针对海量复杂类型数据的统计学习模型与理论

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    11771012
  • 项目类别：
    面上项目
  • 资助金额：
    48.0万
  • 负责人：
    常象宇
  • 依托单位：
    西安交通大学
  • 学科分类：
    A0403.贝叶斯统计与统计应用
  • 结题年份：
    2021
  • 批准年份：
    2017
  • 项目状态：
    已结题
  • 起止时间：
    2018-01-01 至2021-12-31

项目摘要

Conventional statistical machine learning algorithms encounter two fundamental challenges in the big data age, namely how to design machine learning algorithms that can be applied to big data and how to provide a theoretical analysis framework for the algorithms. To the first question, a huge number of literature has generalized the classical algorithms to their distributed, on-line and hierarchical versions. However, them only have less theoretical analysis to support the feasibility of all the learning algorithms. Therefore, we focus on developing a theoretical framework to analyze the learning performance of specific distributed, on-line and hierarchical learning algorithms in this project.
进入大数据时代,经典的统计机器学习算法面临着两个基本的挑战,即如何能够适应大数据的海量、实时与类型复杂的特点设计统计机器学习算法,以及如何分析这样算法的可行性与泛化能力。针对第一个问题,有大量的文献研究了如何通过分布式学习、在线学习与层级学习的算法去解决。但是这些学习算法对于大数据处理是否是可行的仍然没有完整的理论研究。因此，本项目将聚焦于研究统计机器学习方法应用于大数据时的分布式学习、在线学习与层级学习的算法的学习理论。

结项摘要

大数据的典型特点是规模大、实时性强与类型复杂。统计学习上一般采用分布式学习、在线学习与层级学习的统计学习方法去解决相应的难题。本项目主要针对分布式学习、在线学习与层级学习这三类统计学习模型在大规模复杂类型数据上的应用展开系统性研究，并完成了相应的统计学习方法的可行性理论。本项目在资助期共发表相关论文25篇：其中在机器学习理论类顶级期刊Journal of Machine Learning Research上发表论文2篇；在数理统计类顶级期刊Journal of Econometrics发表论文1篇；在IEEE会刊发表文章8篇；在国际顶级机器学习会议ICML与NeurIPS发表论文2篇；在Nature子刊发表论文3篇。这些研究已经被引用超过180次（Google学术统计）。在该项目的资助下项目负责人2020年获得陕西省杰出青年基金，2021年获得国家自然科学基金委优秀青年基金。

项目成果

期刊论文数量（21）
专著数量（0）
科研奖励数量（2）
会议论文数量（2）
专利数量（0）
Statistical patterns of human mobility in emerging Bicycle Sharing Systems.
新兴自行车共享系统中人员流动​​的统计模式
  • DOI：
    10.1371/journal.pone.0193795
  • 发表时间：
    2018
  • 期刊：
    PloS one
  • 影响因子：
    3.7
  • 作者：
    Chang X;Shen J;Lu X;Huang S
  • 通讯作者：
    Huang S
Realizing Data Features by Deep Nets
通过深度网络实现数据特征
  • DOI：
    10.1109/tnnls.2019.2951788
  • 发表时间：
    2019-01
  • 期刊：
    IEEE Transactions on Neural Networks and Learning Systems
  • 影响因子：
    10.4
  • 作者：
    Zheng-Chu Guo;Lei Shi;Shao-Bo Lin
  • 通讯作者：
    Shao-Bo Lin
Learning Through Deterministic Assignment of Hidden Parameters
通过隐藏参数的确定性分配进行学习
  • DOI：
    10.1109/tcyb.2018.2885029
  • 发表时间：
    2018-03
  • 期刊：
    IEEE Transactions on Cybernetics
  • 影响因子：
    11.8
  • 作者：
    Jian Fang;Shao-Bo Lin;Zongben Xu
  • 通讯作者：
    Zongben Xu
Air pollution emissions from Chinese power plants based on the continuous emission monitoring systems network.
基于连续排放监测系统网络的中国电厂空气污染排放
  • DOI：
    10.1038/s41597-020-00665-1
  • 发表时间：
    2020-10-05
  • 期刊：
    Scientific data
  • 影响因子：
    9.8
  • 作者：
    Tang L;Xue X;Qu J;Mi Z;Bo X;Chang X;Wang S;Li S;Cui W;Dong G
  • 通讯作者：
    Dong G
Varying Coefficient Support Vector Machines
变系数支持向量机
  • DOI：
    10.1016/j.spl.2017.09.006
  • 发表时间：
    2018
  • 期刊：
    Statistics and Probability Letters
  • 影响因子：
    0.8
  • 作者：
    Xiaoling Lu;Fengchi Dong;Xiexin Liu;Xiangyu Chang
  • 通讯作者：
    Xiangyu Chang

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

基于SCAD罚函数的有噪压缩感知
  • DOI：
    --
  • 发表时间：
    2013
  • 期刊：
    数学学报
  • 影响因子：
    --
  • 作者：
    张海;梁勇;徐宗本;常象宇
  • 通讯作者：
    常象宇
稳健Lq正则化理论: 解的渐近分布与变量选择一致性
  • DOI：
    --
  • 发表时间：
    2010
  • 期刊：
    中国科学:数学
  • 影响因子：
    --
  • 作者：
    常象宇;徐宗本;张海;王建军;梁勇
  • 通讯作者：
    梁勇
L1/2正则化
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    中国科学：信息科学
  • 影响因子：
    --
  • 作者：
    张海;徐宗本;王尧;常象宇
  • 通讯作者：
    常象宇

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

常象宇的其他基金

关于大数据处理分布式学习算法的可行性理论研究
  • 批准号：
    11401462
  • 批准年份：
    2014
  • 资助金额：
    22.0 万元
  • 项目类别：
    青年科学基金项目

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码