CVPRJun, 2022

动态环境下的物体实例识别

PDF
TL;DR在人们与物体交互的动态环境下，物体实例的识别存在许多挑战，需要在低层次（如颜色、纹理）和高层次（如对象类别）特征的整合、处理重叠物体的前景特征选择、针对实例特有的外观变化的鲁棒性等方面进行进一步研究。该论文通过对 EPIC-KITCHENS 数据集上的 1,500 多个物体实例的分析，提出了相关结论。
object instancesdynamic environmentepic-kitchens datasetinstance-specific appearance changefeature selection
发现论文，激发创造
  • 量子计算在推荐系统特征选择上的应用

    利用量子计算机在推荐系统中解决经典计算机无法处理的问题是一个值得研究的课题。本文使用量子退火机解决推荐算法中的特征选择问题，并结合反事实分析，大大提高了基于物品的 KNN 推荐算法的性能，相较于纯粹使用互信息方法。大量实验证明，利用反事实分析在解决此类问题方面具有巨大潜力。

    Jul, 2024

  • LLM-Select：大型语言模型的特征选择

    通过实验结果表明，大型语言模型（LLMs）在无需查看训练数据的情况下，可准确选择预测特征，在各种查询机制下具备与数据科学标准工具相媲美的性能，这对于特征选择和数据收集至关重要。

    Jul, 2024

  • 利用图数据结构和知识图谱的特征选择策略综述

    知识图谱中的特征选择方法论及其在增强机器学习模型有效性、假设生成和解释性方面的作用，强调可扩展性、准确性和可解释性的关键重要性，并倡导结合领域知识来优化选择过程。强调多目标优化和跨学科合作在推进知识图谱特征选择方面的潜力，以及这些方法对精准医疗等领域的变革性影响。同时提出未来的研究方向，包括开发可扩展、动态的特征选择算法，并整合可解释的人工智能原则以提高知识图谱驱动模型的透明度和信任度。

    Jun, 2024

  • 具有 $k$- 次模函数的 Stackelberg 博弈下的分配风险感知性和鲁棒性

    我们研究了在对抗环境中的子模规划优化问题，该问题适用于机器学习中使用容易受到不确定性和攻击的数据进行特征选择。我们关注攻击者和防御者之间的斯塔克尔伯格博弈，攻击者的目标是最小化防御者最大化的 k - 子模规函数。我们考虑攻击成功和数据噪声带来的不确定性，并解决了由于对随机参数的概率分布的不完全了解而引起的挑战。具体而言，我们引入了分布度风险厌恶 k - 子模规拦截问题（DRA k-SIP）和分布度风险接受 k - 子模规拦截问题（DRR k-SIP），并提出了针对它们的收敛精确算法。DRA k-SIP 解决方案允许风险规避的拦截者制定针对现实世界不确定性的稳健策略。相反，DRR k-SIP 解决方案提供了攻击者的进攻策略，他们愿意承担（分布）风险以造成最大的损害，并确定了关键易受攻击的组件，这可以用于防御者的防御策略。从 DRA k-SIP 和 DRR k-SIP 中得出的最优值为防御者的目标函数的期望值提供了一个类似置信区间的范围，用于捕捉分布的不确定性。我们使用特征选择和传感器放置问题的实例以及威斯康星乳腺癌数据和合成数据进行了计算实验。

    Jun, 2024

  • 网络入侵检测中注重检测率的多目标进化特征选择

    本研究提出了 DR-MOFS，将网络入侵检测中的特征选择问题建模为一个三目标优化问题，通过使用多目标进化算法同时优化特征数量、准确率和检测率，实验结果表明，该方法在大多数情况下优于以前的方法，即减少特征数量，提高准确率和检测率。

    Jun, 2024

  • 关于特征选择中核依赖最大化的限制性研究

    通过反例，我们证明了使用 Hilbert-Schmidt 独立性准则（HSIC）来进行特征选择的基本原理是错误的，而且通过 HSIC 的最大化可能会忽略掉关键特征。

    Jun, 2024

  • 揭示隐藏因素：可解释的 AI 用于提升语音情感识别中的特征

    本研究提出了一种迭代特征增强方法来增强语音情感识别（SER）中机器学习模型的性能，并通过模型解释性实现了对情感决策的重要特征的识别和删除，对 SER 数据集的实验证明了该方法的有效性。

    Jun, 2024

  • 决策树算法的超快速选择

    我们提出了一种名为 Superfast Selection 的新颖系统方法，用于在表格数据上选择决策树和特征选择算法的 “最优分裂”。该方法通过降低时间复杂度（从 O（MN）降至 O（M））来加快在单个特征上的分裂选择，M 表示输入示例的数量，N 表示唯一值的数量。此外，消除了特征值异质性的预编码需求，例如独热或整数编码。为了展示 Superfast Selection 的高效性，我们将其集成到 CART 算法中，创造了我们所称的 Ultrafast Decision Tree (UDT)。这种改进使 UDT 能够在时间复杂度为 O（KMlogM）（其中 K 是特征的数量）的情况下完成训练过程。此外，Training Only Once Tuning 使得 UDT 可以避免寻找最优超参数所需的重复训练过程。实验证明，在笔记本电脑上，UDT 可以在 1 秒内完成对 KDD99-10％数据集（494K 个示例，41 个特征）的单次训练，并在 0.25 秒内使用 214.8 个超参数集进行调优。

    May, 2024

  • 探索长期船舶事故风险预测的关键因素

    通过因子分析预测海事安全事故风险，筛选关键因素并提供管理策略。

    May, 2024

  • 一致子模最大化

    在具有一致性约束的动态环境中，我们研究了在基数约束下最大化单调次模函数，其在数据挖掘和机器学习中有多个应用。我们提供了在此场景中具有一致性和逼近质量之间不同权衡的算法。实验证明我们算法在真实世界实例中的有效性。

    May, 2024