多任务学习的研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    60805022
  • 项目类别：
    青年科学基金项目
  • 资助金额：
    19.0万
  • 负责人：
    张敏灵
  • 依托单位：
    东南大学
  • 学科分类：
    F0603.机器学习
  • 结题年份：
    2011
  • 批准年份：
    2008
  • 项目状态：
    已结题
  • 起止时间：
    2009-01-01 至2011-12-31

项目摘要

多任务学习起源于机器学习领域对归纳偏置问题的研究，该学习范式通过对多个相关任务同时进行学习，利用任务之间传递的有用信息，以获取更优的归纳偏置用于假设空间搜索。由于多任务学习在提高学习系统泛化能力方面具有显著的能力，该课题已成为目前国际机器学习界的一个研究热点。本项目将提出基于懒惰学习技术的多任务学习算法，从而充分利用懒惰学习技术的学习能力；提出基于多示例学习技术的多任务学习算法，从而充分利用多示例学习技术的对象表示能力；提出结合了多标记学习和多任务学习的算法，从而充分利用多标记学习与多任务学习之间的内在联系；设计出基于多任务学习的新型图像自动分类技术，从而能比现有的技术更好地处理图像蕴涵的多样性信息。上述研究内容在国际上尚未见到报道，其成果可望在国际上产生积极的影响。本项目不仅可望产生6-8 篇高质量学术论文，还可望取得具有自主知识产权的专利技术。

结项摘要

项目成果

期刊论文数量（5）
专著数量（0）
科研奖励数量（0）
会议论文数量（5）
专利数量（0）
Ml-rbf: RBF Neural Networks for Multi-Label Learning
Ml-rbf：用于多标签学习的 RBF 神经网络
  • DOI：
    10.1007/s11063-009-9095-3
  • 发表时间：
    2009-04
  • 期刊：
    Neural Processing Letters
  • 影响因子：
    3.1
  • 作者：
    Zhang, Min-Ling
  • 通讯作者：
    Zhang, Min-Ling
CoTrade: Confident co-training with data editing（已被国际同行他引1次）
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    IEEE Transactions on Systems, Man, and Cybernetics-Part B: Cybernetics
  • 影响因子：
    --
  • 作者：
    Zhi-Hua Zhou;Min-Ling Zhang
  • 通讯作者：
    Min-Ling Zhang
Exploiting unlabeled data to enhance ensemble diversity（已在线发表；DOI: 10.1007/s10618-011-0243-9）
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    Data Mining and Knowledge Discovery
  • 影响因子：
    4.8
  • 作者：
    Min-Ling Zhang;Zhi-Hua Zhou
  • 通讯作者：
    Zhi-Hua Zhou
MIMLRBF: RBF neural networks for multi-instance multi-label learning
MIMLRBF：用于多实例多标签学习的 RBF 神经网络
  • DOI：
    10.1016/j.neucom.2009.07.008
  • 发表时间：
    2009-10-01
  • 期刊：
    NEUROCOMPUTING
  • 影响因子：
    6
  • 作者：
    Zhang, Min-Ling;Wang, Zhi-Jian
  • 通讯作者：
    Wang, Zhi-Jian
Feature selection for multi-label naive Bayes classification（已被国际同行他引31次）
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    Information Sciences
  • 影响因子：
    8.1
  • 作者：
    Jose M. Pena;Min-Ling Zhang;Victor Robles
  • 通讯作者：
    Victor Robles

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

基于三元纠错输出编码的偏标记学习算法
  • DOI：
    --
  • 发表时间：
    2018
  • 期刊：
    计算机科学与探索
  • 影响因子：
    --
  • 作者：
    周斌斌;张敏灵;刘胥影
  • 通讯作者：
    刘胥影
多示例学习的研究
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    南京大学学报(自然科学),
  • 影响因子：
    --
  • 作者：
    周志华;张敏灵
  • 通讯作者：
    张敏灵
偏标记学习研究综述
  • DOI：
    --
  • 发表时间：
    2015
  • 期刊：
    数据采集与处理
  • 影响因子：
    --
  • 作者：
    张敏灵;张敏灵
  • 通讯作者：
    张敏灵
多示例学习的理论分析
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    计算机科学,
  • 影响因子：
    --
  • 作者：
    张敏灵;周志华
  • 通讯作者：
    周志华
基于神经网络的多示例回归算法
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    软件学报,
  • 影响因子：
    --
  • 作者：
    张敏灵;周志华
  • 通讯作者：
    周志华

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

张敏灵的其他基金

面向含噪标记的多义对象分类研究
  • 批准号：
  • 批准年份：
    2021
  • 资助金额：
    57 万元
  • 项目类别：
    面上项目
面向含噪标记的多义对象分类研究
  • 批准号：
    62176055
  • 批准年份：
    2021
  • 资助金额：
    57.00 万元
  • 项目类别：
    面上项目
偏标记学习的研究
  • 批准号：
    61573104
  • 批准年份：
    2015
  • 资助金额：
    64.0 万元
  • 项目类别：
    面上项目
多义性对象学习建模中若干问题的研究
  • 批准号：
    61175049
  • 批准年份：
    2011
  • 资助金额：
    59.0 万元
  • 项目类别：
    面上项目

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