Restricted Boltzmann Machine with Multivalued Hidden Variables: a model suppressing over-fitting
ALBERT Inc.(阿尔伯特公司);Graduate School of Science and Engineering, Yamagata University(山形大学理工学研究生院)
泛化是机器学习中最重要的问题之一。在这项研究中,我们考虑在限制玻尔兹曼机(RBM)的推广。我们提出了一个多值隐变量的RBM,这是一个简单的扩展传统的RBM。我们证明了该模型是优于传统的模型,通过数值实验的对比发散学习与人工数据和分类问题与MNIST。
2020-01-08 cs.LG stat.ML
Conditional Restricted Boltzmann Machines for Structured Output Prediction
University of Toronto(多伦多大学)
条件限制玻尔兹曼机(CRBM)是一种丰富的概率模型,最近已被应用于广泛的问题,包括协同过滤,分类和建模运动捕捉数据。虽然在训练非条件RBM方面取得了很大进展,但这些算法不适用于条件模型,并且几乎没有关于训练和生成结构化输出问题的条件RBM预测的工作。我们首先认为,标准的基于对比发散的学习可能不适合训练CRBM。然后,我们确定两种不同类型的结构化输出预测问题,并提出了一种改进的学习算法。第一种问题类型是输出空间具有任意结构但可能的输出配置集合相对较小的问题,例如在多标签分类中。第二个问题是输出空间是任意结构的,但输出空间的可变性要大得多,例如在图像去噪或像素标记中。我们表明,新的学习算法可以更好地工作比对比发散这两种类型的问题。
2012-02-14 cs.LG stat.ML
Learning Feature Hierarchies with Centered Deep Boltzmann Machines
Korea University(高丽大学)
深度玻尔兹曼机原则上是提取数据层次结构的强大模型。不幸的是,联合训练层的尝试(没有贪婪的逐层预训练)在很大程度上是不成功的。我们提出了一个修改的学习算法,最初重新中心的激活函数的输出为零。这种修改导致更好的条件海森,从而使学习更容易。我们在真实数据上测试了该算法,并证明了我们的建议,即中心深度玻尔兹曼机,学习了一个越来越抽象的表示层次和一个更好的数据生成模型。
2012-03-16 cs.AI cs.LG stat.ML
Robust Multi-Output Learning with Highly Incomplete Data via Restricted Boltzmann Machines
Laboratoire de Recherche en Informatique(计算机研究实验室);Université Paris-Sud(巴黎南大学);CNRS(法国国家科学研究中心);INRIA(法国国家信息与自动化研究所);Symmantec
在标准的多输出分类场景中,训练数据的特征和标签都被部分地观察到。由于传感器或数据库故障、众包和工业数据分析服务中的嘈杂通信渠道,这个具有挑战性的问题被广泛目睹。处理监督信息不完整的多输出分类的经典方法通常将问题分解为重建缺失训练信息的插补阶段和基于插补训练集构建分类器的学习阶段。这些方法无法充分利用特征和标签之间的依赖关系。为了充分利用这些依赖关系,我们考虑一个纯粹的概率设置,其中的功能插补和多标签分类问题联合解决。事实上,我们证明了一个简单的限制玻尔兹曼机可以用一个基于平均场方程的自适应算法来训练,以有效地解决归纳和转换学习的问题,其中特征和标签都是随机缺失的。该方法的有效性在各种数据集上得到了实证证明,特别关注现实世界的物联网安全数据集。
2019-12-19 cond-mat.dis-nn cs.LG stat.ML
Modeling Activity Tracker Data Using Deep Boltzmann Machines
University of Freiburg(弗莱堡大学)
商业活动跟踪器将成为健康研究中的一个重要工具,因为它在普通人群中的可用性越来越高。相应的大量大部分未标记的数据对统计建模方法构成了挑战。为了研究深度学习方法用于无监督学习的可行性,我们使用深度玻尔兹曼机(DBMs)检查了Fitbit活动跟踪器的每周使用模式。该方法特别适合于通过潜变量对复杂的联合分布进行建模。我们还选择了这个特定的程序,因为它是一种生成方法,即,可以生成人工样本来探索所学习的结构。我们描述了如何对数据进行预处理,以与二进制DBMs兼容。结果显示了两种不同的使用模式,其中一组在周一和周二经常使用跟踪器,而另一组在整个星期都使用跟踪器。该示例性结果表明DBM是可行的,并且可以用于对活动跟踪器数据进行建模。
2018-02-28 cs.LG stat.ML
Modeling Documents with Deep Boltzmann Machines
University of Toronto(多伦多大学)
我们介绍了一个深度玻尔兹曼机模型,适用于建模和提取潜在的语义表示,从一个大型的非结构化的文档集合。我们克服了明显的困难,训练DBM与明智的参数绑定。该参数绑定实现了有效的预训练算法和辅助推理的状态初始化方案。该模型可以像标准的受限玻尔兹曼机一样有效地训练。我们的实验表明,该模型分配更好的日志概率看不见的数据比复制Softmax模型。从我们的模型中提取的特征在文档检索和文档分类任务上优于LDA,Replicated Softmax和DocNADE模型。
2013-09-26 cs.IR cs.LG stat.ML
Structural Restricted Boltzmann Machine for image denoising and classification
Intelligent Systems Group(智能系统组)
针对传统受限玻尔兹曼机参数过多的问题,提出基于图像像素空间邻域约束隐藏单元连接的结构化RBM,在图像去噪和分类任务上实现了更快更稳定的训练和更优性能。
2023-06-16 cs.CV stat.ML
On-the-Fly Joint Feature Selection and Classification
University at Albany, SUNY(纽约州立大学奥尔巴尼分校)
联合特征选择和分类在线设置是至关重要的时间敏感的决策。然而,大多数现有的方法单独对待这个耦合问题。具体而言,在线特征选择方法可以离线处理流特征或数据实例,以产生用于分类的固定特征集,而在线分类方法使用关于特征空间的全部知识对传入实例进行分类。然而,所有现有的方法利用一组特征,共同的所有数据实例,分类。相反,我们提出了一个框架来执行联合特征选择和分类的飞行,以便最大限度地减少每个数据实例评估的特征数量,并最大限度地提高分类精度。我们推导出相关的优化问题的最优解,并分析其结构。基于最优解及其性质,提出了两种算法ETANA和F-ETANA。我们在几个公共数据集上评估了所提出的算法的性能,证明了(i)所提出的算法在最先进的技术水平上的优势,以及(ii)它对广泛的应用领域的适用性,包括临床研究和自然语言处理。
2020-04-21 cs.LG stat.ML
Joint Binary Neural Network for Multi-label Learning with Applications to Emotion Classification
Nanjing University of Science and Technology(南京理工大学)
近年来,深度学习技术由于其自动表示学习能力和端到端学习框架而在多标签分类中取得了成功。现有的用于多标签分类的深度神经网络可以分为两类:二进制相关神经网络(BRNN)和阈值依赖神经网络(TDNN)。然而,前者需要训练一组孤立的二进制网络,忽略了标签间的依赖关系,计算量大;而后者需要额外的阈值函数机制将多类概率转换为多标签输出。在本文中,我们提出了一个联合二进制神经网络(JBNN),以解决这些缺点。在JBNN中,文本的表示被馈送到一组逻辑函数而不是softmax函数,并且在一个神经网络框架中同步执行多个二进制分类。此外,标签之间的关系是通过训练联合二进制交叉熵(JBCE)损失来捕获的。为了更好地满足多标签情感分类,我们进一步提出了将先验标签关系纳入JBCE损失。在基准数据集上的实验结果表明,我们的模型在分类性能和计算效率方面都明显优于最先进的多标签情感分类方法。
2018-02-03 cs.LG stat.ML
Training Restricted Boltzmann Machines on Word Observations
University of Toronto(多伦多大学);Harvard University(哈佛大学);Université de Sherbrooke(舍布鲁克大学)
受限玻尔兹曼机(RBM)是一种灵活的工具,复杂的数据建模,但有显着的计算困难,使用RBM模型高维多项式观测。在自然语言处理应用中,单词自然地由K元离散分布建模,其中K由词汇大小确定并且可以很容易地以数十万计。传统的基于单词观测训练RBM的方法是有限的,因为它需要在块吉布斯更新期间对K路softmax可见单元的状态进行采样,这是一种在K中进行时间线性的操作。在这项工作中,我们解决这个问题,采用更一般的一类马尔可夫链蒙特卡罗算子的可见单位,产生更新的计算复杂性独立于K。我们证明了我们的方法的成功,通过使用比以前可行的更大的词汇表在数亿个单词n-gram上训练RBM,并使用学习的功能来提高分块和情感分类任务的性能,在后者上实现最先进的结果。
2012-07-05 cs.LG stat.ML
Classifications in modular restricted Boltzmann machines
Dipartimento di Matematica, Sapienza Università di Roma(罗马大学数学系);GNFM, Istituto Nazionale di Alta Matematica Francesco Severi (INdAM)(高等数学弗朗切斯科·塞韦里国家研究所);CNR-Nanotec, Unità di Lecce(莱切分部纳米技术研究中心)
本文研究模块化受限玻尔兹曼机,利用Hopfield模型与RBM的对偶性,通过反Hebbian耦合实现模式解缠,并训练网络进行联合分类与解缠任务。
2026-10-07 cond-mat.dis-nn stat.ML
Joint Classification and Prediction CNN Framework for Automatic Sleep Stage Classification
Institute of Biomedical Engineering, University of Oxford(牛津大学生物医学工程研究所)
正确识别睡眠阶段对于诊断和治疗睡眠障碍非常重要。这项工作提出了一种基于CNN的联合分类和预测框架,用于自动睡眠分期,随后,引入了一种简单而有效的CNN架构来为框架提供动力。给定单个输入时期,新框架在上下文输出中联合确定其标签(分类)及其相邻时期的标签(预测)。虽然所提出的框架是正交的广泛采用的分类方案,它需要一个或多个时代作为上下文输入,并产生一个单一的分类决策的目标时代,我们证明了它的优势,在几个方面。首先,它利用了连续睡眠时期之间的依赖性,同时超越了常见分类方案所遇到的问题。其次,即使是一个单一的模型,该框架有能力产生多个决定,这是必不可少的,以获得良好的性能,在集成模型的方法,很少引起的计算开销。概率聚合技术,然后提出利用多个决策的可用性。我们在两个公共数据集上进行了实验:Sleep-EDF Expanded有20名受试者,Montreal Archive of Sleep Studies有200名受试者。建议的框架产生的总体分类准确率分别为82.3%和83.6%。我们还表明,该框架不仅优于基于常见分类方案的基线,而且优于现有的深度学习方法。据我们所知,这是第一个超越标准单输出分类的工作,考虑多任务神经网络自动睡眠分期。该框架为进一步研究自动睡眠分期的不同神经网络架构提供了途径。
2019-02-02 cs.LG stat.ML
Joint & Progressive Learning from High-Dimensional Data for Multi-Label Classification
German Aerospace Center (DLR)(德国航空航天中心);Technical University of Munich(慕尼黑工业大学);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心)
尽管非线性子空间学习技术(例如流形学习)已成功应用于数据表示,但在可解释性(显式映射)、泛化(样本外)和成本效益(线性化)方面仍有改进的空间。为此,一种新的线性化子空间学习技术的联合和渐进的方式,称为\textbf{j} oint和\textbf{p}渐进的\textbf{l} earning str \textbf{a} teg \textbf{y}(J-Play),其应用到多标签分类。J-Play通过以下方式从高维数据中学习高级和语义上有意义的特征表示:1)联合执行多个子空间学习和分类以找到期望样本被更好分类的潜在子空间; 2)渐进学习多耦合投影以线性地接近桥接原始空间与最具区分力的子空间的最佳映射; 3)在每个可学习的潜在子空间中局部嵌入流形结构。大量的实验证明了该方法的优越性和有效性与以前的国家的最先进的方法相比。
2018-08-15 cs.LG stat.ML
Improved Classification Based on Deep Belief Networks
Northwestern University(西北大学)
为了更好地分类,生成模型用于在训练分类器之前初始化模型和模型特征。通常需要解决单独的无监督和监督学习问题。生成限制玻尔兹曼机和深度信念网络被广泛用于无监督学习。为了改进这种两阶段策略,我们开发了几种基于DBN的监督模型。修改损失函数,以考虑到相对于底层生成模型的期望,引入权重界限,和多级编程应用在模型开发。所提出的模型有效地捕获了无监督和有监督的目标。计算研究验证了我们的模型比两阶段训练方法更好。
2019-08-12 cs.LG stat.ML
Why Pay More When You Can Pay Less: A Joint Learning Framework for Active Feature Acquisition and Classification
我们考虑主动特征获取的问题,在这里我们顺序地选择特征的子集,以便以最具成本效益的方式实现最大的预测性能。在这项工作中,我们制定这个主动特征获取问题作为一个强化学习问题,并提供了一个新的框架,共同学习的RL代理和分类器(环境)。我们还介绍了一种更系统的方法来编码特征子集,可以正确处理主动特征获取问题中缺少条目的固有挑战,该方法使用基于有序LSTM的集合编码机制,该机制很容易适应联合学习框架。我们在一个精心设计的用于主动特征获取的合成数据集以及几个真实数据集(如电子健康记录(EHR)数据集)上评估了我们的模型,在这些数据集上,它在预测性能和特征获取成本方面优于所有基线。
2017-09-18 cs.LG stat.ML
Multi-layered Discriminative Restricted Boltzmann Machine with Untrained Probabilistic Layer
Yamagata University(山形大学)
极限学习机(ELM)是具有未训练参数的三层前馈神经网络,所述未训练参数在训练之前随机确定。受ELM思想的启发,提出了一种称为概率ELM(probabilistic-ELM,PELM)层的概率未训练层,并将其与判别限制玻尔兹曼机(discriminative restricted Boltzmann machine,DRBM)相结合,DRBM是一种用于解决分类问题的概率三层神经网络。所提出的模型是通过在PELM层上堆叠DRBM而获得的。所得到的模型(即,多层DRBM(MDRBM))形成概率四层神经网络。在MDRBM中,PELM层中的参数可以使用Gaussian-Bernoulli限制Boltzmann机来确定。由于PELM层,MDRBM获得了对输入噪声的强免疫力,这是MDRBM最重要的优点之一。使用一些基准数据集,MNIST,时尚MNIST,城市土地覆盖,和CIFAR-10的数值实验表明,MDRBM优于其他现有的模型,特别是在噪声鲁棒性(或,换句话说,泛化属性)。
2022-10-27 cs.AI cs.LG stat.ML
Fast MVAE: Joint separation and classification of mixed sources based on multichannel variational autoencoder with auxiliary classifier
University of Tsukuba(筑波大学);NTT Communication Science Laboratories, NTT Corporation(日本电报电话公司NTT通信科学实验室)
本文提出了一种新的多通道变分自编码器(MVAE)算法,最近提出的多通道声源分离方法。虽然MVAE在其令人印象深刻的声源分离性能、保证收敛的优化算法以及它允许我们与声源分离同时估计源类别标签方面是值得注意的,但是仍然存在两个主要缺点,即,高的计算复杂性和不令人满意的源分类精度。为了克服这些缺点,所提出的方法采用辅助分类器VAE(条件VAE的信息论扩展)来学习源谱图的生成模型。此外,与训练的辅助分类器,我们引入了一种新的算法的优化,不仅能够减少计算时间,但也提高了源分类性能。我们称所提出的方法为“快速MVAE(fMVAE)"。实验结果表明,fMVAE的声源分离性能与MVAE相当,源分类正确率约为80%,计算时间减少约93%.
2019-02-13 cs.LG stat.ML
Sparse Group Restricted Boltzmann Machines
由于玻尔兹曼机的学习通常非常缓慢,因此需要限制隐藏层内的连接。然而,隐藏单元的结果状态表现出统计依赖性。基于这一观察,我们建议使用$l_1/l_2$正则化的激活可能性的限制玻尔兹曼机的隐藏单元,以捕捉本地的依赖关系之间的隐藏单元。这种正则化不仅鼓励许多组中的隐藏单元在给定观测数据的情况下不活动,而且还使组内的隐藏单元相互竞争以建模观测数据。因此,RBM上的$l_1/l_2$正则化在组和隐藏单元级别上都产生稀疏性。我们将用正则化器\emph{sparse group}训练的RBM称为RBM。所提出的稀疏组RBM被应用于三个任务:自然图像的补丁建模,手写数字建模和预处理用于分类任务的深度网络。此外,我们说明正则化也可以应用于深度玻尔兹曼机,这导致稀疏群深度玻尔兹曼机。当适应的MNIST数据集,一个两层稀疏群玻尔兹曼机实现了$0.84\%$,这是,据我们所知,最好的公布结果的置换不变版本的MNIST任务的错误率。
2010-08-30 stat.ML
A Deterministic and Generalized Framework for Unsupervised Learning with Restricted Boltzmann Machines
OWKIN, Inc.(OWKIN公司);École Normale Supérieure, PSL University(巴黎文理研究大学巴黎高等师范学院);Snips(Snips公司);Université Pierre et Marie Curie, Sorbonne Universités(索邦大学皮埃尔与玛丽·居里大学);LightOn(LightOn公司)
受限玻尔兹曼机(RBM)是基于能量的神经网络,通常用作深度架构神经架构的构建块。在这项工作中,我们得出一个确定性的框架,培训,评估和使用RBM的Thouless-Anderson-Palmer(TAP)的平均场近似的广泛连接的系统与弱相互作用来自自旋玻璃理论的基础上。虽然TAP方法已被广泛研究的完全可见的二进制自旋系统,我们的建设推广到潜变量模型,以及任意分布的实值自旋系统有界支持。在我们的数值实验中,我们证明了我们提出的模型的有效的确定性训练,并能够显示出有趣的无监督学习的特点,不能直接观察到采样。此外,我们演示了如何利用我们的TAP为基础的框架,利用训练有素的RBM联合先验去噪问题。
2018-10-09 cond-mat.dis-nn cs.LG cs.NE
Joint Distribution Matters: Deep Brownian Distance Covariance for Few-Shot Classification
Dalian University of Technology(大连理工大学);Tianjin University(天津大学)
Few-Shot分类是一个具有挑战性的问题,因为每个新任务只给出很少的训练样本。解决这一挑战的有效研究路线之一集中在学习由查询图像和某类的少数支持图像之间的相似性度量驱动的深度表示。从统计学上讲,这相当于测量图像特征的依赖性,这些特征被视为高维嵌入空间中的随机向量。以前的方法要么只使用边缘分布,而不考虑联合分布,遭受有限的表示能力,或计算昂贵,虽然利用联合分布。在本文中,我们提出了一种深度布朗距离协方差(DeepBDC)方法的Few-Shot分类。DeepBDC的中心思想是通过测量嵌入特征的联合特征函数与边缘值的乘积之间的差异来学习图像表示。由于BDC度量是解耦的,我们将其制定为高度模块化和高效的层。此外,我们在两个不同的Few-Shot分类框架中实例化DeepBDC。我们在六个标准的Few-Shot图像基准上进行了实验,涵盖了一般目标识别,细粒度分类和跨域分类。广泛的评估表明,我们的DeepBDC显著优于同行,同时建立了新的最先进的结果。源代码可在http://www.peihuali.org/DeepBDC上获得
2022-04-09 cs.CV cs.LG stat.ML
Factorizable Joint Shift in Multinomial Classification
Independent Researcher, 8032 Zurich, Switzerland
可因子化联合移位(FJS)是最近提出的一种数据集移位类型,其完整特征可以通过称为联合重要性对齐的方法从测试数据集上的特征数据观测来估计。对于多项(多类)分类设置,我们推导出一个表示的factorizable联合移位的源(训练)分布,目标(测试)先验类概率和目标边缘分布的功能。在此结果的基础上,我们提出了替代联合重要性对齐,并在同一时间,指出,可因式分解的联合移位是不完全可识别的,如果没有类标签信息的测试数据集是可用的,没有额外的假设。本文的其他结果包括一般数据集移位和可因子分解联合移位下后验类概率的校正公式。此外,我们还研究了假设可因子分解的联合移位对样本选择引起的偏差的影响。
2022-09-16 cs.LG math.ST stat.ML
Conditional probability calculation using restricted Boltzmann machine with application to system identification
Departamento de Control Automatico CINVESTAV-IPN (National Polytechnic Institute)(自动控制系 CINVESTAV-IPN(国家理工学院))
本文利用受限玻尔兹曼机计算条件概率用于非线性系统辨识,通过二进制编码和连续值方法改进模型,提出通用逼近分析,验证在噪声大和系统动态复杂时方法优势。
2018-06-07 cs.LG cs.SY eess.SY
Improving Interpretability of Scores in Anomaly Detection Based on Gaussian-Bernoulli Restricted Boltzmann Machine
Graduate School of Science and Engineering, Yamagata University(山形大学理工学研究科)
针对GBRBM异常检测中分数不可解释导致阈值难以设定的问题,提出基于累积分布的可解释性度量与阈值设定准则,并利用模拟退火算法解决最小分数值的计算不可行评估。
2024-03-19 cs.AI cs.LG stat.ML
Multi Label Restricted Boltzmann Machine for Non-Intrusive Load Monitoring
Indrapratha Institute of Information Technology, Delhi(德里印德拉普拉斯塔信息技术学院)
人口增长表明,需要在住宅部门管理能源需求。先前的研究表明,如果向客户提供电器级反馈,客户往往会减少大量的能源消耗。这一发现增加了负载监控在当今技术娴熟的世界中的相关性。大多数以前提出的解决方案都声称可以在没有入侵的情况下执行负载监控,但它们并不是完全非入侵的。这些方法需要历史设备级数据来训练每个设备的模型。这些数据是通过在家中的每个电器上放置传感器来收集的,这会导致建筑物的入侵。最近的一些研究提出,如果我们将非侵入式负载监控(NILM)框架为多标签分类问题,则可以避免对设备级数据的需求。在本文中,我们提出了多标签限制玻尔兹曼机(ML-RBM)的NILM和报告的实验评估建议和国家的最先进的技术。
2019-10-17 cs.LG cs.NE eess.SP
A Joint Probabilistic Classification Model of Relevant and Irrelevant Sentences in Mathematical Word Problems
Purdue University(普渡大学);University of Colorado Denver(科罗拉多大学丹佛分校)
数学应用题的难易程度估计是许多教育应用的重要任务。数学应用题中相关句和不相关句的识别是计算应用题难度的重要步骤。本文提出了一种新的文本分类应用,以确定两种类型的句子在数学应用题,即相关和不相关的句子。提出了一种新的联合概率分类模型,该模型利用数学应用题中所有句子之间的相关性、问题句子与其他句子之间的相关性以及句子文本之间的相关性来估计数学应用题中所有句子的分类决策的联合概率。所提出的模型相比,i)一个SVM分类器,使独立的分类决策,为个别句子,只使用句子文本和ii)一种新的SVM分类器,认为问题句子和其他句子之间的相关性以及句子文本。一组广泛的实验证明了联合概率分类模型的有效性,用于识别相关和不相关的句子,以及新的SVM分类器,利用问题句子和其他句子之间的相关性。此外,实证结果和分析表明,i)不去除停用词是非常有益的,并且ii)利用词性标注并没有做出显著的改进,尽管它已经被证明对于数学单词问题类型分类的相关任务是有效的。
2014-11-21 cs.CL cs.IR cs.LG
An unsupervised bayesian approach for the joint reconstruction and classification of cutaneous reflectance confocal microscopy images
本文研究了一种新的贝叶斯算法,用于反射共焦显微镜(RCM)图像的联合重建和分类,并将其应用于人体皮肤雀斑的识别。所提出的贝叶斯方法利用乘性散斑噪声的分布影响这些图像的真实反射率和适当的先验未知的模型参数。提出了一种马尔可夫链蒙特卡罗(MCMC)算法,在根据图像的反射率分布对图像进行分类的同时,联合估计模型参数和图像的真实反射率。准确地说,Metropolis-whitin-Gibbs采样器进行了研究,以采样与RCM图像相关的贝叶斯模型的后验分布,并建立其参数的估计,包括指示每个RCM图像的类的标签。所得到的算法被应用到合成数据和包含健康和雀斑患者的临床研究的真实图像。
2017-03-04 stat.ML
Neural Networks for Joint Sentence Classification in Medical Paper Abstracts
MIT(麻省理工学院)
现有的基于人工神经网络(ANN)的句子分类模型通常不包含句子出现的上下文,并单独对句子进行分类。然而,传统的句子分类方法已被证明大大受益于联合分类后续句子,如条件随机场。在这项工作中,我们提出了一个人工神经网络架构,结合了典型的人工神经网络模型的有效性,孤立地对句子进行分类,结构化预测的强度。我们的模型在两个不同的数据集上实现了最先进的结果,用于医学摘要中的顺序句子分类。
2016-12-15 cs.AI cs.CL cs.NE
Joint-ViVo: Selecting and Weighting Visual Words Jointly for Bag-of-Features based Tissue Classification in Medical Images
医学图像中感兴趣区域(ROI)的组织类型自动分类是计算机辅助诊断(CAD)中的一个重要应用,如乳腺X线照片中的乳腺实质组织分类、高分辨率计算机断层扫描(HRCT)中的肺部疾病模式分类等。在本文中,我们研究使用袋的功能策略,在医学成像应用中的组织类型进行分类。这里考虑了两个重要的问题:视觉词汇学习和加权。虽然已经有很多算法来处理它们,但它们都是独立处理的,即先学习词汇,然后直方图加权。受联合学习特征和分类器的Auto-Context的启发,我们尝试开发一种联合学习词汇和权重的新颖算法。新算法称为Joint-ViVo,以迭代方式工作。在每次迭代中,我们首先通过最大化ROI三元组的边缘来学习每个视觉词的权重,然后基于学习到的权重为下一次迭代选择最有区别的视觉词。我们测试我们的算法在三个组织分类任务:识别脑组织类型的磁共振成像(MRI),分类肺组织的HRCT图像,并分类乳腺组织密度在乳房X线照片。实验结果表明,Joint-ViVo算法能够有效地对组织进行分类。
2013-04-05 cs.CV stat.ML
Cooperative Multi-Task Semantic Communication for Joint Classification and Regression Tasks
University of Bremen(不来梅大学)
本文将协作多任务语义通信(CMT-SemCom)框架扩展至Cityscapes数据集,采用InfoMax原则处理异构分类与回归任务,经评估其性能显著优于多种基准方法。
2026-09-04 cs.LG eess.IV eess.SP