摘要：多标签学习是一种非常重要的机器学习范式.传统的多标签学习方法是在监督或半监督的情况下设计的.通常情况下,它们需要对所有或部分数据进行准确的属于多个类别的标注.在许多实际应用中,拥有大量标注的标签信息往往难以获取,限制了多标签学习的推广和应用.与之相比,标签相关性作为一种常见的弱监督信息,它对标注信息的要求较低.如何利用标签相关性进行多标签学习,是一个重要但未研究的问题.提出了一种利用标签相关性作为先验的弱监督多标签学习方法(WSMLLC).该模型利用标签相关性对样本相似性进行了重述,能够有效地获取标签指示矩阵;同时,利用先验信息对数据的投影矩阵进行约束,并引入回归项对指示矩阵进行修正.与现有方法相比,WSMLLC模型的突出优势在于:仅提供标签相关性先验,就可以实现多标签样本的标签指派任务.在多个公开数据集上进行实验验证,实验结果表明:在标签矩阵完全缺失的情况下,WSMLLC与当前先进的多标签学习方法相比具有明显优势.

摘要：随着收集和存储数据的能力不断提高,真实数据通常由不同的表现形式(视图)组成。因此多视图学习在机器学习与模式识别领域中扮演着重要的角色。近年来,多种多视图学习方法被提出并应用于不同的实际场景中。然而,在目标函数中大部分数据点存在平方残差,少数误差较大的离群点很容易令目标函数失效,因此如何处理冗余数据是多视图学习面临的重要挑战。为解决上述问题,提出一种鲁棒自加权的多视图子空间聚类模型。该模型利用Frobenius范数来处理数据的平方误差的同时利用ℓ1范数来处理数据的离群点,有效地平衡了离群点与普通数据点对性能的影响。此外,与通过引入超参数来衡量不同视图对模型的影响的传统方法不同,该模型自动学习了每个视图的权重。由于该模型是一个非光滑非凸问题,很难直接求解,设计了一个有效的算法并分析了算法的收敛性和计算复杂度。相比于传统的多视图子空间聚类算法,在多个多视图数据集上的实验结果表明了算法的有效性。

摘要：标记分布学习是在以标记分布标注的示例上学习的新型学习范式,近年来已成功应用于面部年龄估计、头部姿势估计和情感识别等实际场景中。在标记分布学习中,需要足够多的标记分布数据才能训练出预测性能好的模型。然而,标记分布学习有时会面临标记数据不足和注释成本太高的困境。基于边际概率分布匹配的主动标记分布学习(Active Label Distribution Learning Based on Marginal Probability Distribution Matching,ALDL-MMD)算法是针对标记分布学习注释成本过高的问题而设计的,以减少训练模型所需的标注数据量,从而降低注释成本。ALDL-MMD算法训练了一个线性回归模型,在保证其训练误差最小的同时,学习一个反映未标记数据上选点需求的稀疏向量,使选点后的训练集和未标记集的数据分布尽量相似,并对这个向量做松弛化处理,以简计算。在多个标记分布数据集上的实验结果表明,在“Canberra Metric”和“Intersection”这两个衡量标记分布的指标上,ALDL-MMD算法优于已有的主动示例选择方法,体现了其在降低注释成本方面的有效性。

摘要：在某运载火箭研制阶段,海南发射场地面风统计数据表明,实测地面风速远大于内陆发射场地面最大风速10m/s的设计指标,这对火箭的设计和适应性都带来较大影响。为确保火箭转场过程中的安全,某火箭在发射平台脐带塔和火箭级间段之间增加防风减载装置,以降低芯一级尾部弯矩载荷,保证结构安全。通过试验验证,增加防风减载装置后,弯矩和位移分别能够减小48%和60%,减载效果达到设计目的。

摘要：目前急性髓系白血病(AML)主要根据细胞遗传学及分子生物学两方面进行预后分层[1],对于预后中高危的年轻患者推荐进行异基因造血干细胞移植(allo-HSCT)以提高长期生存,对于预后良好组患者予以大剂量阿糖胞苷(HD-Ara-C)可达到较好的长期生存。对于未进行allo-HSCT的患者原则上给予3~4个周期含HD-Ara-C方案的巩固治疗后即进入观察期,一般不主张进行维持治疗。但也有一些报道提示维持治疗可使患者获益[2,3,4]。我们中心前期报道"干白沙"方案可以干预治疗微小残瘤病(MRD)阳性的AML患者,能够使MRD再次转阴[5]。为了提高MRD阴性患者的生存率,我们设计将干扰素α-1b(IFN-α-1b)、白细胞介素-2(IL-2)联合沙利度胺(Tha)("干白沙"方案)作为未接受HSCT、完成巩固治疗且MRD阴性的AML患者的维持治疗方案的单臂前瞻性研究(中国临床试验中心注册,注册编号ChiCTR-ONC-14004688),以期改善该部分患者的长期生存,现将结果报道如下。