《中国人工智能学会通讯》——9.5 领域相关噪音正则
9.5 领域相关噪音正则 个人看来，误差建模未来最有希望的研究方向，可能正是在于考虑特定领域先验的噪音正则建模研究，其研究成果也有望进一步有力发掘机器学习方法所蕴含的潜能。形成这一看法本质的原因，是我们越来越多的发现现实数据中混有的所谓“噪音”，事实上往往具有非常丰富的结构信息和深刻的物理内涵。以两种图像数据为例：对 CT 图像，其噪音的形成经过了射线源投射、投影接收、成像、重构等复杂过程，每个....
《中国人工智能学会通讯》——9.4 噪音正则
9.4 噪音正则 噪音正则的基本目标，是在误差建模中嵌入对噪音分布的约束项 ( 简称“误差正则项”)，从而实现对噪音拟合性与误差简单性的折中，减弱误差建模方法对数据随机信息拟合过度的问题。 以 MoG 或 MoEP 误差建模方法为例，其噪音分布的复杂性，主要体现在噪音成分的数量上。因此我们预期的噪音正则，首先是控制 MoG 或 MoEP中噪音成分的个数，从而让误差函数中包含尽可能少的参数数目。这....
《中国人工智能学会通讯》——9.3 噪音拟合
9.3 噪音拟合 误差建模的目标，是从数据中自动学习适用于问题的误差函数形式。其自然的实现方法，是将数据噪音分布建模为具有更灵活变化形式的某种含参变量分布，即 e~p(e,θ)；然后基于数据合理估计参数 θ 的最优取值 θ，从而获得对应误差函数的形式 L θ 。 然而，问题的难度在于，θ 的估计需要数据的噪音信息 E( 使用最大似然估计 MLE 或最大后验估计 MAP 方法 )；E 的获取又需.....
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
产品推荐
阿里云机器学习平台PAI
阿里云机器学习PAI（Platform of Artificial Intelligence）面向企业及开发者，提供轻量化、高性价比的云原生机器学习平台，涵盖PAI-iTAG智能标注平台、PAI-Designer（原Studio）可视化建模平台、PAI-DSW云原生交互式建模平台、PAI-DLC云原生AI基础平台、PAI-EAS云原生弹性推理服务平台，支持千亿特征、万亿样本规模加速训练，百余落地场景，全面提升工程效率。
+关注