<acronym id="aaokl"><label id="aaokl"><menu id="aaokl"></menu></label></acronym>
  • <track id="aaokl"><strike id="aaokl"></strike></track>

    <big id="aaokl"></big>
  • <table id="aaokl"></table>
        <p id="aaokl"><label id="aaokl"></label></p>
      1. <tr id="aaokl"><label id="aaokl"></label></tr>

        我院蔣良孝教授指導的博士研究生張文鈞在CCF-A英文期刊《SCIENCE CHINA Information Sciences》上發表論文

        發布人:石劍峰發表時間:2023-08-18點擊:

        近日,我院“數據挖掘與機器學習”團隊(CUG-Miner)張文鈞博士以第一作者身份在CCF-A英文期刊《SCIENCE CHINA Information Sciences》上發表了題為“FNNWV: Farthest-Nearest Neighbor-based Weighted Voting for Class-Imbalanced Crowdsourcing”的研究成果。

        論文的工作主要聚焦于處理類不平衡眾包場景下的標記集成任務。最近的研究表明,在標記集成時考慮被推斷實例的最近鄰居的信息,有助于取得更加良好的集成效果。然而,當眾包任務滿足類不平衡時,由于任務中負類實例居多,負類實例更容易出現在被推斷實例的最近鄰居中,最終導致最近的標記集成算法更容易偏向負類。為此,研究提出了一個新穎的標記集成算法FNNWV,來處理類不平衡眾包場景下的標記集成任務。FNNWV認為最近鄰居與被推斷實例更相似,因此在加權投票中使用它們投贊成票。相反,FNNWV認為最遠鄰居與被推斷實例更不同,因此在加權投票中使用它們投反對票。由于負類實例同時容易出現在最近鄰居和最遠鄰居中,因此FNNWV可以通過投贊成票和反對票的方式來削弱負類實例的影響。經實驗驗證,與現有最先進的標記集成算法相比,FNNWV在處理類不平衡的眾包任務時,可以取得更加良好的集成效果。同時,即使面對類平衡的眾包任務,FNNWV的集成效果也可以與現有最先進的標記集成算法相媲美。

        FNNWV的算法示意圖

        論文鏈接:http://engine.scichina.com/doi/10.1007/s11432-023-3854-7

        通訊員:牟揚

        審核:曾德澤

        校對:石劍峰

        亚州春色AV无码专区_91精品国产丝袜白色高跟鞋_r级无码专区在线电影
        <acronym id="aaokl"><label id="aaokl"><menu id="aaokl"></menu></label></acronym>
      2. <track id="aaokl"><strike id="aaokl"></strike></track>

        <big id="aaokl"></big>
      3. <table id="aaokl"></table>
            <p id="aaokl"><label id="aaokl"></label></p>
          1. <tr id="aaokl"><label id="aaokl"></label></tr>