公开(公告)号：CN116541704A

公开(公告)日：2023-08-04

申请号：CN202310474434.4

申请日：2023-04-27

Applicant: 桂林电子科技大学

Inventor： 魏黄曌 ,  刘振丙

IPC: G06F18/214 ,  G06F18/2413 ,  G06F17/16 ,  G06N3/0895

Abstract: 本发明公开一种多类噪声分离的偏标记分类方法，所述方法包括：首先通过迭代传播技术得到最初的正确标签，然后充分识别现实中的不同噪声(脉冲噪声和高斯噪声)，由此建立不同噪声分类器，并在最后分离出所对应的噪声，保有真实标签分类器完成真值标签的识别。本发明中构建的多类噪声分离框架，解决目前偏标记学习中多类噪声的问题，提高了偏标记学习在分类精度上的性能，同时还提高了偏标记学习算法的泛化性能。

公开(公告)号：CN116543226A

公开(公告)日：2023-08-04

申请号：CN202310569953.9

申请日：2023-05-19

Applicant: 桂林电子科技大学

Inventor： 刘振丙 ,  吴峰峰 ,  宋明望 ,  魏黄曌

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/94 ,  G06N3/092 ,  G06N3/096 ,  G06N3/098 ,  G06N3/0464

Abstract: 本发明公开了一种基于联邦学习和迁移学习的医学图像分类方法，在联邦学习中，由于数据异构性，中央服务器分发的全局模型直接替换本地模型会消除本地模型学习到的知识，并在下一轮迭代中降低其优化效果。本发明拟在本地训练阶段引入增强迁移学习的方法，其在本地模型中更新的步骤主要如下：首先，本方法将本地模型视为源域，全局模型视为目标域，目的是为了让全局模型学习到本地模型的局部知识，避免引起全局模型的性能倒退问题；其次，本方法会让全局模型和本地模型进行相互学习，交换全局知识和本地知识；最后，本方法将全局模型视为源域，本地模型视为目标域，使得全局知识能够最大程度地转移到本地模型中。

公开(公告)号：CN116680593A

公开(公告)日：2023-09-01

申请号：CN202310473432.3

申请日：2023-04-27

Applicant: 桂林电子科技大学

Inventor： 刘振丙 ,  魏黄曌

IPC: G06F18/24 ,  G06F18/214 ,  G06F17/16 ,  G06N20/20

Abstract: 本发明公开一种多感知去噪的分类方法，所述方法包括：首先通过图形构建特征空间中的信息，并使用构建的图执行通用标签迭代学习以获得具有特征感知的分类器；再通过分离标签空间中的噪声标签获取真实标签的多类分类器；最后完成未知示例标签预测。本发明中构建的多感知去噪框架，综合解决目前偏标记学习中特征空间和标签空间利用不充分的问题，在此基础上进行噪声分离下的真值标签增强，提高了偏标记学习在分类精度上的性能，同时还提高了偏标记学习算法的泛化性能。