摘要：近年来,全民考编成为时代趋势,大量政府机构职位如公务员、军队文职等启动线上报考招聘工作。但大量繁杂的岗位信息也为求职者选岗带来了困难。针对选岗慢、选岗难等问题,基于少量人工标注的岗位文本信息,提出了一种新型的精准岗位推荐算法。通过特征构建,明确不同招考信息的匹配规则;通过基于文本分类的ERNIE-BiLSTM-CRF训练实体识别模型,实现长文本岗位描述信息的隐含条件抽取;提出改进的基于动态词向量的加权余弦相似度算法,解决文本相似度计算中无关信息噪音问题。在自标注的数据集上的实验结果表明,上述条件抽取模型的F1值较最优算法提升14.97%,相似度匹配命中率和DCG值分别提升20.5%和22.9%,可有效实现基于小样本的人岗模糊匹配,为求职者提供准确、鲁棒的文职岗位推荐服务。

摘要：现有情感分类方法存在标注大量数据成本高、中文评论情感分类的正确率和效率较低的问题。针对以上问题,提出一种基于提示的小样本情感分类模型。该模型在BERT基础上采用提示的方法,将输入示例设计为完形填空式短语,并结合自动构件模板方法在标注数据很少的小样本情况下,只需优化少量参数就能达到较好的分类效果。在中文数据集上的实验结果表明,所提出的方法获得了较好的效果。

摘要：针对公路隧道火灾样本量少、深度学习效果不理想的问题,研究一种小样本学习技术,以提高对隧道火灾样本的利用率,并在此基础上利用成熟的机器学习方法,提出一种基于自注意力的隧道视频火灾识别技术。该技术采用自注意力机制结合SVM分类器搭建火焰识别模型,该模型针对各项特征对火焰识别的重要性分配不同的注意力权重,形成注意力矩阵,并将权重矩阵与特征向量的值相加权,通过SVM的Hinge Loss进行线性支持向量机分类,对公路隧道火灾进行识别和预警。在火灾识别训练过程中,通过对火焰疑似区域进行检测,并利用数据增强技术达到样本扩增的目的,随后采用多通道融合的特征提取方式构建特征向量,输入设计的自注意力火焰识别模型中,通过梯度下降优化器进行小批量模型训练,降低迭代次数,最终获得最优特征权重参数,得到最佳识别模型。试验结果表明,该方法在模型训练时收敛较快,在火焰识别时相比未使用小样本学习的传统SVM算法,准确率提高了5%,因此能在小样本环境下有效提高火灾识别的准确度。

摘要：目前,室内场景下诸如定位及追踪、人体活动检测等许多应用对感知的需求越来越大,为支撑高精度感知,高效快速的波达方向(Direction of Arrival, DoA)估计是关键能力之一。然而在具有多径和障碍的室内环境下,传统DoA估计方法存在局限。鉴于机器学习在解决复杂信号处理问题方面呈现的效能优势,对基于深度学习(Deep Learning, DL)的室内目标DoA估计方法展开研究。设计了专门的卷积神经网络应对未知多径信号带来的不利影响,同时训练了模型从多径分量中分辨提取视距径信号DoA特征的能力。基于此,利用公开的DeepMIMO数据集生成了室内目标DoA估计专用构造数据集来训练模型,提出了基于小样本学习(Few-Shot Learning, FSL)的在线快速学习机制,对提高模型泛化性和鲁棒性展开设计。对室内环境下的DoA估计进行了多种方法仿真对比,验证了所提方法的有效性。

摘要：机会网络中由于节点频繁移动导致节点间的间歇性连接,导致网络拓扑结构会随时间不断发生变化,而采用离散时间切片的机会网络链路预测方法不能很好地刻画机会网络链路动态变化的演变规律.本文提出一种基于元学习框架的模型(METATGAT)来预测动态网络链接的变化情况,通过具有分层时间间隔和节点自适应的元学习者来提取网络动态演变的先验知识,并在元学习任务中设计一种采样注意力计算方式,来提升模型中图神经网络节点表征的计算效率.为了评估所提方法的有效性,本文选择Infocom05,Hyccups, Infocom06这3个真实的机会网络数据集进行验证,运用AUC和AP评价指标对所提方法与传统算法进行对比,结果显示所提方法能够有效捕获机会网络链路变化的一般知识,并且在链路预测准确率方面相比于传统算法有一定的提升.

摘要：深度学习取得了巨大成就,尤其是在计算机视觉领域,已经接近人类水平.但是这些成果大多依赖于巨大规模的训练数据,在面对数据量较小的情况时,往往产生严重的过度拟合和灾难性的遗忘.最近的研究表明,采用元学习的方法可以解决此问题.元学习模型由特征提取与分类算法两个模块组成,目前大部分研究都关注于设计合适的分类算法,忽视了特征的重要性.本文认为每个类都有自身独有的一些类特征,这些特征更明显的图像更易于识别.因此提出了类特征增强的方法,借助相似类来获得类特征,在特征的层面上对图像进行增强,使提取后的特征更有利于当前的分类任务.类特征增强是一个通用框架,可以与大多数元学习方法相结合.本文将其与常用的原型网络相结合,在Mini-ImageNet数据集上取得了更好的实验效果.

摘要：工程实践过程中,获取大量的故障样本可能是困难和昂贵的,即可用于训练的故障样本相对较少,导致采用传统深度学习方法训练的故障诊断模型难以快速适应新的工况。为此,提出了一种基于元迁移学习的智能故障诊断方法。首先,对精心设计的能有效提取故障特征的自注意力网络(self-attention network,SAN)进行预训练;然后,在每个“N-way M-shot”元任务上训练一个基学习器和元学习器,以自适应调整预先训练好的SAN模型的参数;最后,通过不同的小样本故障诊断(few-shot fault diagnosis,FSFD)任务验证所提方法的有效性。结果表明,该方法在跨工况FSFD任务下取得了较高的诊断精度。

摘要：模型无关的元学习(MAML)是一种多任务的元学习算法,能使用不同的模型,并快速地在不同任务之间进行适应,但MAML在训练速度与准确率上还亟待提高。从高斯随机过程的角度出发对MAML的原理进行分析,提出一种基于贝叶斯权函数的模型无关元学习(BW-MAML)算法,该权函数利用贝叶斯分析设计并用于损失的加权。训练过程中,BW-MAML将每次抽样的任务视为遵循高斯分布,根据贝叶斯分析计算不同任务在分布中的概率,并根据任务在分布中的概率判断该任务重要程度,再以此赋以不同的权重,从而提高每次梯度下降中信息的利用率。在Omniglot与Mini-ImageNet数据集上的小样本图像学习实验结果表明,通过增加贝叶斯权函数,BW-MAML的训练效果在6任务训练2500步后,在Mini-ImageNet上的准确率比MAML的准确率最高提高了1.9个百分点,并且最终准确率比MAML平均提升了0.907个百分点;在Omniglot上的准确率也平均提升了0.199个百分点。

摘要：提出一种基于神经网络的高频电阻全局模型。利用先验信息进行数据扩充,并建立特征工程,解决了小样本学习中过拟合问题,提高了神经网络的泛化能力。与传统建模方法相比,提出的基于神经网络的高频电阻建模方法降低了模型表征的误差,提升了建模效率。

摘要：深度学习目前依靠大数据和强算力取得了较大进展,但在样本受限情况下的表现差强人意,主要问题在于函数空间(簇)的建构和在数据集受限情况下算法的设计。据此,本文对受限样本下的深度学习进行了分类综述。另外,从目前对大脑的研究来看,人的认知过程在大脑中是分区域的,每个区域担负的功能是不同的,对每个区域功能的学习过程也应该是有差异的。因此,提出了“功能进阶”式的深度学习的设想,试图构建分区分层多种功能模块组成的网络结构,研究“进阶”式的功能模块训练方法,以期探求“仿人学习”的新路径。