<var id="vn1lr"></var>
<var id="vn1lr"></var><cite id="vn1lr"><strike id="vn1lr"></strike></cite><var id="vn1lr"><strike id="vn1lr"></strike></var><menuitem id="vn1lr"><strike id="vn1lr"><listing id="vn1lr"></listing></strike></menuitem>
<var id="vn1lr"></var><menuitem id="vn1lr"><dl id="vn1lr"></dl></menuitem>
<var id="vn1lr"></var>
<menuitem id="vn1lr"><dl id="vn1lr"><progress id="vn1lr"></progress></dl></menuitem><var id="vn1lr"><strike id="vn1lr"></strike></var>
<var id="vn1lr"></var>
<var id="vn1lr"></var><var id="vn1lr"></var><var id="vn1lr"><strike id="vn1lr"></strike></var>
<var id="vn1lr"></var>
<var id="vn1lr"><strike id="vn1lr"><progress id="vn1lr"></progress></strike></var>
<var id="vn1lr"></var>
English
創新創業Innovation
創新創業
當前位置: 首頁  > 創新創業  > 正文
我校在可解釋機器學習研究領域取得新進展
發布時間:2020-12-08

近日,我校理學院陳洪教授機器學習團隊以“Multi-task Additive Models for Robust Estimation and Automatic Structure Discovery”為題,在34th Conference on Neural Information Processing Systems(NeurIPS 2020)發表研究論文。

當前,面向高維數據的可解釋模型大多構建在單任務學習框架下,且以學習條件均值為目標。此類模型往往不能直接用于多任務數據,且在非高斯噪聲的數據處理中會出現性能的退化。特別地,傳統的組稀疏可解釋模型嚴重依賴變量結構的先驗信息。針對此類問題,本文在多任務雙層優化框架下,通過融合眾數回歸、可加模型與結構懲罰項,提出了一類新的多任務可加模型。該模型不僅能實現面向復雜噪聲數據的穩健估計,而且能夠自動地挖掘數據中潛在的變量組結構。優化上,針對模型非凸非光滑的特點,研究者基于半二次優化和前向后向切分算法提出了一類光滑優化策略,并給出了優化算法的收斂分析。應用上,模擬實驗和日冕物質拋射實驗從模型的估計誤差、結構發現能力等多角度驗證了構建模型的出色性能。

多任務可加模型與傳統組稀疏模型的差異如圖1所示:

圖1:(a)多任務數據生成過程;(b)傳統組稀疏模型;(c)多任務可加模型

圖1:(a)多任務數據生成過程;(b)傳統組稀疏模型;(c)多任務可加模型

該研究是陳洪教授前期CCF A人工智能頂會工作(H. Chen, X. Wang and H. Huang, NIPS, 2017; X. Wang, H. Chen and H. Huang, NIPS,2017;G. Liu, H. Chen and H. Huang, ICML, 2020)和人工智能頂刊工作(H. Chen, Y. Wang, et al., TNNLS 2020)的進一步延續和深入,得到了國家自然科學基金面上項目等的資助。信息學院博士生王英杰為第一作者,理學院陳洪教授為論文通訊作者,南方科技大學鄭鋒副研究員、國家空間科學中心陳艷紅研究員等參與了論文研究工作。

---友情鏈接---
華中農業大學 中國研究生招生信息網 中國學位與研究生教育信息網

版權所有:華中農業大學研究生院   黨委研究生工作部

地址:湖北省武漢市洪山區獅子山街1號華中農業大學    郵箱:yjs@mail.hzau.edu.cn    電話:027-87282049    郵編:430070   

9999彩票