Mar, 2024

开放的连续特征选择通过颗粒球知识传递

PDF
TL;DR该研究论文提出了一种新颖的框架，用于在数据预处理中进行持续特征选择，特别是在存在未知类别可能出现的开放和动态环境下。研究方法结合了持续学习和颗粒球计算的优势，构建了颗粒球知识库来检测未知类别，并促进先前学到的知识的进一步特征选择。通过对公共基准数据集的广泛实验结果表明，该方法在效果和效率方面优于现有的特征选择方法。
发现论文，激发创造
  • 粒球模糊集及其在支持向量机中的应用

    引入粒球计算到模糊集中，提出了一种称为粒球模糊集的框架，它比传统的模糊方法更高效、更稳健、更具扩展性，可以用于各种模糊数据处理领域，扩展到分类器支持向量机（FSVM）中以得到粒球模糊支持向量机（GBFSVM），实验证明了 GBFSVM 的有效性和效率。

    Oct, 2022

  • 连续学习：特征提取形式化、有效算法和基本障碍

    本文探讨了机器学习中的持续学习范式，并提出了一种基于特征提取的持续学习框架，通过特征和分类器在每个环境中的联合训练，设计了一种高效的梯度算法 DPGD，并证明了该算法能够在当前环境下表现良好，同时避免灾难性遗忘，但在特征是非线性的情况下，并不存在这样一种算法。

    Mar, 2022

  • 大模型驱动的少样本持续学习

    在这项工作中，我们提出了一种新颖的大模型驱动的少样本迭代学习（B-FSCL）框架，通过借鉴世界上的大模型（如人类累积知识）的强大编码能力，逐步演化模型，以提高持续模型的适应能力，并优化参数，实现自适应蒸馏的大模型的知识信息。经过在三个流行数据集上的实验验证，我们提出的 B-FSCL 完全超过了所有最先进的 FSCL 方法。

    Sep, 2023

  • 个性化联邦持续学习多层粒度提示

    个性化联邦连续学习是一个新的实际场景，对于知识的共享和个性化提出了挑战。我们提出了一种多粒度提示的方法，通过协同模型学习获得粗粒度全局提示，用于高效传输共享的全局知识，并通过细粒度的本地提示个性化学习以克服时序遗忘。我们还设计了一种选择性提示融合机制，通过独特的粗粒度知识融合实现了共享知识的传输和提炼，从而提高了个性化性能。实验结果表明，我们的方法在解决空时遗忘和改善个性化性能方面是有效的。

    Jun, 2024

  • 一种用于机器学习中的高维数据集的基于对比的特征选择算法

    通过选择最具信息量的特征并消除无关的特征，我们提出了一种新的基于差异性特征的滤波特征选择方法 ContrastFS，该方法能够在大型数据集上有效地降低计算成本，而且性能优于其他最先进的特征选择方法。

    Jan, 2024

  • 基于 Granular-Ball 的高效自适应聚类算法 GBC

    提出了一种新的聚类方法，名为自适应基于颗粒 - 球分化的聚类方法，能够高效识别形状未知、复杂的聚类，同时提供了一种有效的自适应方法来描述世界，并促进了自适应、高效的 AI 技术及密度计算模型的研究和发展。

    May, 2022

  • 颗粒球计算：一种高效、稳健、可解释的自适应多颗粒度表示和计算方法

    本文系统介绍了球状颗粒计算模型，分析了目前该模型面临的主要问题，并讨论了球状颗粒计算的主要适用场景，为未来研究者提供参考和建议。

    Apr, 2023

  • 持续特征选择：在持续学习中排除虚假特征

    本研究探讨了虚假特征对于连续学习算法的影响，发现连续学习算法通过选择无法概括的特征来解决任务。实验表明，连续学习算法面临两个相关问题：（1）虚假特征和（2）局部虚假特征。本文提供了一种不同的理解连续学习性能下降的方式，强调了（局部）虚假特征在算法性能中的影响。

    Mar, 2022

  • 选择性内部节点传输的联邦连续学习用于文本分类

    本文提出了一种名为 FedSeIT 的框架，用于在云边界连续性中的文本分类任务中，通过选择性地结合外部客户的模型参数来最大化知识传输并提高表现，采用 Federated Learning 和 Continual Learning 两种范例，以在客户端之间进行有效的知识传递

    Oct, 2022

  • 在线稀疏流特征选择使用调整分类

    本研究提出了基于自适应分类的在线稀疏特征流式选择方法 (OS2FS-AC)，通过潜在因子分析 (LFA) 预估缺失数据，将特征划分为强相关、弱相关和不相关三类，并将其中的弱相关特征进一步进行信息分割，实验证明该方法在真实数据集上的表现优于现有算法。

    Feb, 2023