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。     

融合标签局部相关性的标签分布学习

提出了一种融合标签局部相关性的标签分布学习(label distribution learning, LDL)算法,该算法分为3个阶段。初始预测阶段构建多层神经网络模型,将样本的原始特征作为输入、初始预测的标签分布作为输出;局部矫正阶段首先利用k-means聚类算法获得不同类所描述的局部信息,然后针对不同类计算对应的协方差矩阵,利用该矩阵来矫正初始预测的标签分布,获得每个类对应的矫正标签分布;标签融合阶段对矫正后的标签分布进行加权,再与初始预测的标签分布进行融合,得到最终的预测分布。在8个公开数据集上与9种常用的LDL算法进行对比实验,结果表明本文的算法能较好地描述标签局部相关性,在多个主流评估指标上排名靠前。     

可修复系统可靠性统计分析

常规可靠性统计分析要求样本从同一母体抽取且为独立同分布。但是可修复系统的母体难以保持不变，样本独立同分布的要求也难以满足。如何判别样本是独立同分布?针对此问题，本文讨论了样本独立同分布的检验，并以平均寿命为例，对样本独立同分布和非独立同分布条件下可靠性统计分析进行了讨论。     

一类分布之大分位数及尾端点之估计

x1,x2,……,xn为独立同分布序列，公共分布函数F(x)属于吸引场Gy(y∈R)之一．在一定的条件下，给出了F(X)的大分位数估计量及其渐近分布．当y＜0时，在二阶正规变化条件下给出F(x)的尾端点的估计量及其渐近分布．两种情形下均可得到对应参数的渐近置信区间．     

融合VAD情绪知识的文本情感分布标签增强方法

情感分布学习(emotion distribution learning, EDL)采用情感分布记录给定样本在各个情绪上的表达程度,在处理具有模糊性的多标签情绪分析任务时具有明显优势。情感分布标签增强技术将已标注的情绪单标签增强为情感分布,可以解决EDL缺乏已标注情感分布的实验数据集的问题。然而,已有的情感分布标签增强方法采用离散空间情绪模型表示情绪,存在情绪间的相关信息丢失和情绪表达不连续等问题。针对上述问题,该文引入基于连续维度的效价-唤醒-支配(valence-arousal-dominance, VAD)心理学情绪模型,提出融合VAD情绪知识的文本情感分布标签增强方法(VAD emotion knowledge-based text emotion distribution label enhancement, VADLE)。VADLE方法基于先验的VAD情绪模型中的情绪距离,先为英文句子的真实情绪标签和句中情感词的情绪标签分别生成先验情感分布,再通过分布叠加将2种先验情感分布统一。通过英文单标签文本情感数据集的对比实验表明：VADLE方法在情绪预测任务方面的性能优于已有的情感...     

一类不同分布NA列的粗略大偏差

在前人关于独立同分布和同分布NA列的粗略大偏差的基础上得到了一类不同分布NA列的粗略大偏差．     

截断和之和乘积的渐近分布

在中尾分布情形下,利用独立同分布随机变量截断和的极限性质,得到了截断和之和乘积的渐近分布.     

融合多源异构网络信息的标签推荐方法

标签通常被广泛地应用于标注各种在线资源,例如文章、图像、电影等,其主要目的是便于用户理解以及高效地管理和检索海量网络资源。因为人工对这些海量资源进行标注十分繁琐且耗时,所以自动化标签推荐技术被广泛关注。目前大部分标签推荐方法主要通过挖掘资源的内容信息进行推荐。然而,现实世界中很多数据信息并非独立存在,如文献数据通过相互引用关系而形成复杂的网络结构。研究表明,资源的拓扑结构信息和文本内容信息可分别从2个不同角度对同一资源的语义特征进行概括,并且从2个方面观察到的信息可以互为补充和解释。基于此,提出一种同时对资源内容信息和资源网络拓扑结构信息进行统一建模的概率主题模型和标签推荐方法。该方法通过结合标签和资源内容之间的标注关系以及资源之间的链接关系等多源异构信息,去挖掘资源潜在的语义信息为新的资源推荐若干功能语义相近的标签。     

广义logistic分布的收敛速度(英文)

本文作者考虑了独立同分布情形下广义logistic分布和混合广义logistic分布最大值的渐进分布及其赋范常数,并得到了相应的最大值收敛到极值分布的点点收敛速度.     

有关可交换随机变量序列的一个结论

研究一定相关性条件下可交换随机变量与独立同分布随机变量的结果之间的相似与不同。利用逆鞅、截尾等方法,解决其渐近性质的问题。由于可交换随机变量的基本结构定理De Finetti定理——可交换随机变量无限序列以其尾σ-代数为条件是独立同分布的,因此可交换随机变量应该具有类似于独立同分布随机变量的性质。