《屬性學習及其套用研究》是依託南京航空航天大學，由張道強擔任項目負責人的面上項目。
基本介紹
- 中文名：屬性學習及其套用研究
- 項目類別：面上項目
- 項目負責人：張道強
- 依託單位：南京航空航天大學
項目摘要,結題摘要,
項目摘要
屬性是對目標對象的一種語義刻畫，因其靈活性和可解釋性等優點，屬性學習已成為近年來機器學習和模式識別等領域的一個新的研究熱點。本項目旨在原有工作基礎之上，對屬性學習中存在的屬性表示、屬性關係學習和屬性分類模型設計等重要問題進行研究。具體地，本項目將：（1）構建基於最大類分離度和最小屬性冗餘準則的屬性表示模型,並進一步設計具有低秩和稀疏結構的屬性選擇方法，從而避免人工定義屬性存在的成本高且缺乏判別性等缺陷；（2）提出自動屬性關係學習和排他性共享特徵選擇方法，利用逆協方差矩陣直接從數據中挖掘屬性間關係並用於低層特徵選擇；（3）設計面向特定目標類的個性化屬性分類及雙重代價敏感屬性分類方法，實現目標類的精確屬性描述並克服屬性分類中的類別不平衡問題；（4）把上述屬性學習模型和方法套用於腦影像分析及腦疾病早期診斷。通過本項目的研究不僅能在屬性學習理論與方法上有所貢獻，還可望取得實際的套用成果。
結題摘要
屬性是對目標對象的一種語義刻畫，因其靈活性和可解釋性等優點，屬性學習已成為近年來機器學習和模式識別等領域的一個新的研究熱點。本項目在原有工作基礎之上，對屬性學習中存在的屬性表示、屬性關係學習和屬性分類模型設計等重要問題進行研究，通過充分挖掘和利用數據內在的結構信息及其包含的低層視覺信息，構建高準確度和高魯棒性的屬性學習模型。具體地：（1）提出了屬性學習一般框架下的自動屬性關係學習模型，並將屬性關係學習自然地嵌入到多屬性分類器的建模中，從而實現屬性關係的自動挖掘。（2）提出了一種基於成對約束誘導稀疏特徵選擇模型，即利用樣本之間的成對約束信息構建Laplacian矩陣用於約束傳統的稀疏學習模型，能夠有效提取相關特徵，為高準確率的分類工作提供了前提保證。（3）提出新的多模板關係誘導學習方法，利用關係誘導的稀疏特徵選擇方法對來自多個屬性空間的特徵進行特徵選擇。（4）提出了一種新的基於時間約束的組稀疏學習方法對多個時間點的fMRI數據進行縱向分析，在取得較好的回歸性能的同時能夠發現與疾病相關的生物標識。（5）提出了一種新的多領域遷移學習框架用於對AD的早期診斷，通過多領域的遷移學習選出最具有判別性的特徵子集，其次利用特徵子集構建分類器運用於AD早期診斷。本項目相關工作發表發表在IEEE Transactions on Pattern Analysis and Machine Intelligence、IEEE Transactions on Cybernetics、IEEE Transactions on Medical Imaging、NIPS、AAAI等國際頂級期刊和會議。
