期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
融合MAML与BiLSTM的微博负面情感多分类方法 被引量:6
1
作者 徐超 叶宁 +1 位作者 徐康 王汝传 《计算机工程与应用》 CSCD 北大核心 2022年第5期179-185,共7页
随着社交网络的不断发展,微博成为人们日常生活中分享观点和感情的重要平台,分析用户的情感倾向可以有效地应用于舆情控制、民意调查、商品推荐等工作。传统的深度学习算法在面对新的工作任务时,往往需要大量数据重新训练才能得到较好... 随着社交网络的不断发展,微博成为人们日常生活中分享观点和感情的重要平台,分析用户的情感倾向可以有效地应用于舆情控制、民意调查、商品推荐等工作。传统的深度学习算法在面对新的工作任务时,往往需要大量数据重新训练才能得到较好准确率。针对这一情况,提出了一种基于MAML(model-agnostic meta-learning)与BiLSTM(双向长短时记忆网络)的微博负面情感多分类方法。对微博文本进行词向量化表示,构建MAML与BiLSTM结合的模型,其中BiLSTM实现对微博负面情感的分类,通过随机梯度下降更新参数;MAML中的元学习器则通过计算多次训练的损失总和,进行第二次梯度下降,更新元学习器参数。通过更新后得到的元学习器可以在面对新的微博负面情感分类任务时快速迭代。实验结果表明:相较于目前流行的模型,在微博负面情感数据集上,准确率、召回率和F1值分别提高了1.68个百分点、2.86个百分点和2.27个百分点。 展开更多
关键词 双向长短时记忆网络(BiLSTM) maml 微博 情感分析
下载PDF
融合语义路径与语言模型的元学习知识推理框架 被引量:3
2
作者 段立 封皓君 +2 位作者 张碧莹 刘江舟 刘海潮 《电子与信息学报》 EI CSCD 北大核心 2022年第12期4376-4383,共8页
针对传统推理方法无法兼顾计算能力与可解释性,同时在小样本场景下难以实现知识的快速学习等问题,该文设计一款融合语义路径与双向Transformer编码(BERT)的模型无关元学习(MAML)推理框架,该框架由基训练和元训练两个阶段构成。基训练阶... 针对传统推理方法无法兼顾计算能力与可解释性,同时在小样本场景下难以实现知识的快速学习等问题,该文设计一款融合语义路径与双向Transformer编码(BERT)的模型无关元学习(MAML)推理框架,该框架由基训练和元训练两个阶段构成。基训练阶段,将图谱推理实例用语义路径表示,并代入BERT模型微调计算链接概率,离线保存推理经验;元训练阶段,该框架基于多种关系的基训练过程获得梯度元信息,实现初始权值优化,完成小样本下知识的快速学习。实验表明,基训练推理框架在链接预测与事实预测任务中多项指标高于平均水平,同时元学习框架可以实现部分小样本推理问题的快速收敛。 展开更多
关键词 知识推理 语义路径 双向Transformer编码表示 模型无关元学习
下载PDF
基于模型无关优化策略的风电短时回归预测框架设计
3
作者 丁琦 邱才明 +1 位作者 杨浩森 童厚杰 《现代电力》 北大核心 2022年第3期253-261,I0001,共10页
目前,风电出力预测面临跨环境、跨传感器设备的多任务挑战,往往需要对不同的预测目标各自独立地展开针对性训练。鉴于此,首先提出了一种基于模型无关元学习策略(model-agnostic meta-learning,MAML)的短期预测方法,并基于该方法能够实... 目前,风电出力预测面临跨环境、跨传感器设备的多任务挑战,往往需要对不同的预测目标各自独立地展开针对性训练。鉴于此,首先提出了一种基于模型无关元学习策略(model-agnostic meta-learning,MAML)的短期预测方法,并基于该方法能够实现对新任务样本快速适应的能力设计了新型回归训练框架。然后结合卷积神经网络–长短期记忆网络、有注意力机制的Seq2Seq、有自注意力机制的Transformer、Synthesizer等时序深度网络模型,将该框架应用于风力发电预测场景。实验结果表明相比常规的预训练–微调的深度网络训练方法,所提出的方法在GEFCom2012数据集上对各算例实现了均方根误差和均方误差等指标的提高,同时各模型在短时风电出力为案例的预测任务上的泛化性能获得了一定提升。该训练框架可便捷地将主流深度学习模型和数据集转换为适应MAML策略的匹配模式。 展开更多
关键词 智能电网 深度学习 短时电力数据预测 模型无关优化(maml)策略
下载PDF
基于元学习的甲骨文拓片识别研究
4
作者 卢凡 赵宇明 《自动化仪表》 CAS 2024年第8期74-79,共6页
为提高甲骨文拓片的识别效率,针对甲骨文拓片识别过程中存在的数据集种类繁多但类内样本过少的问题,将元学习引入甲骨文拓片图像的识别,提出一种基于元学习的甲骨文拓片识别算法。首先,选择残差网络(ResNet)18作为基本网络结构,以更好... 为提高甲骨文拓片的识别效率,针对甲骨文拓片识别过程中存在的数据集种类繁多但类内样本过少的问题,将元学习引入甲骨文拓片图像的识别,提出一种基于元学习的甲骨文拓片识别算法。首先,选择残差网络(ResNet)18作为基本网络结构,以更好地提取甲骨文数据集特征。然后,通过元学习方法对初始模型参数进行学习。试验结果表明,该算法学习到的初始模型参数对于学习新类别的识别有着很好的效果,优于与模型无关的元学习(MAML)等其他模型,并且对于少样本的甲骨文数据集的识别十分有效。该研究为其他少样本数据集的处理和识别提供了一种解决的思路。 展开更多
关键词 甲骨文拓片分类 深度学习 元学习 残差网络 卷积神经网络 与模型无关的元学习算法
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部