一种改进的DBSCAN算法

聚类技术是数据挖掘中的一项重要技术,它能够根据数据自身的特点将集中的数据划分为簇.DBSCAN是一种经典的基于密度的聚类算法,能发现任意数量和形状的簇,但需设置Eps和MinPts参数,且聚类效果对参数敏感.提出一种改进的DBSCAN算法,该算法采用自适应的Eps参数使得DBSCAN算法能对具有不同密度的簇的数据集进行聚类.仿真实验结果验证了所提算法的有效性.     

基于稠密连接注意力单任务提升的深度多任务学习

多任务学习通过任务间的知识共享提升多个关联任务的泛化性能。多任务学习领域的大多数方法通过设置先验性的知识共享结构来定义任务间的关系，这些知识共享结构可能使任务不能充分利用多任务学习带来的好处，甚至导致明显的知识负迁移，使得任务性能提升不大。为了解决上述问题，提出了一种基于稠密连接注意力单任务提升的深度多任务学习方法。该方法中每个任务使用特异的自注意力单元学习任务间的知识共享结构，通过稠密连接将知识共享信息与自身动态结合，使用单任务提升训练方法贪心地优化每个任务，极大程度地避免知识负迁移所带来的问题。在多个数据集上的实验证明了该方法的有效性，其性能已优于目前许多先进的多任务学习方法。