×
金俊伟;李燕婷;杨铁军;赵亮;段俊伟;菲利普·陈，C.L。

用于视觉识别的区分性群体-部分约束广义学习系统。 （英语） Zbl 1531.68083号

信息科学。 576, 800-818 (2021).
概要：广义学习系统（BLS）是一种新兴的网络范式，在回归和分类领域受到了相当大的关注。然而，有两个缺陷严重阻碍了它在实际应用中的部署。第一个问题是在建模过程中没有充分考虑样本之间的内部相关性。其次，BLS中使用的严格二进制标记矩阵几乎没有分类自由度。在本文中，为了解决上述问题，我们建议分别对特定于类的变换特征和标签错误项施加组party约束。其效果不仅是可以保留数据之间更合适的边距，而且学习到的标签空间可以灵活地进行识别。因此，所获得的投影矩阵可以显示出更重要的判别能力。此外，我们使用交替方向乘数法来解决由此产生的优化问题。在不同的基准数据库上进行了大量的实验和分析，以验证我们提出的模型与其他竞争分类方法相比的优越性。

MSC公司：

68T05型 人工智能中的学习和自适应系统

关键词：

广泛的学习系统;有区别的;群稀疏性;优化;监督学习

软件：

AlexNet公司;达奇;ImageNet公司
PDF格式BibTeX公司 XML格式引用
\textit{J.Jin}等人，《信息科学》。576800--818（2021年；Zbl 1531.68083）
全文： DOI程序

参考文献：

[1] 袁，H。；郑洁。；Lai，L.L.公司。；唐永勇，一个约束最小二乘回归模型，信息科学。，429, 247-259 (2018) ·Zbl 1444.62090号
[2] Yu博士。；Xu，H。；Chen，C.L.P。；Bai，W。；Wang，Z.，基于k-means的动态覆盖控制，IEEE Trans。工业。电子。(2021), 1-1
[3] 何凯、张旭、任松生、孙建中，图像识别的深度残差学习（Deep residual learning for image recognition）。2015年，arXiv预印arXiv:1512.03385。
[4] Feng，S。；Chen，C.L.P。；Zhang，C.，基于模糊限制boltzmann机的高维数据分类模糊深度模型，IEEE Trans。模糊系统。，28,1344-1355（2020年7月）
[5] 项，S。；聂，F。；Meng，G。；潘，C。；Zhang，C.，多类分类和特征选择的判别最小二乘回归，IEEE Trans。神经网络学习。系统。，23, 11, 1738-1754 (2012)
[6] 袁海林。；Li，J.等人。；Lai，L.L。；唐永勇，二维无监督特征选择的联合稀疏矩阵回归和非负谱分析，模式识别。，89、119-133（2019年5月）
[7] Shi，Y。；Miao，J。；王，Z。；张，P。；Niu，L.，正则化特征选择，IEEE Trans。神经网络学习。系统。，29, 10, 4967-4982 (2018)
[8] J.Mairal、F.Bach和J.Ponce，任务驱动词典学习，IEEE Trans。模式分析。机器。智力。34（2011年7月），第791-804页。
[9] 江，Z。；林，Z。；Davis，L.S.，标签一致性k-svd：学习识别用的歧视性词典，IEEE Trans。模式分析。机器。智力。，35, 11, 2651-2664 (2013)
[10] 张，X.-Y。；Wang，L。；项，S。；Liu，C.-L.，重定目标最小二乘回归算法，IEEE Trans。神经网络学习。系统。，26, 9, 2206-2213 (2015)
[11] Han，N。；吴杰。；方，X。；Wong，W.K。；Xu，Y。；杨，J。；Li，X.，图像分类的双松弛回归，IEEE Trans。电路系统。视频技术。，30,2307-319（2020年2月）
[12] 你，C-Z。；帕拉德，V。；Wu，X.-J.，图像分割的鲁棒结构低阶表示，国际期刊Artif。智力。工具，27，06（2018）
[13] Wright，J。；Yang，A.Y。；Ganesh，A。；Sastry，S.S。；Ma，Y.，基于稀疏表示的鲁棒人脸识别，IEEE Trans。模式分析。机器。智力。，31, 2, 210-227 (2009)
[14] Xu Y.Xu，Z.Zuofeng，J.Yang，J.You，D.Zhang，一种新的基于l2正则化的区分稀疏表示的鲁棒人脸识别方法，IEEE Trans。神经网络学习。系统。第PP卷，第1-10页，2016年6月。
[15] 兰·R。；周，Y。；刘，Z。；Luo，X.，视觉识别的先验知识概率协作表示，IEEE Trans。赛博。，50,1498-1508（2020年4月）
[16] Krizhevsky，A。；Sutskever，I。；Hinton，G.E.，用深度卷积神经网络进行Imagenet分类，（神经信息处理系统进展（2012）），1097-1105
[17] 黄，G。；刘，Z。；普莱斯，G。；Van Der Maaten，L。；Weinberger，K.，《具有稠密连通性的卷积网络》，IEEE Trans。模式分析。机器。智力。(2019), 1-1
[18] Chen，C.L.P。；Liu，Z.L.，《广泛学习系统：无需深层架构的高效增量学习系统》，IEEE Trans。神经网络学习。系统。，29, 1, 10-24 (2018)
[19] Chen，C.L.P。；刘，Z.L。；Feng，S.，广义学习系统的通用逼近能力及其结构变化，IEEE Trans。神经网络学习。系统。，99, 1-14 (2018)
[20] 聂立群、宋晓霞和蔡楚瑜，《从多重社交网络中学习》（Learning from Multiple Social Networks）。摩根&克莱普尔，2016年。[在线]。可用：https://ieeexplore.ieee.org/document/7464095。
[21] 张，L。；Li，J.等人。；卢，G。；沈，P。；Bennamoun，M。；沙阿，S.A.A。；苗，Q。；朱，G。；李，P。；Lu，X.，《广义学习系统的分析和变体》，IEEE Trans。系统。网络人：系统。，1-11 (2020)
[22] Feng，S。；Chen，C.L.P。；徐，L。；Liu，Z.关于模糊广义学习系统的精度-复杂性权衡，IEEE Trans。模糊系统。(2020), 1-1
[23] 杜，J。；Vong，C.M。；Chen，C.L.P.，新型高效rnn和lstm-like体系结构：递归和门限广义学习系统及其在文本分类中的应用，IEEE Trans。赛博。，1-12 (2020)
[24] 于伟（Yu，W.）。；Zhao，C.，具有增量学习能力的基于广义卷积神经网络的工业过程故障诊断，IEEE Trans。工业。电子。，67,65081-5091（2020年6月）
[25] Jin，J.W。；Chen，C.L.P.，不确定数据建模的正则化鲁棒广义学习系统，神经计算，32258-69（2018）
[26] Chu，F。；Liang，T。；Chen，C.L.P。；王，X。；Ma，X.，加权广义学习系统及其在非线性工业过程建模中的应用，IEEE Trans。神经网络学习。系统。，1-15 (2019)
[27] 郑毅。；陈，B。；王，S。；王伟，基于最大相关熵准则的广义学习系统，IEEE Trans。神经网络学习。系统。，1-15 (2020)
[28] 赵，H。；郑洁。；邓，W。；Song，Y.，基于流形正则化和广义网络的半监督广义学习系统，IEEE Trans。电路系统。我是Regul。爸爸。，67,3983-994（2020年3月）·Zbl 1468.68178号
[29] Jin，J。；李，Y。；Chen，C.L.P.，基于鲁棒广义学习系统的带损坏标记的模式分类，IEEE Trans。知识。数据工程（2021），1-1
[30] 田，Y。；王凯。；Oluic，M。；甘哈里，M。；徐，J。；Li，G.J.，基于广义学习的多状态暂态稳定边界的构建，IEEE Trans。电力系统。(2020), 1-1
[31] Sheng，B。；李，P。；Zhang，Y。；毛，L。；Chen，C.L.P.，Greensea:使用广泛学习系统进行视觉足球分析，IEEE Trans。赛博。，1-15 (2020)
[32] Yang，Y。；高，Z。；李，Y。；蔡，Q。；北卡罗来纳州马尔旺。；Kurths，J.，一个基于复杂网络的广泛学习系统，用于从脑电图信号中检测驾驶员疲劳，IEEE Trans。系统。网络人：系统。，1-9 (2019)
[33] 施，Z。；陈，X。；赵，C。；He，H。；斯图普恩，V。；Wu，D.，灵长类动眼神经决策解码多视点广义学习系统，IEEE Trans。神经系统。Rehabil.Eng.，28，9，1908-1920（2020年9月）
[34] S.Feng、W.Ren、M.Han和Y.W.Chen，《用于大规模噪声混沌时间序列预测的鲁棒流形广义学习系统：扰动视角》，神经网络117（2019年9月），第179-190页·Zbl 1441.62232号
[35] 邱，T。；刘，X。；周，X。；曲，W。；宁，Z。；Chen，C.L.P.，具有半监督广泛学习的自适应社交垃圾邮件发送者检测模型，IEEE Trans。知识。数据工程（2020），1-1
[36] L.Nie、L.Zhang、Y.Yang、M.Wang、R.Hong和T.S.Chua，《超越医生：多媒体和多模态观察的未来健康预测》，2015年10月，第591-600页。
[37] J.Liu、S.Ji和J.Ye，通过有效的l2，1-范数最小化实现多任务特征学习，载于《第二十五届人工智能不确定性会议论文集》。AUAI出版社，2009年，第339-348页。
[38] 蔡，X。；丁，C。；聂，F。；Huang，H.，关于低阶线性回归和基于线性判别分析的回归的等价性，（第19届ACM SIGKDD知识发现和数据挖掘国际会议论文集，ACM（2013）），1124-1132
[39] Wang，Y。；Tan，Y·P。；Tang，Y.Y。；陈，H。；邹，C。；Li，L.，多类分类的广义和判别式协同表示，IEEE Trans。赛博。，1-12 (2020)
[40] 纳西姆，I。；托涅里，R。；Bennamoun，M.，人脸识别的线性回归，IEEE Trans。模式分析。机器。智力。，32, 11, 2106-2112 (2010)
[41] L.Zhang、M.Yang和X.Feng，稀疏表示或协作表示：哪一种有助于人脸识别？摘自：计算机视觉（ICCV），2011年IEEE国际会议，IEEE，2011年，第471-478页。
[42] 黄，G.B。；朱庆云。；Siew，C.K.，《极限学习机器：理论与应用》，神经计算，70,1489-501（2006）
[43] Wen，J。；Xu，Y。；李，Z。；马，Z。；Xu，Y.，基于类间稀疏性的判别最小二乘回归，神经网络，102，36-47（2018）·兹比尔1439.62163
[44] 宋，X。；聂，L。；张，L。；刘，M。；Chua，T.-S.，通过结构约束多源多任务学习进行兴趣推断，（第二十届国际人工智能联合会议论文集（ijcai）（2015）），2371-2377
[45] Z.Zhang，Z.Lai，Y.Xu，L.Shao，J.Wu，G.-S.Xie，判别弹性网正则化线性回归，IEEE Trans。图像处理。，PP卷，第1-1页，2017年1月·Zbl 1409.94783号
[46] J.Xu、W.An、L.Zhang和D.Zhang，稀疏、协作或非负表征：哪些有助于模式分类？模式识别。88（2019年），第679-688页。[在线]。可用：http://www.sciencedirect.com/science/article/pii/S003132031830445X。
[47] G.E.Hinton和R.R.Salakhutdinov，用神经网络降低数据的维数，《科学》313（5786）（2006年7月28日），第504-507页·Zbl 1226.68083号
[48] R.Salakhutdinov和G.Hinton，《Deep boltzmann机器》，Proc。AISTATS 2009年5月（2009年1月），第448-455页·Zbl 1247.68223号
[49] Tang，J。；邓，C。；Huang，G.，多层感知器的极限学习机，IEEE Trans。神经网络学习。系统。，27,4809-821（2016年4月）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。