利用遗传算法对上证综指EGARCH模型的实证分析

比较了改进的遗传算法和BHHH算法对EGARCH模型的估计效果.结果显示,改进的遗传算法优于BH-HH算法.然后分别用在正态分布t、分布和广义误差分布(GED分布)假设下的EGARCH模型对上证综指进行实证分析.分析结果表明,EGARCH模型在厚尾分布假设下对序列的拟合效果比在正态分布假设下的效果好.上证综指收益率序列具有明显的杠杆效应.     

归纳式迁移学习在跨领域情感倾向性分析中的应用

在解决情感倾向性分析问题中,传统的监督学习和半监督学习都是在训练和测试所用的数据来自相同分布的假设基础之上的,但在很多情况下不能满足这样的假设,这就产生了跨领域的情感倾向性分析问题.在跨领域情感倾向性分析中,提出一种基于归纳式迁移学习的图模型,通过图模型建立源领域和目标领域数据之间的关联,使得源领域的数据通过图模型学习目标领域数据在特征和实例上的特点.同时,利用归纳式迁移学习方法使用少量的目标领域的已标注数据进行训练,从而提高了情感分类器在目标领域的分类准确率,极大地改进了跨领域情感倾向性分析的效果.在标准数据集上进行了实验,并与监督学习方法 SVM、半监督学习方向TSVM以及其它3种常用的迁移学习方法进行了对比,对比结果显示本文方法显著的高于SVM和TSVM,并在大多数数据集上优于其它3种迁移学习方法,实验结果表明该方法是有效的.     

基于综合相似度迁移的协同过滤算法

数据稀疏性问题是传统协同过滤算法的主要瓶颈之一.迁移学习通常是利用目标领域与辅助领域的潜在关系,对辅助领域进行知识迁移,以此来提高目标领域的推荐质量.现有的基于相似度迁移模型,普遍只利用了用户评分信息,并且在评分相似度计算上忽略了用户评分标准个性差异.针对这些问题,提出了一种综合相似度迁移模型,在相似度计算上,即利用了用户评分信息同时也利用了用户属性信息,并且考虑了用户间对满意度的打分标准的差异性,采用了用户评分分布一致性来衡量用户评分相似度的方法,提高了相似度计算的准确性,从而提高了数据迁移的质量.实验结果表明,该模型较其他算法能比较有效地缓解数据稀疏性问题.     

基于组合域的图像标签噪声预处理方法

数据集独立同分布(Independent and identically distributed, IID)的假设和数据集是否干净,分别对应组合域标签噪声领域数据集非独立同分布(Non-independent and identically distributed, Non-IID)和标签噪声问题。该文提出多标签图像多分类模型(Multi-label image multi-classification model, MIMM)预处理方法应对上述问题。为了缓和数据集独立同分布假设,该文证明组合域方法的迁移误差上界,并使用最大关键特征(Maximum key feature, MKF)函数和关键秩匹配分解(Key rank matching decomposition, KRMD)算法实现源域向组合同构数据的目标域迁移。为了保证数据集干净,引入干净的第三方数据微调模型参数,排除标签真实数量不确定导致训练集类别不平衡的情况。在Pascal/COCO数据集上进行实验,结果证明MIMM方法已达到准确率与运行效率的最佳平衡。     

深度子领域迁移学习：一种细粒度主动迁移视角

迁移学习能以相关领域中的标注数据为基础，提升目标领域的学习效果。当领域间的数据分布差异很大时，会导致严重的负迁移问题。如何充分捕获源域和目标域之间的相似性，进一步挖掘更多有效信息，最终提高目标域的预测精度，是一个值得探索的问题。该文从细粒度主动迁移的视角，提出一种深度子领域迁移学习(Deep subdomain transfer learning, DSTL)算法，能迭代优化源域和目标域之间的相似性，提升模型预测性能。该文首先提出一种伪标签生成策略，对所有样本进行子领域的划分；制定中心+边缘的主动查询策略，获得关键代表性实例的真实标签；设计一种迭代分布优化策略，实现源域和目标域的子领域对齐，避免负迁移。将DSTL算法与传统迁移学习算法以及当前最新的深度迁移学习算法在主流的基准数据集上进行了测试。统计分析的结果表明，该文所提算法能实现性能的有效提升，扩大模型在实际应用中的适用范围。     

基于KMM匹配的参数迁移学习算法

当训练数据和测试数据来自不同的领域或任务以至于训练数据和测试数据的分布不相同时,需要进行知识的迁移.本文提出一种基于实例KMM匹配的参数迁移学习方法.利用KMM算法估计每个源领域实例的权重,再利用得到的权重,把这些实例应用到基于参数的迁移学习方法中.把该迁移学习算法应用到无线网络定位问题中时,该方法的定位准确度要高于单...     

迁移学习在阿尔茨海默病早期诊断中的应用（英文）

阐述了迁移学习方法及其在阿尔茨海默病早期诊断研究领域中的应用.首先,对迁移学习方法在阿尔茨海默病分类诊断研究中的应用进行了分析.接着,介绍了迁移学习相关的理论知识.然后,详细介绍了基于迁移学习算法在阿尔茨海默病诊断研究中的进展,分别从基于样本的迁移、基于特征的迁移和基于模型的迁移等三方面进行了分析.最后,提出了当前迁移学习在该领域存在的问题和挑战以及未来发展趋势.     

拓展目标杂波概率假设密度估计

针对拓展目标概率假设密度滤波器中的未知杂波概率假设密度,提出了杂波概率假设密度估计算法。算法利用有限混合模型极大后验估计杂波概率假设密度,取混合权重的熵分布作为混合参数的先验分布;在渐进假设条件下,利用拉格朗日乘子推导了混合权重的递进估计公式;在混合权重递进估计过程中,通过混合权重置零操作来实现对有限混合模型中混合分量的删减。以二维场景为例对算法进行了仿真实验,结果表明:在拓展目标概率假设密度滤波器高斯混合实现的框架内,所提杂波概率假设密度估计算法的跟踪性能接近真实杂波概率假设密度时的跟踪性能。     

基于渐进式神经网络的机器人控制策略迁移

在机器人领域,通过深度学习方法来解决复杂的控制任务非常具有吸引力,但是收集足够的机器人运行数据来训练深度学习模型是困难的.为此,提出一种基于渐进式神经网络(progressive neural network,PNN)的迁移算法,该算法基于深度确定性策略梯度(deep deterministic policy gradient,DDPG)框架,通过把模型池中的预训练模型与目标任务的控制模型有机地结合起来,从而完成从源任务到目标任务的控制策略的迁移.两个仿真实验的结果表明,该算法成功地把先前任务中学习到的控制策略迁移到了目标任务的控制模型中.相比于其他基准方法,该算法学习目标任务所需的时间大大减少.     

利用遗传算法对上证综指EGAROH模型的实证分析

比较了改进的遗传算法和BHHH算法对EGARCH模型的估计效果．结果显示，改进的遗传算法优于BH—HH算法．然后分别用在正态分布、t分布和广义误差分布（GED分布）假设下的EGARCH模型对上证综指进行实证分析．分析结果表明，EGARCH模独在厚尾分布假设下对序列的拟合效果比在正态分布假设下的效果好．上证综指收益率序列具有明显的杠杆效应．