本论文提出了一种利用进化算法来优化学习数据子集之间差异性的基于 bagging 的集成学习算法,并表明该算法在多个基准数据集上的性能优于传统的 bagging 和随机森林方法,同时能够在性能准确性不降低的情况下维持多样性的集合。
Aug, 2022
本文提出了一种新的演化集成分类器,称为 Parsimonious Ensemble pENsemble,该方法由一种被称为 Parsimonious Classifier pClass 的演化分类器构建,具有动态的特征选择和集成结构,并具有检测漂移的新颖方案,在处理动态和演化数据流方面表现最有希望,可以在精度和复杂度之间实现平衡。
May, 2017
本文调查了我们团队的八项最近研究成果,探讨了进化算法与机器学习以及深度学习的成功结合,包括分类、黑盒算法生成对抗性实例等领域。
Jun, 2023
这篇论文是关于进化计算、人工智能、进化机器学习、进化动态优化和机器学习之间互相结合的研究,旨在激发进化学习社区的兴趣并在该领域激发创新贡献。
Oct, 2023
本文提出了一种自适应、自进化的模糊多标记分类器,结合相关性算法、权重最小二乘法和 Lasso 正则化,实现递增式单遍分类,并提供在线主动学习策略和产品空间聚类,其中分类器更新所需的样本数减少了 90%,但几乎不会影响分类精度。
Mar, 2022
本研究提出一种使用进化计算来选择有用的识别脑电特征并优化人工神经网络拓扑结构的新方法,同时探讨了深度学习和长短时记忆的调整,使用三个分类器对注意状态、情感和数字数据集进行比较,结果表明自适应提升的 LSTM 可以在注意力、情感和数字数据集上分别达到 84.44%、97.06% 和 9.94% 的准确度,进化优化的 MLP 趋近于自适应提升的 LSTM。
Aug, 2019
提出 Self-Evolutionary Clustering (Self-EvoC) 框架,采用模糊理论识别异常数据点并采用自我监督分类器生成目标分布以实现分类。实验证明,该方法优于现有 deep clustering 方法。
Feb, 2022
采用进化算法发现神经网络的架构,提出新型变异算子探索搜索空间以实现自动化,成功在 CIFAR-10 和 CIFAR-100 数据集上达到 94.6% 和 77.0% 的准确率,且无需人为干预。
Mar, 2017
本文提出了一种名为 e2e-MEL 的策略,通过将约束优化和学习相结合,将集成学习任务变成可微分的选择程序,学习为特定输入样本选择适当的预测器进行组合,结果表明,e2e-MEL 在各种设置中都可以明显优于传统共识规则。
Nov, 2022
这篇文章介绍了使用进化算法自动生成图像分类器的技术,并提出了一种改进的锦标赛选择进化算法,在同样的计算资源下超过了人类手工设计的图像分类器,并在 ImageNet 数据集上取得了优异成果。
Feb, 2018