CN111950631A - 一种面向特征解构的对抗合作网络模块及其对抗合作方法 - Google Patents
一种面向特征解构的对抗合作网络模块及其对抗合作方法 Download PDFInfo
- Publication number
- CN111950631A CN111950631A CN202010804244.0A CN202010804244A CN111950631A CN 111950631 A CN111950631 A CN 111950631A CN 202010804244 A CN202010804244 A CN 202010804244A CN 111950631 A CN111950631 A CN 111950631A
- Authority
- CN
- China
- Prior art keywords
- domain
- feature
- classifier
- commonality
- deconstruction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000000295 complement effect Effects 0.000 claims description 11
- 239000005557 antagonist Substances 0.000 claims description 6
- 230000008485 antagonism Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims 1
- 230000003042 antagnostic effect Effects 0.000 abstract description 6
- 238000013136 deep learning model Methods 0.000 abstract description 5
- 238000013526 transfer learning Methods 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种面向特征解构的对抗合作网络模块,包括对抗合作模块和知识共享模块,所述对抗合作模块包括特征生成器、领域鉴别器和排它式对抗器;所述特征生成器接收任务样本并分别与领域鉴别器和排它式对抗器进行对抗,所述特征生成器生成领域共性特征和领域个性特征,所述知识共享模块接收领域共性特征和领域个性特征并生成最终的分类预测;本发明还公开了一种面向特征解构的对抗合作方法;本发明通过既对抗又合作的网络,能够解构任务相关和任务无关的特征,从而可以在任务之间进行更细粒度的知识共享,还提升了深度学习模型的泛化性能,适用于深度多任务学习、迁移学习、多视图学习和多模态学习等多种学习模式。
Description
技术领域
本发明涉及多任务机器学习领域,特别是涉及一种面向特征解构的对抗合作网络模块及其对抗合作方法。
背景技术
深度学习的发展,推动了计算机视觉、语音识别、自然语音处理等领域的技术进步。在图像识别、游戏博弈等领域,深度神经网络的学习性能甚至超过了人类。但是,深度神经网络需要大量的标注样本进行训练,而且目前的研究表明,即使是经典的深度神经网络,并且用上百万个样本训练过,它也很容易受到数据分布差异的影响,导致学习性能急剧下降。
在大数据时代,异构性是数据的一个天然属性。不同来源的数据,往往同时包含共性信息和个性信息,需要进行特征解构。特征解构是机器学习的一个关键难题。在传统的机器学习领域,研究者已提出了很多成熟的特征分析和特征解构方法,如:非负矩阵分解、主成分分析、奇异值分解、典型相关分析等。但是,目前深度学习领域还缺乏成熟有效的特征解构方法,而其多层复杂网络结构使得特征解构更具挑战性。我们通过对深度特征进行解构,可以揭示深度网络中输入和输出的因果关联关系,提升分类性能,同时也可以极大改善深度学习系统的可解释性。
多任务学习是异构机器学习的一个方向,主要是研究如何挖掘多个任务之间的异构数据关联关系,以提升单个系统的性能。深度多任务学习的主要挑战是,如何将通过深度网络学到的特征,解构成任务共性特征和任务个性特征,与此同时还能保持特征的分类能力。任务共性特征主要捕获不同任务之间的共享知识,而任务个性特征是每个任务独有的特征,与其他任务是不同的。
基于对抗网络的深度多任务(迁移)学习,仍然存在许多需要解决的问题。例如:如何解决数据分布差异和特征解构的问题,用以揭示深度网络中不同层次特征的因果关联,来分离共性特征和个性特征,并且平滑数据分布差异。综上所述,我们很有必要提供一种面向特征解构的对抗合作的方法,以解决目前研究存在的问题,并推进人工智能的研究进展。
发明内容
本发明的目的在于克服现有技术中的上述缺陷,提供了一种面向特征解构的对抗合作网络模块及其对抗合作方法,解决现有技术中特征无法有效解构并应用于知识共享的技术问题。
为实现上述目的,本发明提供了一种面向特征解构的对抗合作网络模块,包括对抗合作模块和知识共享模块,所述对抗合作模块包括特征生成器、领域鉴别器和排它式对抗器;所述特征生成器接收任务样本并分别与领域鉴别器和排它式对抗器进行对抗,所述特征生成器生成领域共性特征和领域个性特征,所述知识共享模块接收领域共性特征和领域个性特征并生成最终的分类预测。
优选的,所述知识共享模块包括领域共性特征分类器、领域混合特征分类器和领域个性特征分类器;所述领域共性特征分别传递到领域共性特征分类器和领域混合特征分类器中,所述领域个性特征分别传递到领域混合特征分类器和领域个性特征分类器中,所述领域共性特征分类器、领域混合特征分类器和领域个性特征分类器通过两两之间的互补学习生成最终的分类预测。
优选的,所述排它式对抗器的运行逻辑包括前向传递和梯度后向反馈。
与现有技术相比,本发明提供的一种面向特征解构的对抗合作网络模块的有益效果在于:
1.本发明提供的面向特征解构的对抗合作网络模块可以同时解决深度多任务学习存在的两个主要问题——特征解构和知识共享,这是现有技术和方法没有考虑到的;
2.另外,通过既对抗又合作的网络,能够解构任务相关和任务无关的特征,从而可以在任务之间进行更细粒度的知识共享,这是现有技术所不具备的;
3.该网络模块提升了深度学习模型的泛化性能,其适用于深度多任务学习、迁移学习、多视图学习和多模态学习等多种学习模式。
本发明还提供了一种面向特征解构的对抗合作方法,包括以下步骤:
S1、对每个任务分别随机抽取一定数量的样例并将其输入到特征生成器内;
S2、特征生成器和领域鉴别器进行领域对抗,通过合作的方式生成领域共性特征,同时特征生成器又与排它式对抗器互相对抗,通过对抗的方式生成领域个性特征,从而实现有效的特征解构,同时更新排它式对抗器;
S3、将步骤S2解构出来的领域共性特征分别传递到领域共性特征分类器和领域混合特征分类器中,将所述领域个性特征分别传递到领域混合特征分类器和领域个性特征分类器中;同时分别更新领域共性特征分类器、领域个性特征分类器和领域混合特征分类器;
S4、更新特征生成器;并循环步骤S1~S4若干次;
S5、最终的领域共性特征分类器、领域个性特征分类器和领域混合特征分类器进行两两之间的互补学习,从而产生最终的分类预测。
优选的,步骤S2中所述排它式对抗器的运行逻辑包括前向传递和梯度后向反馈。
优选的,步骤S2中所述领域鉴别器的更新方向为沿着其随机梯度上升的方向。
优选的,步骤S3中所述领域共性特征分类器、领域个性特征分类器和领域混合特征分类器的更新方向均为沿着其随机梯度下降的方向。
优选的,步骤S4中循环的次数与任务的数量相同。
优选的,步骤S2中排它式对抗器首次更新的方向为沿着其随机梯度下降的方向,其第二次或第二次以上更新的方向为沿着其随机梯度上升的方向。
优选的,步骤S5中采用少数服从多数的投票制,即根据领域共性特征分类器、领域个性特征分类器和领域混合特征分类器的分类结果进行投票并产生最终的分类预测。
与现有技术相比,本发明提供的一种面向特征解构的对抗合作方法的有益效果在于:
1.本方法可以同时解决深度多任务学习存在的两个主要问题——特征解构和知识共享,这是现有技术和方法没有考虑到的;
2.另外本方法是一种新颖的方法,因为它通过既对抗又合作的网络来解构任务相关和任务无关的特征,从而可以在任务之间进行更细粒度的知识共享,这是现有技术和方法所不具备的;
3.同时本方法提升了深度学习模型的泛化性能,其适用于深度多任务学习、迁移学习、多视图学习和多模态学习等多种学习模式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种面向特征解构的对抗合作网络模块的流程示意图;
图2是图1中对抗合作模块和知识共享模块分别展开的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
深度多任务学习的主要挑战在于如何进行特征解构和知识共享。为此,我们提出了一种面向特征解构的对抗合作网络模块及其对抗合作方法,通过特征解构,以实现细粒度的知识共享和知识迁移。面向特征解构的对抗合作网络的主要思想是:通过既对抗又合作的博弈策略,将输入数据分解为领域共性特征和领域个性特征,并且利用它们的视图互补性来提升学习模型的泛化性能。
实施例一
如图1和图2所示,本发明提供了一种面向特征解构的对抗合作网络模块,其包括对抗合作模块和知识共享模块。其中对抗合作模块包括特征生成器、领域鉴别器和排它式对抗器。所述特征生成器接收任务样本,并分别与领域鉴别器和排它式对抗器进行对抗,所述特征生成器生成领域共性特征和领域个性特征,所述知识共享模块接收领域共性特征和领域个性特征,并生成最终的分类预测。
其中知识共享模块包括领域共性特征分类器、领域混合特征分类器和领域个性特征分类器;所述领域共性特征分别传递到领域共性特征分类器和领域混合特征分类器中,所述领域个性特征分别传递到领域混合特征分类器和领域个性特征分类器中,所述领域共性特征分类器、领域混合特征分类器和领域个性特征分类器通过两两之间的互补学习生成最终的分类预测。
一、特征解构
对抗合作网络模块中包含两类对抗博弈游戏。第一类是,特征生成器和领域鉴别器进行领域对抗,以抽取领域共性特征。第二类是,特征生成器和排它式对抗器进行排它式对抗,以抽取领域个性特征。这里,我们设计了排它式对抗器、领域共性特征分类器、领域个性特征分类器和领域混合特征分类器。在多人博弈的对抗合作网络中,特征生成器不但通过合作来生成领域共性特征,而且通过对抗来生成领域个性特征,从而形成既合作也对抗的复杂博弈关系。
本文中的排它式对抗器是以“损人利己”的方式来生成领域独有的个性特征。换而言之,某个特征越是某领域所独有的特征,其它领域的分类器越难以对其进行评估。我们给出一种可行的排它式对抗器的设计方案:假设有三个相关任务,分别是任务1、任务2和任务3,我们用v1、v2、v3分别表示三个任务的领域个性特征,分别表示对应领域独有的分类器。首先,v1、v2、v3分别输入到排它式对抗器中,然后排它式对抗器分别输出到中去。
排它式对抗器的运行逻辑包括前向传递和梯度后向反馈。因为我们假设有三个任务,每一轮的训练中有三个循环。在t1循环中,排它式对抗器将v1、v2、v3分别前向传递到并进行正常的梯度后向反馈;在t2循环中,排它式对抗器将v2、v3、v1分别前向传递到在进行梯度反馈时,先将梯度求负,再进行后向反馈。在t3循环中,排它式对抗器将v3、v1、v2分别前向传递到在梯度反馈时,也是先将梯度求负,再进行后向反馈。
二、视图互补并知识共享
通过特征解构,系统将输入的数据分解成领域共性特征和领域个性特征。基于解耦的特征,系统进一步构造三个不同的视图,分别是:共性特征视图、个性特征视图,混合视图。其中,混合视图是将领域共性特征和领域个性特征进行拼接得到。这样,每个机器学习任务都具有了三个不同的视图。
在前述的案例中,我们已假设有三个相关任务,分别是任务1、任务2和任务3,得到了三个任务的领域个性特征v1、v2、v2,以及三个任务的领域个性特征分类器我们可以通过多视图学习,让视图之间进行互补学习,然后让学习分类的结果尽量达到一致。这里,我们采用投票制,即少数服从多数,根据三个视图的分类结果进行投票,产生最终的分类预测。
本发明针对深度异构学习中的数据分布差异和特征解构问题,提出了基于对抗博弈的特征解构对抗合作网络模块,以分离主次因素和平滑数据分布差异,提升深度学习系统的可解释性:
1.特征解构:通过对抗博弈,逐层对异构数据的共性特征和个性特征进行解构,挖掘任务之间的关联关系。
2.多视图特征的互补利用:异构数据的共性和个性特性天然地构成不同的视图,它们之间具有互补性。通过多视图学习以对其进行互补性利用,可以提高系统的鲁棒性。
综上所述,本发明提供的面向特征解构的对抗合作网络模块可以同时解决深度多任务学习存在的两个主要问题——特征解构和知识共享,这是现有技术和方法没有考虑到的;另外,通过既对抗又合作的网络,能够解构任务相关和任务无关的特征,从而可以在任务之间进行更细粒度的知识共享,这是现有技术所不具备的;该网络模块提升了深度学习模型的泛化性能,其适用于深度多任务学习、迁移学习、多视图学习和多模态学习等多种学习模式。
实施例二
本发明还提供了一种面向特征解构的对抗合作方法,包括以下步骤:
S1、对每个任务分别随机抽取一定数量的样例并将其输入到特征生成器内;
S2、特征生成器和领域鉴别器进行领域对抗,通过合作的方式生成领域共性特征,同时特征生成器又与排它式对抗器互相对抗,通过对抗的方式生成领域个性特征,从而实现有效的特征解构,同时沿着随机梯度上升的方向更新领域鉴别器;其中排它式对抗器以“损人利己”的方式生成领域独有的个性特征;
S3、将步骤S2解构出来的领域共性特征分别传递到领域共性特征分类器和领域混合特征分类器中,将所述领域个性特征分别传递到领域混合特征分类器和领域个性特征分类器中;同时分别沿着随机梯度下降的方向更新领域共性特征分类器、领域个性特征分类器和领域混合特征分类器;
S4、更新特征生成器;并循环步骤S1~S4若干次;其中循环的次数与任务的数量相同;其中排它式对抗器首次更新的方向为沿着其随机梯度下降的方向,其第二次或第二次以上更新的方向为沿着其随机梯度上升的方向;
S5、最终的领域共性特征分类器、领域个性特征分类器和领域混合特征分类器进行两两之间的互补学习,采用少数服从多数的投票制,即根据领域共性特征分类器、领域个性特征分类器和领域混合特征分类器的分类结果进行投票并产生最终的分类预测。
本发明针对深度异构学习中的数据分布差异和特征解构问题,提出了基于对抗博弈的特征解构对抗合作方法,以分离主次因素和平滑数据分布差异,提升深度学习系统的可解释性:
1.特征解构:通过对抗博弈,逐层对异构数据的共性特征和个性特征进行解构,挖掘任务之间的关联关系等。
2.多视图特征的互补利用:异构数据的共性和个性特性天然地构成不同的视图,它们之间具有互补性。通过多视图学习以对其进行互补性利用,可以提高系统的鲁棒性。
综上所述,本方法可以同时解决深度多任务学习存在的两个主要问题——特征解构和知识共享,这是现有技术和方法没有考虑到的;另外本方法是一种新颖的方法,因为它通过既对抗又合作的网络来解构任务相关和任务无关的特征,从而可以在任务之间进行更细粒度的知识共享,这是现有技术和方法所不具备的;同时本方法提升了深度学习模型的泛化性能,其适用于深度多任务学习、迁移学习、多视图学习和多模态学习等多种学习模式。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种面向特征解构的对抗合作网络模块,其特征在于,包括对抗合作模块和知识共享模块,所述对抗合作模块包括特征生成器、领域鉴别器和排它式对抗器;所述特征生成器接收任务样本并分别与领域鉴别器和排它式对抗器进行对抗,所述特征生成器生成领域共性特征和领域个性特征,所述知识共享模块接收领域共性特征和领域个性特征并生成最终的分类预测。
2.根据权利要求1所述的一种面向特征解构的对抗合作网络模块,其特征在于,所述知识共享模块包括领域共性特征分类器、领域混合特征分类器和领域个性特征分类器;所述领域共性特征分别传递到领域共性特征分类器和领域混合特征分类器中,所述领域个性特征分别传递到领域混合特征分类器和领域个性特征分类器中,所述领域共性特征分类器、领域混合特征分类器和领域个性特征分类器通过两两之间的互补学习生成最终的分类预测。
3.根据权利要求1所述的一种面向特征解构的对抗合作网络模块,其特征在于,所述排它式对抗器的运行逻辑包括前向传递和梯度后向反馈。
4.一种面向特征解构的对抗合作方法,其特征在于,包括以下步骤:
S1、对每个任务分别随机抽取一定数量的样例并将其输入到特征生成器内;
S2、特征生成器和领域鉴别器进行领域对抗,通过合作的方式生成领域共性特征,同时特征生成器又与排它式对抗器互相对抗,通过对抗的方式生成领域个性特征,从而实现有效的特征解构,同时更新排它式对抗器;
S3、将步骤S2解构出来的领域共性特征分别传递到领域共性特征分类器和领域混合特征分类器中,将所述领域个性特征分别传递到领域混合特征分类器和领域个性特征分类器中;同时分别更新领域共性特征分类器、领域个性特征分类器和领域混合特征分类器;
S4、更新特征生成器;并循环步骤S1~S4若干次;
S5、最终的领域共性特征分类器、领域个性特征分类器和领域混合特征分类器进行两两之间的互补学习,从而产生最终的分类预测。
5.根据权利要求4所述的一种面向特征解构的对抗合作方法,其特征在于,步骤S2中所述排它式对抗器的运行逻辑包括前向传递和梯度后向反馈。
6.根据权利要求4所述的一种面向特征解构的对抗合作方法,其特征在于,步骤S2中所述领域鉴别器的更新方向为沿着其随机梯度上升的方向。
7.根据权利要求4所述的一种面向特征解构的对抗合作方法,其特征在于,步骤S3中所述领域共性特征分类器、领域个性特征分类器和领域混合特征分类器的更新方向均为沿着其随机梯度下降的方向。
8.根据权利要求4所述的一种面向特征解构的对抗合作方法,其特征在于,步骤S4中循环的次数与任务的数量相同。
9.根据权利要求4所述的一种面向特征解构的对抗合作方法,其特征在于,步骤S2中排它式对抗器首次更新的方向为沿着其随机梯度下降的方向,其第二次或第二次以上更新的方向为沿着其随机梯度上升的方向。
10.根据权利要求4所述的一种面向特征解构的对抗合作方法,其特征在于,步骤S5中采用少数服从多数的投票制,即根据领域共性特征分类器、领域个性特征分类器和领域混合特征分类器的分类结果进行投票,并产生最终的分类预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010804244.0A CN111950631A (zh) | 2020-08-12 | 2020-08-12 | 一种面向特征解构的对抗合作网络模块及其对抗合作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010804244.0A CN111950631A (zh) | 2020-08-12 | 2020-08-12 | 一种面向特征解构的对抗合作网络模块及其对抗合作方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111950631A true CN111950631A (zh) | 2020-11-17 |
Family
ID=73332723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010804244.0A Pending CN111950631A (zh) | 2020-08-12 | 2020-08-12 | 一种面向特征解构的对抗合作网络模块及其对抗合作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950631A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842248A (zh) * | 2022-04-22 | 2022-08-02 | 中国人民解放军国防科技大学 | 基于因果关联挖掘模型的场景图生成方法及系统 |
-
2020
- 2020-08-12 CN CN202010804244.0A patent/CN111950631A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842248A (zh) * | 2022-04-22 | 2022-08-02 | 中国人民解放军国防科技大学 | 基于因果关联挖掘模型的场景图生成方法及系统 |
CN114842248B (zh) * | 2022-04-22 | 2024-02-02 | 中国人民解放军国防科技大学 | 基于因果关联挖掘模型的场景图生成方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Snr: Sub-network routing for flexible parameter sharing in multi-task learning | |
Wang et al. | A bi-population cooperative memetic algorithm for distributed hybrid flow-shop scheduling | |
Tang et al. | Regularized evolutionary multitask optimization: Learning to intertask transfer in aligned subspace | |
Shang et al. | Improved memetic algorithm based on route distance grouping for multiobjective large scale capacitated arc routing problems | |
Hall et al. | Decision tree learning on very large data sets | |
Wang et al. | Scale adaptive fitness evaluation‐based particle swarm optimisation for hyperparameter and architecture optimisation in neural networks and deep learning | |
Elsayed et al. | Fuzzy rule-based design of evolutionary algorithm for optimization | |
Hall et al. | Combining decision trees learned in parallel | |
Zaragoza et al. | A two-step method to learn multidimensional Bayesian network classifiers based on mutual information measures | |
Liu et al. | Adaptive particle swarm optimizer combining hierarchical learning with variable population | |
CN111950631A (zh) | 一种面向特征解构的对抗合作网络模块及其对抗合作方法 | |
CN111767949B (zh) | 一种基于特征和样本对抗共生的多任务学习方法及其系统 | |
CN108958925B (zh) | 一种节能的工作量证明方法与系统 | |
Guan et al. | Rfdg: Reinforcement federated domain generalization | |
Colak et al. | Non‐greedy heuristics and augmented neural networks for the open‐shop scheduling problem | |
Li et al. | Largest Laplacian eigenvalue predicts the emergence of costly punishment in the evolutionary ultimatum game on networks | |
Ceulemans et al. | The local minima problem in hierarchical classes analysis: An evaluation of a simulated annealing algorithm and various multistart procedures | |
Xu et al. | A GA-ACO-local search hybrid algorithm for solving quadratic assignment problem | |
Zhong et al. | Improved discrete cuckoo‐search algorithm for mixed no‐idle permutation flow shop scheduling with consideration of energy consumption | |
Tan et al. | A distributed evolutionary classifier for knowledge discovery in data mining | |
Liu et al. | General decentralized federated learning for communication-computation tradeoff | |
Bu et al. | Community-aware empathetic social choice for social network group decision making | |
Chandra et al. | A memetic framework for cooperative coevolution of recurrent neural networks | |
CN114580530A (zh) | 一种基于生成对抗网络的快速模型遗忘方法与系统 | |
Wäldchen et al. | Interpretability Guarantees with Merlin-Arthur Classifiers |
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: 20201117 |
|
RJ01 | Rejection of invention patent application after publication |