项目名称: 数据内在结构和稀疏保持的大间隔分类方法研究

项目编号: No.61502208

项目类型: 青年科学基金项目

立项/批准年度: 2016

项目学科: 其他

项目作者: 苟建平

作者单位: 江苏大学

项目金额: 20万元

中文摘要: 基于稀疏表示的模式分类是机器学习领域的研究热点。随着稀疏表示应用范围的拓展,面对大量新出现的具有复杂结构特征的高维数据分析问题,传统的稀疏表示分类器与稀疏子空间学习在其准确性、鲁棒性和泛化能力问题上均面临着新的挑战。本项目拟从数据内在结构着手,基于大间隔学习思想,研究数据内在结构和稀疏保持的大间隔分类新方法,旨在提高算法在复杂数据结构下的准确性、鲁棒性、泛化能力,进而增强数据表示能力和判别能力。主要研究内容包括:数据内在结构保持的大间隔稀疏表示分类器;数据内在结构保持的大间隔稀疏子空间学习;基于大间隔的数据内在结构和稀疏保持的降维过程与分类器的同步学习。通过本项目的研究,预期获得适应数据结构特征的稀疏表示分类与降维新理论与方法,为推动稀疏表示的发展和应用,以及大数据分析提供新的理论支撑。

中文关键词: 机器学习;模式分类;子空间学习;稀疏表示

英文摘要: Sparse representation based classification has been the research hotspots in the field of machine learning. With the extension of applications of sparse representation, the traditional classification and subspace learning methods based on sparse representation face the new challenges on the accuracy, robustness and generalization problems when there are many high-dimensional data analysis issues that newly appear with the complex structure features of data. Starting from the data intrinsic structure and based on large margin idea, this project is to investigate the new max-margin classification approaches that preserve data intrinsic structure and sparsity, in order to improve the accuracy, robustness, generalization and the abilities of data representation and discrimination in the case of the complex data structure. The research content of this project includes: a study of the data intrinsic structure and sparsity preserving max-margin classification, a study of the data intrinsic structure and sparsity preserving max-margin subspace learning, a study of synchronous learning that jointly integrates dimensionality reduction and classifiers by preserving data intrinsic structure and sparsity on basis of large margin. Through the research of this project, the new sparse representation based dimensionality reduction and classification methods that are adaptive to data structure characteristics will be achieved. The research of this project offers the new theoretical support for the development and applications of sparse representation and big data analysis.

英文关键词: Machine Learning;Pattern Classification;Subspace Learning;Sparse Representation

成为VIP会员查看完整内容
2

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
专知会员服务
15+阅读 · 2021年10月11日
元学习-生物医学中连接标记和未标记数据
专知会员服务
29+阅读 · 2021年8月3日
专知会员服务
40+阅读 · 2021年6月21日
专知会员服务
28+阅读 · 2021年6月7日
专知会员服务
15+阅读 · 2021年6月6日
专知会员服务
94+阅读 · 2021年5月25日
专知会员服务
19+阅读 · 2021年5月1日
专知会员服务
36+阅读 · 2021年3月29日
专知会员服务
78+阅读 · 2020年8月4日
基于深度学习的多标签生成研究进展
专知会员服务
140+阅读 · 2020年4月25日
基于机器学习的自动化网络流量分析
CCF计算机安全专委会
4+阅读 · 2022年4月8日
2022最新图嵌入模型综述
机器学习与推荐算法
3+阅读 · 2022年1月18日
图嵌入模型综述
专知
3+阅读 · 2022年1月17日
图表示学习Graph Embedding综述
AINLP
32+阅读 · 2020年5月17日
用深度学习揭示数据的因果关系
专知
28+阅读 · 2019年5月18日
已删除
德先生
53+阅读 · 2019年4月28日
无监督元学习表示学习
CreateAMind
26+阅读 · 2019年1月4日
目标跟踪算法分类
算法与数据结构
20+阅读 · 2018年9月28日
文本聚类:从非结构化数据快速获取见解
Datartisan数据工匠
15+阅读 · 2017年10月12日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
6+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
19+阅读 · 2021年6月15日
Arxiv
19+阅读 · 2021年4月8日
Arxiv
25+阅读 · 2021年3月20日
A Survey of Deep Learning for Scientific Discovery
Arxiv
29+阅读 · 2020年3月26日
Arxiv
29+阅读 · 2020年3月16日
Arxiv
135+阅读 · 2018年10月8日
Arxiv
21+阅读 · 2018年2月14日
小贴士
相关VIP内容
专知会员服务
15+阅读 · 2021年10月11日
元学习-生物医学中连接标记和未标记数据
专知会员服务
29+阅读 · 2021年8月3日
专知会员服务
40+阅读 · 2021年6月21日
专知会员服务
28+阅读 · 2021年6月7日
专知会员服务
15+阅读 · 2021年6月6日
专知会员服务
94+阅读 · 2021年5月25日
专知会员服务
19+阅读 · 2021年5月1日
专知会员服务
36+阅读 · 2021年3月29日
专知会员服务
78+阅读 · 2020年8月4日
基于深度学习的多标签生成研究进展
专知会员服务
140+阅读 · 2020年4月25日
相关资讯
基于机器学习的自动化网络流量分析
CCF计算机安全专委会
4+阅读 · 2022年4月8日
2022最新图嵌入模型综述
机器学习与推荐算法
3+阅读 · 2022年1月18日
图嵌入模型综述
专知
3+阅读 · 2022年1月17日
图表示学习Graph Embedding综述
AINLP
32+阅读 · 2020年5月17日
用深度学习揭示数据的因果关系
专知
28+阅读 · 2019年5月18日
已删除
德先生
53+阅读 · 2019年4月28日
无监督元学习表示学习
CreateAMind
26+阅读 · 2019年1月4日
目标跟踪算法分类
算法与数据结构
20+阅读 · 2018年9月28日
文本聚类:从非结构化数据快速获取见解
Datartisan数据工匠
15+阅读 · 2017年10月12日
相关基金
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
6+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
相关论文
Arxiv
19+阅读 · 2021年6月15日
Arxiv
19+阅读 · 2021年4月8日
Arxiv
25+阅读 · 2021年3月20日
A Survey of Deep Learning for Scientific Discovery
Arxiv
29+阅读 · 2020年3月26日
Arxiv
29+阅读 · 2020年3月16日
Arxiv
135+阅读 · 2018年10月8日
Arxiv
21+阅读 · 2018年2月14日
微信扫码咨询专知VIP会员