CN110765267A - 一种基于多任务学习的动态不完整数据分类方法 - Google Patents
一种基于多任务学习的动态不完整数据分类方法 Download PDFInfo
- Publication number
- CN110765267A CN110765267A CN201910967118.4A CN201910967118A CN110765267A CN 110765267 A CN110765267 A CN 110765267A CN 201910967118 A CN201910967118 A CN 201910967118A CN 110765267 A CN110765267 A CN 110765267A
- Authority
- CN
- China
- Prior art keywords
- representing
- network
- model
- classification
- training
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 50
- 230000006870 function Effects 0.000 claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 16
- 210000004205 output neuron Anatomy 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 2
- 210000002364 input neuron Anatomy 0.000 claims description 2
- 210000001153 interneuron Anatomy 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 14
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000012217 deletion Methods 0.000 description 7
- 230000037430 deletion Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000002955 isolation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Neurology (AREA)
- Artificial Intelligence (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于多任务学习的动态不完整数据分类方法，属于数据挖掘技术领域。本发明包括两部分：网络模型和分类方案。在网络模型部分，本发明基于去跟踪自编码器搭建多任务学习模型，以并行学习属性的拟合函数和类标签的概率分布。在分类方案部分，本发明包括模型训练和模型应用两个模块。模型训练模块中，网络参数和训练集的缺失值作为代价函数的变量实现协同更新。模型应用模块中，本发明固定网络参数，将缺失值视为代价函数的变量以实现不完整样本的动态学习。缺失值的动态优化促使网络模型逐渐匹配于不完整数据内部的回归和分类结构，网络的准确性随着训练的深入不断提升。
Description
技术领域
本发明属于数据挖掘技术领域，涉及一种基于多任务学习的动态不完整数据分类方法。
背景技术
分类是指基于已知样本学习属性值与类标签的关联，以预测新样本类别的过程。数据质量对分类至关重要。然而由于数据获取、录入、存储、操作等过程的失误，真实数据集中容易出现缺失值，致使数据不完整，数据质量下降。因此，设计合理的算法以降低缺失值对分类的影响，具有重要的研究意义。
机器学习作为热门研究领域，已广泛应用于不完整数据分类。目前，一些研究直接删除不完整样本，仅基于完整样本构建分类器。该方式只能在模型训练时处理缺失值，且主要适用于缺失比低、完整样本量充足的场景。为更有效地处理缺失值，不完整数据分类主要有两种思路。
第一种思路将缺失值处理和分类隔离，即首先基于填补方法填补缺失值，接着选择适当的分类方法，并基于填补后的数据集搭建分类器(S.Ghorbani,M.C.Desmarais.Performance Comparison of Recent Imputation Methods forClassification Tasks over Binary Data.Applied Artificial Intelligence.2017,31(1):1～22)。目前填补和分类方法众多，研究者可针对实际场景选取合适的方法加以结合，因而相对灵活。但是由填补引入的估计误差难以通过分类器的优化得以改善，故对分类精度存在直接影响。
第二种思路将缺失值处理和分类融合，即在构建分类器的同时采取合理手段处理缺失值(P.K.Sharpe,R.J.Solly.Dealing with missing values in neural network-based diagnostic systems.Neural Computing&Applications.1995,3(2):73～77)。缺失值的直接引入提高了分类算法的设计难度，但两者融合的思路为基于分类器优化而降低未知扰动提供了更大的潜力。
去跟踪自编码器(Tracking-removed Auto Encoder，简称TRAE)是一类经训练尝试用输出拟合输入的神经网络(X.Lai,X.Wu,et al.Imputations of Missing ValuesUsing a Tracking-removed Autoencoder Trained with IncompleteData.Neurocomputing.2019,366:54～65)。TRAE通过修改传统自编码器中隐藏神经元的计算规则，以避免网络学习到一个输出直接复制输入的恒等映射。因此，TRAE能更有效地学习不完整数据内属性间的关联。
不完整数据分类方法的分类性能可由准确率(Accuracy，简称ACC)衡量：
式中，nt表示待分类样本数量；nt′表示类标签预测正确的待分类样本数量。
发明内容
本发明要解决的技术问题是提供一种基于多任务学习的动态不完整数据分类方法。本发明包括两个部分：网络模型和分类方案，其中前者基于TRAE搭建回归与分类并行的多任务学习模型(Tracking-removed Auto Encoder-based Multi Task Learning Model，简称traeMTL)；后者将缺失值处理和分类融合，在模型训练和模型应用模块中基于优化算法动态处理缺失值。
本发明的技术方案：
一种基于多任务学习的动态不完整数据分类方法，包括网络模型和分类方案两个部分：
(1)网络模型
在TRAE的输出层中增加代表类标签的神经元，构建基于TRAE的多任务学习模型traeMTL；traeMTL中代表属性拟合值的输出神经元，其计算规则为：
式中，s表示属性个数；H表示隐藏神经元个数；xi＝[xi1,...,xis]T表示输入样本；yi＝[yi1,...,yis]T表示网络输出；wkh表示第k个输入神经元与第h个隐藏神经元间的权重；ah表示第h个隐藏神经元的阈值；vhj表示第h个隐藏神经元与第j个输出神经元间的权重；bj表示第j个输出神经元的阈值；σ(·)为隐藏神经元的激活函数；θ(·)为输出神经元的激活函数；traeMTL中代表类标签的输出神经元，其计算规则为：
式中，c表示类个数；针对网络输入样本xi＝[xi1,...,xis]T，traeMTL的网络输出为yi＝[yi1,...,yis]T，zi＝[zi1,...,zic]T；
(2)分类方案
分类方案包括模型训练和模型应用两个模块；模型训练模块，网络参数和训练集的缺失值作为代价函数的变量实现协同更新；代价函数由回归误差、分类误差和正则项构成；输入样本xi的回归误差为：
式中，
表示训练集中存在值构成的集合；
表示训练集中缺失值估计构成的集合；
表示缺失值估计；输入样本xi的分类误差为：
式中，[ti1,...,tic]T表示输入样本xi类标签的真实概率分布；输入样本xi的正则项基于所属类中属性的均值和方差计算而来；故traeMTL的代价函数为：
式中，n(t)为训练样本数量；λ为控制正则的约束强度；ti为输入样本xi的真实类标签；
分别表示第ti个类中属性xij的均值和方差，计算规则为：
式中，
表示第ti个类的训练样本集合；
且
表示训练集中缺失值构成的集合；
模型应用模块，固定网络参数，将缺失值视为变量以实现待分类不完整样本的学习；代价函数由回归误差构成：
式中，n(p)为待分类的不完整样本数量；学习结束后，将包含最终缺失值估计的样本xi输入traeMTL并计算[zi1,...,zic]T，随后求解：
式中，
表示待分类样本xi的预测类标签。
本发明的有益效果在于以下两方面：首先，网络模型traeMTL能够并行学习属性的拟合函数和类标签的概率分布。由于任务间共享底层的通用参数，模型能够在权衡多任务的前提下更有效地学习数据内部的信息。其次，考虑模型输入的不完整性，本发明在模型训练和应用模块中将缺失值视为变量并进行动态优化。缺失值的动态优化促使网络模型逐渐匹配于不完整数据内部的回归和分类结构，因此，网络的准确性将随着训练的深入不断提升。
附图说明
图1是本发明的工作原理图。
图中：1.1将训练集输入网络；1.2计算网络输出并求解代价函数；1.3计算并更新网络参数；1.4计算并更新缺失值估计；2.1将待分类样本集输入网络；2.2计算网络输出并求解代价函数；2.3计算并更新缺失值估计；2.4计算类标签。
图2是本发明的网络模型traeMTL的结构图。
图3是本发明的分类方案的工作流程图。
具体实施方式
以下结合发明内容和说明书附图详细说明本发明的具体实施方式。
图1为本发明的工作原理图。图中，训练集和待分类样本集中第一行A1,...,As表示属性名称；L1,...,Lc表示类名称；白色方格表示存在值；黑色方格表示缺失值。基于图1可知，本发明包括网络模型和分类方案两部分。网络模型部分根据属性个数和类个数搭建traeMTL。分类方案部分包括模型训练与模型应用两个模块。模型训练模块，将训练集输入traeMTL；计算网络输出并根据训练集和网络输出求解代价函数；随后基于优化算法计算并更新网络参数和缺失值估计；更新后的训练集作为输入进行下轮迭代；当训练达到终止条件时，网络参数得以求解。模型应用模块，将待分类样本集输入traeMTL；计算网络输出并根据待分类样本集和网络输出求解代价函数；随后基于优化算法计算并更新缺失值估计；更新后的待分类样本集作为输入进行下轮迭代；当学习达到终止条件时，缺失值估计得以求解；随后根据网络输出计算待分类样本集的预测类标签。
以UCI机器学习数据库的Balance数据集为例，阐述本发明的细节。Balance是样本容量为625，属性个数为4，类个数为3的完整数据集。本例中，首先以10％的缺失比随机删除Balance的属性值以构造不完整数据集，随后抽取70％的样本作为训练集，30％的样本作为待分类样本集。令
表示训练集中缺失值构成的集合；
表示针对的缺失值估计构成的集合；
表示待分类样本集中缺失值构成的集合；
表示针对
的缺失值估计构成的集合。
(1)网络模型
假设搭建的traeMTL是神经元个数分别为4、6、7的三层结构，如图2所示。基于图2可知，traeMTL为全连接网络，其输入层的神经元个数等于属性个数，输出层的神经元个数等于属性个数与类个数之和。本例中，隐藏神经元的激活函数为sigmoid函数；输出神经元的激活函数为线性函数。网络参数为T＝{W,A,V,B}，其中W＝[wkh]4×6，A＝[ah]1×6分别表示由输入层到隐藏层的权重和阈值；V＝[vhj]6×7，B＝[bj]1×7分别表示由隐藏层到输出层的权重和阈值。traeMTL中代表属性拟合值的输出神经元，其输出值为：
traeMTL中代表类标签的输出神经元，其输出值为：
(2)分类方案
本发明的分类方案包含模型训练和模型应用两个模块。模型训练模块，
和T是代价函数的变量，需基于优化算法进行动态优化。本例选取梯度下降法为优化算法，即每轮迭代中变量的更新规则为：
式中，η表示学习率；v(new),v(old)分别表示变量v在本轮迭代中更新后的新值和更新前的旧值；
表示v关于式(6)中代价函数的偏导数。
模型应用模块，代价函数的变量为
首先固定网络参数，基于式(9)的代价函数动态学习随后将学习完毕的样本输入traeMTL以预测类标签。
分类方法的工作流程详见图3，其具体操作为：
步骤1：初始化网络参数T，缺失值估计
步骤2：设置待访问样本的编号i为1；
步骤3：将训练集的第i个样本xi输入网络模型traeMTL；
步骤4：计算网络输出yi,zi；
步骤5：根据网络输入和输出计算代价函数；
步骤6：基于优化算法求解并更新网络参数T；
步骤7：若xi是不完整样本，则进入步骤8；否则进入步骤9；
步骤8：基于优化算法求解并更新xi中的缺失值估计；
步骤9：若训练集的所有样本遍历结束，则进入步骤10；否则将待访问样本的编号i设为i+1，并返回步骤3；
步骤10：若迭代次数达到设定阈值，则进入步骤11；否则返回步骤2；
步骤11：网络参数T学习完毕，结束模型训练；
步骤12：固定网络参数T，初始化缺失值估计
步骤13：设置待访问样本的编号i为1；
步骤14：若待分类样本集的第i个样本xi是不完整样本，则进入步骤15；否则进入步骤19；
步骤15：将xi输入网络模型traeMTL；
步骤16：计算网络输出yi；
步骤17：根据网络输入和输出计算代价函数；
步骤18：基于优化算法求解并更新xi中的缺失值估计；
步骤19：若待分类样本集的所有样本遍历结束，则进入步骤20；否则将待访问样本的编号i设为i+1，并返回步骤14；
步骤20：若迭代次数达到设定阈值，则进入步骤21；否则返回步骤13；
步骤21：将包含最终缺失值估计的待分类样本xi输入traeMTL；
步骤22：计算xi对应的网络输出zi，由此得到类标签。
(3)实验
从UCI机器学习数据库选取3个完整数据集验证本发明的分类性能，数据集描述见表1。实验按照指定缺失比人工删除部分数据来构造不完整数据集。缺失比分别设为5％、10％、15％、20％、25％、30％。
表1数据集描述
实验比较了六种不完整数据分类方法，可分为2类。其中，基于缺失值处理和分类融合思路的分类方法包括：
1)基于去跟踪自编码器的多任务学习分类法(traeMTLDy-C)。此为本发明提出的方法。
2)基于多层感知器的多任务学习分类法(mlpMTL-C)(P.J.García-Laencina,J.L.Sancho-Gómez,et al.Classifying patterns with missing values using Multi-Task Learning perceptrons.Expert Systems with Applications.2013,40(4):1333–1341)。该方法基于多层感知器搭建多任务学习模型。模型训练时，首先采用热板法填补训练集并进行第一轮训练；接着利用网络输出填补训练集并进行第二轮训练。模型应用时，依次尝试类标签的可能取值并计算该猜测值为真实类标签的概率，随后选取最大概率对应的猜测值作为预测类标签。
基于缺失值处理和分类隔离思路的分类法首先选用热板法填补缺失值，接着构造分类器实现分类。这些方法包括：
3)基于热板法与多层感知器的分类法(MLP-C)。该方法在模型训练时，首先采用热板法填补不完整训练集，随后构建多层感知器并基于填补后的训练集进行网络训练。模型应用时，基于热板法填补不完整的待分类样本集，接着将样本集输入网络并计算输出，由此得到预测类标签。
4)基于热板法与朴素贝叶斯的分类法(NB-C)。该方法采用与MLP-C相同的方式处理不完整样本，即在模型训练和应用时基于热板法填补不完整样本，随后基于朴素贝叶斯模型构建分类器。
5)基于热板法与决策树的分类法(DT-C)。该方法采用与MLP-C相同的方式处理不完整样本，并基于决策树模型构建分类器。
6)基于热板法与逻辑回归的分类法(LR-C)。该方法采用与MLP-C相同的方式处理不完整样本，并基于逻辑回归模型构建分类器。
表2为六种分类方法的ACC指标结果，其中最优结果已加粗显示。
表2六种分类方法的ACC(100％)指标
观察表2可知，最优ACC值普遍出现在aeMTLDy-C的结果中。针对User KnowledgeModeling、Satimage、Balance，aeMTLDy-C的ACC均值比次优方法分别提高2.64％、1.64％、1.21％，比最差方法分别提高8.18％、5.38％、15.34％。以上结果表明aeMTLDy-C具有明显的分类性能优势。
基于aeMTLDy-C、NB-C、LR-C、DT-C、MLP-C的结果可知，当Balance的缺失比为30％时，aeMTLDy-C的ACC值不及LR-C。当Satimage的缺失比为5％、20％时，aeMTLDy-C的分类准确率不及MLP-C。除上述特例外，aeMTLDy-C的分类精度普遍优于后四种方法。以上结果表明基于融合思路的分类法aeMTLDy-C比基于隔离思路的分类法具有更优的分类性能。在基于隔离思路的分类法中，填补误差一经引入则难以修复，故对分类产生一定负面影响。相较之下，基于融合思路的分类法aeMTLDy-C在网络构建时基于缺失值动态处理机制逐步降低缺失值对分类的影响，分类性能得以提高。
根据aeMTLDy-C、mlpMTL-C的结果可知，aeMTLDy-C的分类精度普遍优于mlpMTL-C。mlpMTL-C分别采用预填数据集、基于网络输出填补的数据集对网络进行两轮训练，该处理方式仅能在一定程度上弱化缺失值扰动。而aeMTLDy-C将缺失值视为代价函数的变量，在模型训练时基于优化算法动态更新其估计值。随着训练的深入，缺失值的估计误差逐渐降低，故有效减缓了缺失值对分类的负面影响。
Claims (1)
1.一种基于多任务学习的动态不完整数据分类方法，其特征在于，该动态不完整数据分类方法包括网络模型和分类方案两个部分：
(1)网络模型
在TRAE的输出层中增加代表类标签的神经元，构建基于TRAE的多任务学习模型traeMTL；traeMTL中代表属性拟合值的输出神经元，其计算规则为：
式中，s表示属性个数；H表示隐藏神经元个数；xi＝[xi1,...,xis]T表示输入样本；yi＝[yi1,...,yis]T表示网络输出；wkh表示第k个输入神经元与第h个隐藏神经元间的权重；ah表示第h个隐藏神经元的阈值；vhj表示第h个隐藏神经元与第j个输出神经元间的权重；bj表示第j个输出神经元的阈值；σ(·)为隐藏神经元的激活函数；θ(·)为输出神经元的激活函数；traeMTL中代表类标签的输出神经元，其计算规则为：
式中，c表示类个数；针对网络输入样本xi＝[xi1,...,xis]T，traeMTL的网络输出为yi＝[yi1,...,yis]T，zi＝[zi1,...,zic]T；
(2)分类方案
分类方案包括模型训练和模型应用两个模块；模型训练模块，网络参数和训练集的缺失值作为代价函数的变量实现协同更新；代价函数由回归误差、分类误差和正则项构成；输入样本xi的回归误差为：
式中，
表示训练集中存在值构成的集合；
表示训练集中缺失值估计构成的集合；表示缺失值估计；输入样本xi的分类误差为：
式中，[ti1,...,tic]T表示输入样本xi类标签的真实概率分布；输入样本xi的正则项基于所属类中属性的均值和方差计算而来；故traeMTL的代价函数为：
式中，n(t)为训练样本数量；λ为控制正则的约束强度；ti为输入样本xi的真实类标签；
分别表示第ti个类中属性xij的均值和方差，计算规则为：
式中，表示第ti个类的训练样本集合；
且
表示训练集中缺失值构成的集合；
模型应用模块，固定网络参数，将缺失值视为变量以实现待分类不完整样本的学习；代价函数由回归误差构成：
式中，n(p)为待分类的不完整样本数量；学习结束后，将包含最终缺失值估计的样本xi输入traeMTL并计算[zi1,...,zic]T，随后求解：
式中，
表示待分类样本xi的预测类标签。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910967118.4A CN110765267A (zh) | 2019-10-12 | 2019-10-12 | 一种基于多任务学习的动态不完整数据分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910967118.4A CN110765267A (zh) | 2019-10-12 | 2019-10-12 | 一种基于多任务学习的动态不完整数据分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110765267A true CN110765267A (zh) | 2020-02-07 |
Family
ID=69331707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910967118.4A Withdrawn CN110765267A (zh) | 2019-10-12 | 2019-10-12 | 一种基于多任务学习的动态不完整数据分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110765267A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112256803A (zh) * | 2020-10-21 | 2021-01-22 | 况客科技（北京）有限公司 | 动态数据类别确定系统 |
| CN112801281A (zh) * | 2021-03-22 | 2021-05-14 | 东南大学 | 基于量子化生成模型和神经网络的对抗生成网络构建方法 |
| CN112883190A (zh) * | 2021-01-28 | 2021-06-01 | 平安科技（深圳）有限公司 | 文本分类方法、装置、电子设备及存储介质 |
-
2019
- 2019-10-12 CN CN201910967118.4A patent/CN110765267A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112256803A (zh) * | 2020-10-21 | 2021-01-22 | 况客科技（北京）有限公司 | 动态数据类别确定系统 |
| CN112256803B (zh) * | 2020-10-21 | 2021-09-14 | 况客科技（北京）有限公司 | 动态数据类别确定系统 |
| CN112883190A (zh) * | 2021-01-28 | 2021-06-01 | 平安科技（深圳）有限公司 | 文本分类方法、装置、电子设备及存储介质 |
| CN112801281A (zh) * | 2021-03-22 | 2021-05-14 | 东南大学 | 基于量子化生成模型和神经网络的对抗生成网络构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10832123B2 (en) | Compression of deep neural networks with proper use of mask | |
| CN110245801A (zh) | 一种基于组合挖掘模型的电力负荷预测方法及系统 | |
| CN110765267A (zh) | 一种基于多任务学习的动态不完整数据分类方法 | |
| CN108876044B (zh) | 一种基于知识增强神经网络的线上内容流行度预测方法 | |
| Fazzolari et al. | A study on the application of instance selection techniques in genetic fuzzy rule-based classification systems: Accuracy-complexity trade-off | |
| CN114548591B (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
| CN114429122B (zh) | 一种基于循环注意力的方面级情感分析系统和方法 | |
| CN113128689A (zh) | 一种调控知识图谱的实体关系路径推理方法及系统 | |
| CN110309907A (zh) | 一种基于去跟踪自编码器的动态缺失值填补方法 | |
| CN112149896A (zh) | 一种基于注意力机制的机械设备多工况故障预测方法 | |
| CN115329683A (zh) | 航空行李在线装载规划方法、装置、设备及介质 | |
| CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
| CN113807040A (zh) | 一种面向微波电路的优化设计方法 | |
| CN113742178A (zh) | 一种基于lstm的网络节点健康状态监测方法 | |
| CN116822742A (zh) | 一种基于动态分解-重构集成处理的电力负荷预测方法 | |
| CN110222847A (zh) | 一种机器学习方法与装置 | |
| CN109636609A (zh) | 基于双向长短时记忆模型的股票推荐方法及系统 | |
| CN111882106B (zh) | 基于综合因素和ceemd-igwo-grnn的短期电力负荷预测方法 | |
| CN114943277A (zh) | 一种综合能源系统运行工况识别与运行性能预测方法 | |
| CN114372181A (zh) | 一种基于多模态数据的设备生产智能规划方法 | |
| CN113807005A (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
| CN112949599A (zh) | 基于大数据的候选内容推送方法 | |
| Lai et al. | Multi-task learning modeling of attribute mutual association based on confidence and imputation of missing values | |
| CN115618935B (zh) | 面向分类任务标签噪声的鲁棒性损失函数搜索方法及系统 | |
| Sotirov et al. | A generalized net model of the deep learning neural network |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200207 |
|
| WW01 | Invention patent application withdrawn after publication |