者提出了许多Meta-AL方法来自动选择最佳策略。但是它们需要对分类模型性能进行可靠的评估以此去选择最佳的策略，因为有标记的数据很少，这往往是不准确的。这些Meta-AL的方法也很难超越现有人为设计AL策略的组合。鉴于上述原因，有必要对采样方法进行改进。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明的目的在于提供一种基于元学习的主动采样方法。
为实现上述目的，本发明采用的技术方案为：
一种基于元学习的主动采样方法，包括以下步骤：
(一)通过在大量已有标记的数据集上模拟进行主动学习的过程，根据 Meta特征设计规则，获取足够量的MetaData数据；
(二)根据步骤(一)中获取的MetaData数据训练Meta回归模型M；
(三)在当前主动学习任务上，根据Meta特征设计规则，计算每个未标记样本的Meta特征；
(四)将(三)中Meta数据输入至步骤(二)中Meta回归模型M，选择输出值最大的未标记样本，向用户查询真实标记；
(五)根据得到的真实标记更新模型；
(六)返回步骤(三)或结束并输出分类模型C。
进一步的，所述步骤(一)在大量已有标记的数据集上获取MetaData 数据，具体方法为：
假设当前分类模型为C，当前考虑的未标记样本为x；设MetaData数据集结构为[Z,ΔP]，其中Z为设计的Meta特征，ΔP为分类模型C在加入未标记样本x重新训练后，在测试集上性能前后变化值，其中Meta特征Z设计具体细节为：
1)关于数据集的传统的元特征(共19维)
a)简单的元特征
样本的数量及其对数，特征的数量及其对数，样本数与特征数之比及其对数，特征数与样本数之比及其对数；
b)统计特征
计算所有数值特征的峰度(kurtosis),取其最小值，最大值，均值，标准差；
计算所有数值特征的偏度(skewness),取其最小值，最大值，均值，标准差；
c)PCA统计特征
利用主成分分析PCA的方法，将主成分占比95％的每个成分所解释的方差量进行求和；利用PCA将数据集降维至一维后，计算该特征值的峰度和偏度。
2)样本本身的信息(共35维)
a)数据集特征维度(属性维度)；
b)已标记的数据集中正样本的比例，负样本的比例；
c)根据当前模型的预测值，计算未标记数据集中，模型预测为正样本的比例，负样本的比例；
d)在整个数据集(包含已标记和未标记)中进行聚类，获取10个聚类中心点ai，并按照每个中心点与x的距离从小到大排序记为ai i＝ 1,2,……10(这10个点的顺序是根据不同的x变化的)。计算x与上述10个代表性样本数据点的欧氏距离，并做归一化处理：其中xj是在整个数据集范围内的；
e)按照当前模型对已标记数据集的预测值进行排序，选出10等分点的数据bi i＝1,2,……10。计算x与上述10个代表性样本数据点的欧氏距离，并做归一化处理：其中xj是在整个数据集范围内的；
f)按照当前模型对未标记数据集的预测值进行排序，选出10等分点的数据ci i＝1,2,……10。计算x与上述10个代表性样本数据点的欧氏距离，并做归一化处理：其中xj是在整个数据集范围内的。
3)模型本身的信息(共180维)
a)在已标记数据上计算TP、FP、TN、FN的比例；
b)在已标记数据上按照当前模型对已标记数据集的预测值做归一化处理 (在整个数据集上选出最小最大值进行归一化)，并进行排序，选出10等分点的值记录；
c)计算2)中10个值(归一化后)的均值和方差；
d)在未标记数据上，根据当前模型的预测值，计算未标记数据集中，模型预测为正样本的比例，负样本的比例；
e)按照当前模型对未标记数据集的预测值做归一化处理(在整个数据集上选出最小最大值进行归一化)，并进行排序，选出10等分点的值记录；
f)计算e)中10个值的均值和方差；
g)将在此轮之前的五轮主动学习过程中，上述a)到f)的特征全部用作本轮的特征。
4)模型在样本上预测的信息(共181维)
首先根据当前模型对整个数据集的预测值，做归一化处理；
a)记录C(x)；
b)计算当前C(x)与a，b，c三组共30个样本预测值的差；
c)将在此轮之前的五轮主动学习过程中，上述1)到2)的特征全部用作本轮的特征(注意a、b、c三组样本都是本轮选出来的，而不是前5轮选出的)。
其中ΔP为分类模型C在加入未标记样本x重新训练后，在测试集上性能前后变化值。模型的性能在本文中选取为模型在测试集上的准确率，针对不同任务可以选择不同的评测标准。
进一步的所述步骤(三)在当前主动学习任务上，根据Meta特征设计规则，计算每个未标记样本的Meta特征，并在步骤(四)中利用步骤(二) 中训练好的回归模型M输出值最大的未标记样本，具体方法为：
x*＝argmaxx∈UM(φ(x,C))
其中φ(x,C)是按照步骤(一)中设计的Meta特征，根据当前模型C和未标记样本x计算出对应的Meta特征，M是根据步骤(二)训练得到的回归模型，x*即为主动学习过程中被挑选出，给人类专家进行标注的未标记样本。
步骤(一)中，在已有标记数据集上获取MetaData的步骤如下：
S11、从已有标记的数据集D＝{D1,…,Dn}中挑选一个数据集D；
S12、将该数据集随机划分成训练集和测试集T；
S13、针对训练进一步划分成有标记样本集L和未标记样本集U，用于模拟主动学习的过程；
S14、依次随机地从U中选取5个样本加入至L，生成主动学习前五轮数据；
S15、根据当前有标记集L训练分类模型C，并在测试集T上获的性能评分p0；
S16、用生成MetaData数据，从U中随机挑选一个样本x加入L中，重新训练模型C，然后根据当前分类模型C计算x的Meta特征Z＝φ(x,C)；
S17、将在x加入L中后重新训练的分类模型C在测试集T上获的性能评分 p1，计算ΔP＝p1-p0分类模型C性能变化值，生成MetaData数据[Z,ΔP]；
S18、判断训练集划分成L和U的次数是否达到要求数量，若达到要求，跳至S19，否则转至步骤S13；
S19、判断训练集和测试集的划分次数是否达到要求数量，达到要求则结束，否则转至步骤S12。
优选地，为了保证分类模型测试性能的准确性，将测试集T占整个数据集的比例设置0.5。
有益效果：本发明的基于元学习的主动采样方法借鉴了Meta Learning 的思想，通过之前得到的主动学任务的经验(MetaData)用一个回归模型M去学习一个查询策略的指标，而不是人为设计一个指标。回归模型M的输入是根据我们设计的一些关于某个样本x和当前分类模型C的底层特征，这些设计的Meta特征与数据集的特征空间和分类模型的形式无关，输出值是衡量 x对于提升分类模型C的作用大小。并且，这些Meta特征独立于数据集的特征空间和分类模型的形式，因此本发明的主动采样方法具有更好的泛化能力。
附图说明
图1是以数据为驱动的元学习主动采样方法的工作流程图；
图2是在已有标记数据集上获取MetaData的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作具体的介绍。
参见图1，本实施例的采样方法具体流程如下：
首先，需要生成大量的MetaData数据集。假设可以获取到大量已有标记的数据集D＝{D1,…,Dn}。该步骤1中，对于D中的每个数据集，按照本方案设计的Meta特征生成相对应的MetaData数据集，具体过程参见图2。
接着，步骤2对于获得MetaData数据集，利用Sklearn机器学习工具包中的集成学习算法ExtraTressRegressor训练一个回归模型M。
然后，针对当前主动学习任务D*，假设共有N1个已标记样本，用L表示；另一部分是未经用户标注的，假设共有N2个未标记样本，用U表示。
最后，用已标记的数据L训练出初始模型C。
(1)如果模型达到要求，则结束训练。在这里，判断模型是否达到要求可以采用机器学习或模式识别教科书中常用的方法，比如迭代轮数达到用户指定的次数或是模型在测试集上性能表现达到要求。
(2)如果模型达不到要求，则根据当前分类模型C和本文设计的Meta 特征，对未标记样本集U中的每一个样本计算出对应的Meta特征φ(x,C)，其中x为未标记样本集中的样本，C是当前分类模型，φ是Meta特征映射函数。通过已经训练好的回归模型M计算出预计模型性能变化值。选取能够使分类模型C性能提升最大的样本x*，公式表达为：x*＝argmaxx∈UM(φ(x,C))。然后将选取的x*交给用户进行标注，更新L和U，并返回步骤3。
图2所示为在已有标记数据集D上获取MetaData的流程图：
首先，步骤11从已有标记的数据集D＝{D1,…,Dn}中挑选一个数据集D，步骤12将该数据集随机划分成训练集和测试集T，其中为了保证分类模型测试性能的准确性，将测试集T占整个数据集的比例设置0.5。然后，步骤 13针对训练进一步划分成有标记样本集L和未标记样本集U，用于模拟主动学习的过程。步骤14依次随机地从未标记样本集U中选取5个样本加入至L，生成主动学习前五轮数据。步骤15根据当前有标记集L训练分类模型C，并在测试集T上获得性能评分p0。步骤16用生成MetaData数据，从U中随机挑选一个样本x加入L中，重新训练模型C，然后根据当前分类模型C计算x的 Meta特征Z＝φ(x,C)。步骤17，将在x加入L中后重新训练的分类模型C在测试集T上获得性能评分p1，计算ΔP＝p1-p0分类模型C性能变化值，生成 MetaData数据[Z,ΔP]。步骤18判断训练集划分成L和U的次数是否达到要求数量，若达到要求，则步骤19判断训练集和测试集的划分次数是否达到要求数量，否则转至步骤12；若没达到要求则转至步骤13。该数据处理过程的目的是为尽可能多的覆盖不同的主动学习情况，使得学得主动学习选择标准更具有泛化性能。
综上，本发明的基于元学习的主动采样方法借鉴了Meta Learning的思想，通过之前得到的主动学任务的经验(MetaData)用一个回归模型M去学习一个查询策略的指标，而不是人为设计一个指标。回归模型M的输入是根据我们设计的一些关于某个样本x和当前分类模型C的底层特征，这些设计的Meta特征与数据集的特征空间和分类模型的形式无关，输出值是衡量x对于提升分类模型C的作用大小。并且，这些Meta特征独立于数据集的特征空间和分类模型的形式，因此本发明的基于元学习的主动采样方法具有更好的泛化能力。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种基于元学习的主动采样方法，包括以下步骤：
(一)通过在大量已有标记的数据集上模拟进行主动学习的过程，根据Meta特征设计规则，获取足够量的MetaData数据；
(二)根据步骤(一)中获取的MetaData数据训练Meta回归模型M；
(三)在当前主动学习任务上，根据Meta特征设计规则，计算每个未标记样本的Meta特征；
(四)将(三)中Meta数据输入至步骤(二)中Meta回归模型M，选择输出值最大的未标记样本，向用户查询真实标记；
(五)根据得到的真实标记更新分类模型C；
(六)返回步骤(三)或结束并输出分类模型C。
2.根据权利要求1所述的一种基于元学习的主动学习方法，其特征在于：所述步骤(一)在大量已有标记的数据集上获取MetaData数据，具体方法为：
假设当前分类模型为C，当前考虑的未标记样本为x；设MetaData数据集结构为[Z,ΔP]，其中Z为设计的Meta特征，ΔP为分类模型C在加入未标记样本x重新训练后，在测试集上性能前后变化值。
3.根据权利要求2所述的一种基于元学习的主动学习方法，其特征在于：Meta特征Z设计具体细节为：
1)关于数据集的传统的元特征
a)简单的元特征
样本的数量及其对数，特征的数量及其对数，样本数与特征数之比及其对数，特征数与样本数之比及其对数；
b)统计特征
计算所有数值特征的峰度(kurtosis),取其最小值，最大值，均值，标准差；
计算所有数值特征的偏度(skewness),取其最小值，最大值，均值，标准差；
c)PCA统计特征
利用主成分分析PCA的方法，将主成分占比95％的每个成分所解释的方差量进行求和；利用PCA将数据集降维至一维后，计算该特征值的峰度和偏度；
2)样本本身的信息
a)数据集特征维度，所述特征维度为属性维度；
b)已标记的数据集中正样本的比例，负样本的比例；
c)根据当前模型的预测值，计算未标记数据集中，模型预测为正样本的比例，负样本的比例；
d)在整个数据集(包含已标记和未标记)中进行聚类，获取10个聚类中心点ai，并按照每个中心点与x的距离从小到大排序记为ai i＝1,2,……10,这10个点的顺序是根据不同的x变化的；计算x与上述10个代表性样本数据点的欧氏距离，并做归一化处理：其中xj是在整个数据集范围内的；
e)按照当前模型对已标记数据集的预测值进行排序，选出10等分点的数据bi i＝1,2,……10。计算x与上述10个代表性样本数据点的欧氏距离，并做归一化处理：其中xj是在整个数据集范围内的；
f)按照当前模型对未标记数据集的预测值进行排序，选出10等分点的数据ci i＝1,2,……10；计算x与上述10个代表性样本数据点的欧氏距离，并做归一化处理：其中xj是在整个数据集范围内的；
3)模型本身的信息
a)在已标记数据上计算TP、FP、TN、FN的比例；
b)在已标记数据上按照当前模型对已标记数据集的预测值做归一化处理(在整个数据集上选出最小最大值进行归一化)，并进行排序，选出10等分点的值记录；
c)计算2)中10个值(归一化后)的均值和方差；
d)在未标记数据上，根据当前模型的预测值，计算未标记数据集中，模型预测为正样本的比例，负样本的比例；
e)按照当前模型对未标记数据集的预测值做归一化处理(在整个数据集上选出最小最大值进行归一化)，并进行排序，选出10等分点的值记录；
f)计算e)中10个值的均值和方差；
g)将在此轮之前的五轮主动学习过程中，上述a)到f)的特征全部用作本轮的特征；
4)模型在样本上预测的信息
首先根据当前模型C对整个数据集的预测值，做归一化处理；
a)记录C(x)；
b)计算当前C(x)与a，b，c三组共30个样本预测值的差；
c)将在此轮之前的五轮主动学习过程中，上述1)到2)的特征全部用作本轮的特征，注意a、b、c三组样本都是本轮选出来的，而不是前5轮选出的；
其中ΔP为分类模型C在加入未标记样本x重新训练后，在测试集上性能前后变化值；分类模型的性能在本文中选取为分类模型在测试集上的准确率，针对不同任务可以选择不同的评测标准。
4.根据权利要求3所述的一种基于元学习的主动学习方法，其特征在于：所述关于数据集的传统的元特征共19维，所述样本本身的信息共35维，所述模型本身的信息共180维，所述模型在样本上预测的信息共181维。
5.根据权利要求1所述的一种基于元学习的主动学习方法，其特征在于：所述步骤(三)在当前主动学习任务上，根据Meta特征设计规则，计算每个未标记样本的Meta特征，并在步骤(四)中利用步骤(二)中训练好的回归模型M输出值最大的未标记样本，具体方法为：
x*＝argmaxx∈UM(φ(x,C))
其中，φ(x,C)是按照步骤(一)中设计的Meta特征，根据当前模型C和未标记样本x计算出对应的Meta特征，M是根据步骤(二)训练得到的回归模型，x*即为主动学习过程中被挑选出，给人类专家进行标注的未标记样本。
6.根据权利要求1所述的一种基于元学习的主动学习方法，其特征在于：步骤(六)达到要求则结束并输出分类模型C；否则返回步骤(三)。
7.根据权利要求6所述的一种基于元学习的主动学习方法，其特征在于：步骤(六)达不到要求时，根据当前分类模型C和本文设计的Meta特征，对未标记样本集U中的每一个样本计算出对应的Meta特征φ(x,C)，其中x为未标记样本集中的样本，C是当前分类模型，φ是Meta特征映射函数，返回步骤(三)。
8.根据权利要求1～7任一项所述的一种基于元学习的主动学习方法，其特征在于：在已有标记数据集上获取MetaData的步骤如下：
S11、从已有标记的数据集D＝{D1,…,Dn}中挑选一个数据集D；
S12、将该数据集随机划分成训练集和测试集T；
S13、针对训练进一步划分成有标记样本集L和未标记样本集U，用于模拟主动学习的过程；
S14、依次随机地从U中选取5个样本加入至L，生成主动学习前五轮数据；
S15、根据当前有标记集L训练分类模型C，并在测试集T上获的性能评分p0；
S16、用生成MetaData数据，从U中随机挑选一个样本x加入L中，重新训练模型C，然后根据当前分类模型C计算x的Meta特征Z＝φ(x,C)；
S17、将在x加入L中后重新训练的分类模型C在测试集T上获的性能评分p1，计算ΔP＝p1-p0分类模型C性能变化值，生成MetaData数据[Z,ΔP]；
S18、判断训练集划分成L和U的次数是否达到要求数量，若达到要求，跳至S19，否则转至步骤S13；
S19、判断训练集和测试集的划分次数是否达到要求数量，达到要求则结束，否则转至步骤S12。
9.根据权利要求8所述的一种基于元学习的主动学习方法，其特征在于：为了保证分类模型测试性能的准确性，将测试集T占整个数据集的比例设置0.5。
CN201910725779.6A 2019-08-07 2019-08-07 一种基于元学习的主动采样方法 Pending CN110569982A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910725779.6A CN110569982A (zh) 2019-08-07 2019-08-07 一种基于元学习的主动采样方法
PCT/CN2019/100002 WO2021022572A1 (zh) 2019-08-07 2019-08-09 一种基于元学习的主动采样方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910725779.6A CN110569982A (zh) 2019-08-07 2019-08-07 一种基于元学习的主动采样方法

Publications (1)

Publication Number Publication Date
CN110569982A true CN110569982A (zh) 2019-12-13

Family

ID=68774808

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910725779.6A Pending CN110569982A (zh) 2019-08-07 2019-08-07 一种基于元学习的主动采样方法

Country Status (2)

Country Link
CN (1) CN110569982A (zh)
WO (1) WO2021022572A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469251A (zh) * 2021-07-02 2021-10-01 南京邮电大学 不平衡数据的分类方法
CN113688944A (zh) * 2021-09-29 2021-11-23 南京览众智能科技有限公司 一种基于元学习的图像识别方法
CN113793214A (zh) * 2021-09-27 2021-12-14 武汉众邦银行股份有限公司 一种解决小微企业信贷授信风险控制和管理方法及装置

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113288091B (zh) * 2021-05-06 2023-10-03 广东工业大学 用于血压分类的模型训练方法、装置及可穿戴设备
CN113642610B (zh) * 2021-07-15 2024-04-02 南京航空航天大学 一种分布式异步主动标注方法
CN113705869B (zh) * 2021-08-17 2022-11-04 东南大学 无监督元学习网络的机电设备少样本退化趋势预测方法
CN115329657B (zh) * 2022-07-06 2023-06-09 中国石油化工股份有限公司 钻井参数优化方法及装置
CN115829036B (zh) * 2023-02-14 2023-05-05 山东山大鸥玛软件股份有限公司 面向文本知识推理模型持续学习的样本选择方法和装置
CN116006453B (zh) * 2023-03-24 2023-06-20 合肥通用机械研究院有限公司 一般用动力压缩机出厂快速检测试验台及其测量方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100445427B1 (ko) * 2002-12-07 2004-08-25 한국전자통신연구원 방사형 기저함수를 이용한 마이크로 어레이 데이터분류모델 생성시스템 및 그 방법
CN106779086A (zh) * 2016-11-28 2017-05-31 北京大学 一种基于主动学习和模型剪枝的集成学习方法及装置
CN106886821A (zh) * 2017-02-21 2017-06-23 中山大学 一种支持自主学习的个性化知识元表的自动生成方法及系统
CN107247996A (zh) * 2017-06-29 2017-10-13 哈尔滨工程大学 一种应用于异分布数据环境的主动学习方法
CN109919299A (zh) * 2019-02-19 2019-06-21 西安交通大学 一种基于元学习器逐步梯度校正的元学习算法
CN109886337B (zh) * 2019-02-22 2021-09-14 清华大学 基于自适应采样的深度度量学习方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113469251A (zh) * 2021-07-02 2021-10-01 南京邮电大学 不平衡数据的分类方法
CN113793214A (zh) * 2021-09-27 2021-12-14 武汉众邦银行股份有限公司 一种解决小微企业信贷授信风险控制和管理方法及装置
CN113688944A (zh) * 2021-09-29 2021-11-23 南京览众智能科技有限公司 一种基于元学习的图像识别方法
CN113688944B (zh) * 2021-09-29 2022-12-27 南京览众智能科技有限公司 一种基于元学习的图像识别方法

Also Published As

Publication number Publication date
WO2021022572A1 (zh) 2021-02-11

Similar Documents

Publication Publication Date Title
CN110569982A (zh) 一种基于元学习的主动采样方法
CN108038492A (zh) 一种基于深度学习的感性词向量及情感分类方法
CN102262642B (zh) 一种Web图像搜索引擎及其实现方法
CN108121781B (zh) 基于高效样本选取与参数优化的相关反馈图像检索方法
CN107357763B (zh) 一种基于自步学习的众包分类数据质量控制方法
CN111222847B (zh) 基于深度学习与非监督聚类的开源社区开发者推荐方法
CN108446334A (zh) 一种无监督对抗训练的基于内容的图像检索方法
CN110555459A (zh) 基于模糊聚类和支持向量回归的成绩预测方法
CN112559781B (zh) 一种图像检索系统和方法
CN113722474A (zh) 文本分类方法、装置、设备及存储介质
CN112184089B (zh) 试题难度预测模型的训练方法、装置、设备及存储介质
CN114201684A (zh) 一种基于知识图谱的自适应学习资源推荐方法及系统
CN114519351A (zh) 一种基于用户意图嵌入图谱学习的主题文本快速检测方法
CN113157867A (zh) 一种问答方法、装置、电子设备及存储介质
CN110442736B (zh) 一种基于二次判别分析的语义增强子空间跨媒体检索方法
CN113095229B (zh) 一种无监督域自适应行人重识别系统及方法
US20220156519A1 (en) Methods and systems for efficient batch active learning of a deep neural network
CN111339258B (zh) 基于知识图谱的大学计算机基础习题推荐方法
CN111104503A (zh) 一种建筑工程质量验收规范问答系统及其构建方法
CN111191033A (zh) 一种基于分类效用的开集分类方法
CN112465054B (zh) 一种基于fcn的多变量时间序列数据分类方法
CN113220915B (zh) 一种基于残差注意力的遥感图像检索方法及装置
CN114357221A (zh) 一种基于图像分类的自监督主动学习方法
CN116244426A (zh) 地理功能区识别方法、装置、设备及存储介质
Gontar et al. Characterizing the shape patterns of dimorphic yeast pseudohyphae

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20191213

RJ01 Rejection of invention patent application after publication