科学技术发展研究院

项目名称：先验信息融合的分类学习理论与方法简介人工智能是我国发展战略的重要内容，分类学习是人工智能基础任务之一。如何充分融合先验信息，并将其与分类学习方法设计结合，是人工智能的研究热点。本项目在国家自然科学基金等课题的支持下，致力于人工智能领域中的先验信息融合的分类学习理论与方法研究，在充分融合核、模式表示以及不平衡数据先验信息的分类学习取得了多项突出创新成果，主要包括：1）提出一类先验信息融合的核学习理论与方法。针对传统多核学习基于隐性核映射且多核构造方式单一的问题，本项目首次提出了在正则化框架下的多经验核学习方法，通过对多经验核空间输出判别的度量，实现多个经验核先验信息的融合，从而有效提高分类推广性，为分类学习理论与方法设计提供了新的思路；将先验熵信息与核学习结合，有效解决数据集原始空间线性不可分问题；将数据的先验结构信息与核学习结合，设计了一种高效、简约的模式分类器。2）率先提出一类融合模式表示先验信息的分类学习理论与方法。本项目从模式表示出发，首次从分类器与特征提取两个分类学习重要阶段，从理论与实践应用整体分析了模式矩阵与向量表示的优劣性，提出了一种充分考虑模式先验表示的分类学习策略；融合多视角学习的优点和数据获取的来源情况，提出了基于单源模式下的多视角矩阵学习方法；为避免模式转换造成的先验结构信息的丢失，提出了一种能直接处理矩阵模式的分类器设计方法，达到了提高分类推广性能的目的，为分类器设计研究提供了一种新的方法理念。3）提出了面向不平衡数据的先验熵分类学习方法。通过充分考虑不平衡数据自身的先验信息，创新性的提出了一种计算样本先验熵的方法；通过熵度量负类样本的类确定性，使分类器在保持正类样本重要性的同时，依据负类样本的类确定性动态调节不同负类样本对寻优过程的贡献程度，以一种更灵活的方式求得最优超平面，从而有效解决不平衡分类问题。项目5篇代表作刊登在IEEETransactionsonPatternAnalysisandMachineIntelligence，IEEETransactionsonNeuralNetworks，PatternRecognition等著名国际期刊上，发表期刊的平均影响因子8.601，总他引260次，SCI他引113次。项目成果引领和推动了先验信息融合的分类学习研究，被多位IEEEFellow、国际著名期刊主编，多国权威学者引用，并正面评价为“可行性高”、“更好的泛化性”、“更好的分类性能”等。代表性论文专著目录序号论文专著名称/刊名/作者影响因子年卷页码发表时间年月日通讯作者(含共同)第一作者(含共同)是否国内完成1MultiK-MHKS:anovelmultiplekernellearningalgorithm/IEEETransactionsonPatternAnalysisandMachineIntelligence/Wang,Zhe;Chen,Songcan;Sun,Tingkai.17.732008,30:348-3532008.2.1陈松灿王喆是2Patternrepresentationinfeatureextractionandclassifierdesign:matrixversusvector/IEEETransactionsonNeuralNetworks/Wang,Zhe;Chen,Songcan;Liu,Jun;Zhang,Daoqiang.11.6832008,19:758-7692008.5.1陈松灿王喆是3Anovelmulti-viewlearningdevelopedfromsingle-viewpatterns/PatternRecognition/Wang,Zhe;Chen,Songcan;Gao,Daqi.5.8982011,44:2395-24132011.10.1陈松灿王喆是4Entropy-basedfuzzysupportvectormachineforimbalanceddatasets/Knowledge-BasedSystems/Fan,Qi;Wang,Zhe;Li,Dongdong;Gao,Daqi;Zha,Hongyuan.5.1012017,115:87-992017.1.1王喆，高大启范奇是5Newleastsquaressupportvectormachinesbasedonmatrixpatterns/Neuralprocessingletters/Wang,