-
公开(公告)号：CN114266307B
公开(公告)日：2024-08-09
申请号：CN202111569080.9
申请日：2021-12-21
Applicant: 复旦大学
Abstract: 本发明提供一种基于非零均值漂移参数并行识别噪声样本的方法，利用含有非零均值漂移参数的线性回归模型对训练数据集中样本的特征矩阵以及标签矩阵进行拟合，并求解对应的非零均值漂移参数的解路径，并基于解路径选取识别出噪声样本，因此，本发明的方法能够在含噪学习中并行识别出多个噪声样本，并将噪声样本剔除出训练数据集，降低训练数据集中的噪声样本的比例，从而达到帮助模型训练，提升模型的性能的效果。本发明的方法由于同时基于特征空间以及标签空间，因此，相较于仅基于特征空间或仅基于标签空间的现有识别方法，识别准确度更高。此外，本发明的方法还具有较好的鲁棒性和算法泛用性。
-
公开(公告)号：CN114266307A
公开(公告)日：2022-04-01
申请号：CN202111569080.9
申请日：2021-12-21
Applicant: 复旦大学
Abstract: 本发明提供一种基于非零均值漂移参数并行识别噪声样本的方法，利用含有非零均值漂移参数的线性回归模型对训练数据集中样本的特征矩阵以及标签矩阵进行拟合，并求解对应的非零均值漂移参数的解路径，并基于解路径选取识别出噪声样本，因此，本发明的方法能够在含噪学习中并行识别出多个噪声样本，并将噪声样本剔除出训练数据集，降低训练数据集中的噪声样本的比例，从而达到帮助模型训练，提升模型的性能的效果。本发明的方法由于同时基于特征空间以及标签空间，因此，相较于仅基于特征空间或仅基于标签空间的现有识别方法，识别准确度更高。此外，本发明的方法还具有较好的鲁棒性和算法泛用性。
-
公开(公告)号：CN113657417A
公开(公告)日：2021-11-16
申请号：CN202010396591.4
申请日：2020-05-12
Applicant: 复旦大学
Abstract: 本发明提供一种基于附属参数判断无标签样本的推断结果可信度的方法，其特征在于，包括如下步骤：步骤S1，利用特征提取器提取有标签样本和无标签样本的特征，并将该特征降维；步骤S2，利用有标签样本训练分类模型；步骤S3，利用分类模型对无标签样本进行推断从而获得预测标签；步骤S4，根据有标签样本和含有预测标签的无标签样本构建含有附属参数的线性回归模型；步骤S5，将含有附属参数的线性回归模型进行转化；步骤S6，求解关于附属参数的线性回归模型的解路径，利用附属参数的稀疏程度得到每个无标签样本的可信程度；步骤S7，选取可信程度最高的部分无标签样本作为有标签样本重新训练分类模型；步骤S8，重复步骤S2‑S7直到所有无标签样本均被选取。
-
-
Search Results
3
records
(took 0.013 seconds)
