关键词： 无监督   表征学习   自编码器   病理图像   可解释  

摘要： 为了将人工智能应用于从世界收集的大量无标注数据,一大关键难题是要用弱监督或无监督的学习方法来学习有用的表征。传统医学影像学的图像分辨率往往不足以充分表示清晰的细胞信息,数字病理时代的全切片成像技术带来了多尺度、高精度的更清晰的数字可视化数据,使得病理图像具备更多微观细节信息。卷积神经网络强大的特征提取能力能够有效提取数字病理图像中的特征,然而病理医生的缺失以及病理图像的标注困难使得带有标签的样本不易获得,利用无监督的方式获得可靠的表征对病理进行研究,从而避免医疗资源的浪费已成为大势所趋。无监督学习旨在没有标注的条件下提取数据的关键特征,特征表示的好坏直接决定着下游任务的最终效果。对于表征的衡量不仅要用相应指标来衡量,更重要的是不能使得表征成为不可解释的“黑盒子”,在医学领域的无监督学习中更是如此,因此特征的可视化技术是保证特征可靠性以及医学可解释性的关键,因此本文基于变分自编码器的思想在肝癌病理数据集获得良好的表征解决医学可解释问题,并利用表征解决了不同的下游任务。主要研究内容如下:1)设计无监督的自编码器特征提取模型表征肝癌数据集。能够自动对批量的病理切片进行特征提取,通过不同任务来比较不同编码器的表征能力,通过重构图像以及生成图像等可视化手段展示特征,保证特征可靠性。2)利用自编码器的降维能力进行数据降维可视化来初步分析原始数据集,比较不同降维方法的差异。3)设计基于自编码器的分类模型。该模型对自编码器的表征能力按照分类指标进行量化,进一步验证以无监督方式提取的特征能否胜任主流的分类任务。4)设计肝癌数据集高风险特征可解释算法。该算法将肝癌数据集的表征信息与病人预后信息相关性分析定量筛选出高风险特征,利用自编码器的生成特点可视化高风险特征,为高风险特征赋予医学可解释性。实验结果表明,自编码器模型重构的图像与原图进行对比具有良好的清晰度,同时均方误差较小达到了0.0122,表明结合重构图像以及变分自编码器系列的生成图像得出的表征能够抓住数据集的关键特征。本文基于自编码器的分类模型准确率达到91.4%,代表了无监督的特征提取方式虽然与监督学习有一定差距但达到了不错的表征效果。对高风险特征的可视化找到了具有医学可解释的特征如毛细血管占比、深色细胞核占比、细胞质颜色等,都与癌症病人预后具有强相关性,进一步的说明模型表征出了高级特征,是一种创新性的基于无监督的可分析可解释的关键技术手段。与PCA和T-SNE在二维及三维的可视化比较也表明自编码器具有不错的降维能力,能够初步认识原始数据集。本文肝癌病理生成模型能够生成原始数据集不存在的数据。

关键词： 网络表示学习   属性网络表征   表征融合   多面性网络表征   双曲表征  

摘要： 随着信息时代下大数据的快速发展,实际生活中的数据规模呈现指数级别的增长并对人类的生产和生活产生了根本性的变革影响。数据进一步紧密相互关联并以多种的网络结构形式广泛存在于人们的实际应用中,因此如何从结构化关联图结构数据中挖掘潜在的复杂关联规则并建模演化预测模型对国家与社会的发展有着重要的意义。随着网络规模维度的不断增长,传统网络分析模型受限于庞大的模型存储和计算开销的限制而无法得到灵活运用。不同于传统方法,网络表示学习目标将网络中的节点映射到低维的向量空间中来进行有效地网络分析任务,并在不同应用上验证了其性能的有效性和模型的高效性从而受到研究者们广泛的关注。其中属性网络则是在不同应用中广泛存在的一种通用图数据形式,本论文则分别针对属性网络表征面临的节点属性稀疏性及表征融合耦合性、节点语义多面性及向量表征单一性和节点向量空间表征的局限性等研究挑战,重点对面向稀疏属性网络的网络表征学习、多面性条件属性网络表征和双曲属性网络的向量表征三个方向展开研究工作。具体地,本论文的主要研究内容和贡献总结如下:首先,针对节点属性稀疏性和表征融合耦合性的挑战,提出面向属性网络中属性稀疏和解耦融合的表示学习方法。基于具有相似网络结构和属性信息的节点具有相似向量表征基本假设,本文首先提出了基于截断式随机游走的稀疏属性网络表征模型来融合节点的网络结构和属性来得到综合的向量表征,通过将节点和属性投影到低维的向量表征空间中并引入结对式方法来捕捉节点和稀疏属性之间的交互关系,同时汇聚相邻节点的属性信息来进一步缓解稀疏性从而来得到一个更好的节点向量表示。随后,引入注意力机制来衡量相邻节点和中心节点的权重关系并通过最大化周围节点预测中心节点概率来维持网络结构信息。另一方面,为了分别建模属性网络中结构等价性和同质性相似性的不同,本文提出了解耦式属性网络向量表征,设计了两个图卷积核模块来分别捕捉网络结构和节点属性相似性,并提出自适应融合函数根据节点自身特性得到融合后的向量表征,利用改进后的小批量样本训练方法迭代汇聚高阶的节点和属性信息来高效生成节点向量表征。最终在多个数据集上对比最新的研究工作,本文提出的模型在多标签节点分类和链接预测任务上实现了显著的性能提升,在不同节点属性稀疏的比例下具有良好的鲁棒性。其次,针对节点语义多面性及向量表征单一性的挑战,提出多面性条件属性网络向量表征方法。传统的网络网络表示学习方法为节点只学习到单一的向量表示从而难以表征节点间的多面性语义相似性。本文提出了一个端到端的图卷积框架来为节点学习多个条件向量表征,从而来捕捉节点在多个语义上的不同相似关系。首先设计了一个二值掩码层将单个节点的向量表征拆分成多个语义对应的条件向量子空间,引入了注意力网络来建模节点之间多语义的复杂交互关系,同时提出了多面性的消息-传递-接收机制来捕捉高阶节点之间的多面性语义信息,并基于贝叶斯个性化排序准则和多任务学习框架来联合学习多个节点条件向量表征。最终本文提出的模型在节点推荐任务上实现了显著的性能提升,并通过节点表征可视化和模型迁移实验证明了具有良好的解释性和鲁棒性。最后,针对节点向量表征空间的局限性的挑战,提出多面性双曲属性网络的向量表征方法。基于非欧式的图结构数据中存在的潜在层次结构属性,本文提出了基于双曲空间的多面性图卷积神经网络框架来分别捕捉多面性节点影响力和偏好相似性。具体地,本文首先依据节点的属性将其表征到双曲向量空间中来维持数据中潜在的层次结构关系,通过双曲空间的向量操作定义推导出多面性的消息传递接收机制来捕捉节点之间的多面影响力,然后基于双曲距离提出了自适应的双曲度量准则来计算节点之间的相似关系。在多个公开数据集上的实验结果表明,本文提出的模型不仅能够学习节点之间网络属性并同时维持了数据内的层次关系,并证明了双曲节点向量表征的有效性和鲁棒性。

关键词： 概率图模型   参数学习   模型耦合   模型选择   监督隐狄利克雷分配模型   随机块模型  

摘要： 概率图模型是一种结合图论和概率论相关知识的理论框架。该框架可利用图结构表示模型中随机变量的联合概率分布,推断未知随机变量的条件或边缘概率分布,以及学习模型结构和参数。由于表示、推理和学习是构建任何智能系统的基本任务,因此,作为集表示、推理和学习于一体的重要理论框架,概率图模型自问世以来就受到了人工智能学者的广泛关注。近年来,概率图模型已经成为不确定性推理的研究热点,在模式识别、数据挖掘、计算机视觉、机器学习、语音识别、推荐系统、自然语言处理、复杂网络等领域展现出强大优势和优秀性能。尽管概率图模型应用十分广泛,但关于它的研究和应用仍然面临不少挑战。为此,本文以自然语言处理和复杂网络为领域背景,以监督隐狄利克雷分配模型（supervised Latent Dirichlet Allocation,sLDA）和随机块模型（Stochastic Block Model,SBM）两种概率图模型作为研究对象,针对参数学习、模型耦合和模型选择三个问题开展深入研究,探索提升两种概率图模型学习效率和可伸缩性（Scalability）的研究思路和具体方法。本文主要研究内容和贡献如下:（1）提出一种面向sLDA的并行在线学习方法:以sLDA为研究对象,重点关注参数学习问题,提出一种基于随机变分推理（Stochastic Variational Inference,SVI）的并行在线学习方法。作为一种随机优化技术,随机变分推理具有三个显著优势:1)其使用的自然梯度比欧几里德梯度能更精准地评估两个分布的近似程度;2)基于观测数据随机子集计算得到的随机梯度是整个观测数据集完全梯度的无偏噪声估计;3)自然梯度可规避Fisher信息矩阵（Fisher Information Matrix）极为耗时的计算过程。为此,本文首先将SVI引入到sLDA推理和学习过程中,在降低时间复杂度、提升参数学习效率和精度同时,使sLDA具备支持在线学习的能力,进而拓展sLDA的应用范围以有效应对实时性强的在线应用需求;在此基础上,进一步提出一种参数并行计算的学习机制,并采用Map Reduce框架实现基于单台多核计算机的并行学习方法PO-sLDA,进一步扩展其处理较大规模数据的可伸缩性。基于两个真实数据集的实验结果表明:PO-sLDA具有很好的准确性和快速收敛性,其可伸缩性和在线学习能力的有效性也得到了充分验证。（2）提出一种面向度校正SBM的高效学习方法:以SBM为研究对象,重点关注模型耦合问题和模型选择问题。首先基于“重参化”思想开展标准SBM的模型扩展研究,通过引入一个服从二项分布的K×n维参数（?）重新参数化标准SBM中的（?）实现参数解耦,并引入另一个n维参数β来度量各节点在所属隐含块中的重要程度,提出一种可刻画真实网络节点度异质性分布特征的全新度校正随机块模型RSBM;针对RSBM,本文将最小信息长度MML模型选择准则与组件粒度（Component-wise）EM算法有效结合,提出一种在块空间而非模型空间同步执行模型选择和参数估计的“并行”学习机制,该学习机制能够显著提升SBM学习的效率,可将SBM学习的时间复杂度从O（n5）降至O（n3）,有效提升处理较大规模探索式网络（Exploratory network）结构发现的可伸缩性,使现有SBM学习处理无符号网络规模由千级节点突破至万级节点以上。实验验证结果表明:RSBM更适合建模现实世界中绝大多数无符号网络,在保留标准SBM诸多优势同时能够具备更强的泛化能力;其良好的准确性、普适性和可伸缩性使其在处理具有节点度和块大小异质性分布的各类网络,以及不具备任何先验知识的较大规模无符号网络方面都具有显著优势。（3）提出一种面向符号SBM的高效学习方法:为进一步验证“重参化”思想和“并行”学习机制的普适性,以SBM为研究对象,开展符号网络应用背景下的模型耦合问题和模型选择问题研究。符号网络的连接有正、负之分,能够刻画现实世界中具有对立性质的关系,因此,发现和分析符号网络的结构更具研究价值,但也更具挑战:1)建模符号网络中连接的生成模式比无符号网络更复杂;2)模型参数个数增多使模型选择和参数估计比无符号网络更低效;3)发现存在于符号网络的多种网络结构比无符号网络更困难;4)符号网络中噪声（块内负边和块间正边）的存在使学习方法鲁棒性更差。为此,本文通过引入一个K×n×3维参数（?）重参化标准SBM中的（?）,元素(θkj1,θkj2,θkj3)服从多项分布,分别表示块k到节点j生成正边、不生成边和生成负边的概率,提出可从更细粒度层次刻画和捕获符号网络结构信息的全新符号随机块模型SSBM和基于“并行”学习机制的高效学习方法。实验验证结果表明:SSBM能准确建模和发现符号网络中社区、二分以及两者共现等多种网络结构,具有出色准确性、良

关键词： 解耦表征学习   部分监督解耦表征学习   可控监督解耦表征学习   概率图模型   生成对抗网络  

摘要： 解耦表征学习对于生成模型的可解释性而言具有重要意义。当前主流解耦表征学习方法依据监督方式的不同,可分为监督解耦表征学习和无监督解耦表征学习。监督解耦表征学习依赖给定监督信息,提取监督信息相关特征,得到的监督无关信息中仍可能存在多种可解释属性;无监督解耦表征学习方法通过对数据先验进行假设,实现数据中的可解释属性自解耦。但由于不存在任何监督信息,模型的每一次训练所解耦的属性在特征向量上的位置以及属性的划分都无法确定,且相较于监督学习,无监督解耦表征对特定属性的表示能力较弱。本文结合监督与无监督解耦表征学习方法的优势,提出部分监督和可控监督解耦表征学习方法。主要工作包括:(1)对现有的解耦表征学习依据不同的监督方式进行归纳和分类,提出并形式化定义部分监督表征学习,分离出标签有关特征,使标签无关特征中的多可解释属性自行解耦;对部分监督表征学习进一步拓展和延伸,提出且形式化定义可控监督解耦表征学习,根据调整监督率,实现监督解耦表征学习、部分监督解耦表征学习或无监督解耦表征学习在同一模型下的动态切换。(2)基于概率图理论设计分步建模概率图模型,提出分步建模变分自编码器,以实现部分监督解耦表征学习。使用分类网络提取标签有关特征,基于生成模型进一步变分推断优化标签无关特征的证据下界,实现标签无关特征的提取与自解耦;通过分析分步建模概率图模型,学习任意分类模型所忽略的标签无关特征信息。(3)为适应任意监督程度的解耦表征学习,提出基于编码交换与生成对抗网络的可控监督解耦网络,通过控制标签有关与标签无关特征间的监督率,实现可控监督解耦表征学习。利用多属性分类生成对抗网络实现标签有关特征解耦;通过随机采样与反向替换机制,以及分类网络实现标签无关特征解耦。(4)本文通过设计下游分类评估实验,验证所提模型较对比方法具有更强的特征表示能力和更强的适应能力,还通过属性交换实验验证本文方法的特征属性控制能力。

关键词： 非完全信息   多智能体强化学习   分布式强化学习   机器博弈  

摘要： 伴随着深度学习及强化学习的发展浪潮,人工智能技术的发展日趋成熟,实际应用范围愈加广泛,可适用于更多的现实场景中。研究人员期望实现更加通用的人工智能,即让机器像人类一样通过学习和思考来解决问题。迈向通用人工智能的一条重要途径是深度强化学习方法。相比于发展成熟的单智能体强化学习领域,多智能体强化学习领域仍有许多亟待解决的问题。面向非完全信息环境的多智能体协同强化学习因更加贴近人类的真实生活而引起研究人员的广泛关注。本文围绕非完全信息博弈场景下的多智能体协同强化学习问题,从博弈决策维度及训练框架维度对多智能体协同强化学习方法进行研究。本文从多智能体协同强化学习的决策维度出发,针对多智能体在复杂博弈环境下策略易发散的问题,设计了一种基于策略分层的多智能体协同强化学习方法。本文采用多智能体单调值函数分解网络与模仿学习相结合的方式,将策略空间划分为面向环境的宏观策略及面向个体的微观策略,控制智能体作出面向全局态势的宏观决策及面向局部态势的微观操作,引入门控循环单元网络缓解非完全信息环境带来的部分可观测问题,提升了智能体在博弈对抗环境上的表现。本文从多智能体协同强化学习的训练维度出发,针对多智能体训练过程中因样本采集缓慢、样本探索性差引起的模型迭代不稳定问题,将分布式强化学习思想推广至多智能体协同强化学习方向,提出了一种面向非完全信息环境的行动者-工作者-学习者多智能体协同强化学习算法。一方面,通过部署多个异步的环境交互模块,使得训练样本的收集速度及样本丰富性得以提升。另一方面,通过将策略更新模块与环境交互模块解耦,加速了策略迭代进程,提高了算法对计算资源的利用率。通过共享内存技术将多个模型参数共享,进一步优化了协作型多智能体在博弈环境下的性能。最后,本文选取带有非完全信息特征的军事模拟环境及三维即时战略游戏环境作为实验平台,设计实验与传统的多智能体协同强化学习方法进行对比,验证了本文所提出的多智能体策略分层算法及多智能体分布式算法的有效性。

摘要： 习近平总书记《论中国共产党历史》一书,立意高远、思想深邃、内容丰富,系统回答了为什么要学习党史、如何学好党史等一系列重要问题,为正在开展的党史学习教育活动提供了根本遵循,具有重大的理论意义、现实意义。不断前进的精神动力习近平总书记关于历史是最好的老师、最好的教科书,是一面镜子,是清醒剂、营养剂。党史、国史是坚持和发展中国特色社会主义的必修课等形象而凝练的论断;关于"一切向前走,都不能忘记走过的路;走得再远、走到再光辉的未来,

关键词： 在线学习   最优反馈控制   核模型   深度学习优化器   样本选择模型  

摘要： 近年来,伴随着计算机技术的兴起,大数据和云计算逐渐走进人们的视野,海量的数据和我们的生活变得息息相关。当数据存在异质性且受到复杂的噪声干扰,样本量很大甚至以流式数据的方式呈现时,传统的数据分析方法和统计模型面临着诸多挑战。一方面模型需要进行修正以适应复杂的数据结构,另一方面无法一次性导入内存的数据迫使算法必须依据少量多次获取的样本进行学习。在这一背景下,设计出满足实时更新需求的自适应学习算法以弥补已有方法的不足,成为当今获得广泛关注和应用的热点问题。本文将最优控制方法融入到机器学习的研究中,创新性的建立了一个基于最优反馈控制在线学习框架,并在该框架下提出了一系列用于解决线性和非线性的分类与回归问题的鲁棒自适应学习算法。进一步地,该算法被拓展到时下热门的深度学习领域,应用于图像识别和文本分类。此外,本文还将改进的深度学习算法与传统微观计量模型相结合,实现了全新视角下样本选择问题的研究。本文的主要工作概括如下:第一,构建了基于最优控制的鲁棒在线学习架构,分别讨论该架构下的线性回归、二分类和多分类问题。首先在线学习被转化为状态反馈控制问题,接着使用线性二次型调节器(linear quadratic regulator,LQR)获取最优的参数更新。对未知参数较少的低维情形,使用迭代方法求解Riccati方程,并将对应算法命名为OLQR(online linear quadratic regulator);对于更为常见的高维问题,本文提出ROHDL(online high dimensional learning algorithm)算法,通过极分解大大简化了计算量。OLQR和ROHDL算法相对于经典方法可以获得更快的收敛速度和更好的预测精度,当噪声结构较为复杂时这一优势更为明显。与相关算法的对比实验也证实了所提出算法的优越性。第二,将上述线性问题的架构拓展到非线性回归与分类问题。借助核技巧,非线性学习本质上仍然可以看成有限维系统的一系列状态反馈控制问题。选取固定带宽的高斯核作为核函数,本文提出了一种适用于非线性回归的OKLQR(online kernel linear quadratic regulator)算法。进一步地,考虑到实时数据常常包含结构性的变动,因此固定带宽的核函数存在一定的缺陷,本文提出改进后的OAKL(online adaptive kernel learning)和CAOKC(control-based adaptive online kernel classification)算法,将带宽也作为需要在线更新的未知参数,分别解决非线性的回归与分类问题。大量对比研究表明,该方法相较于当前相关算法在收敛速度、预测精度和对噪声的鲁棒性方面都存在一定优势。第三,提出了基于控制的深度学习优化器CSGC(control-based stochastic gradient descent compression)。深度学习一般需要较多的样本才能完成训练,而每次参数更新仅涉及少量样本,本质上也是一种在线学习,本文所提出的架构依然适用。深度神经网络往往包含较多的未知参数,依据前文所述的框架可以得到一个包含网络中所有未知参数的完整的状态反馈系统。接着根据神经元的连接方式将这些参数分割为若干组,完整的系统也据此分为对应的线性子系统,这些子系统和ROHDL类似,利用极分解技巧就可以进行快速更新。本文给出了CSGC优化器的收敛性与收敛速度相关证明,以论证算法的有效性。与主流的利用一阶信息的梯度方法相比,CSGC不仅继承了控制算法收敛快、预测准确率高的特点,而且可以一定程度上缓解梯度消失问题。在模拟数据、图像识别和文本分类任务上与现有优化器的对比实验也证实了该算法的优越性。第四,基于深度学习的思想,本文提出一种深度学习视角下的样本选择模型(deep sample selection network,DSSN)。该方法对传统的Tobit-I和Tobit-II模型进行了重新解读,分别构建了深度Tobit-I网络和Tobit-II网络,并对模型中变量的显著性水平进行度量。在构建过程中灵活运用了残差神经网络(Res Net)和长短期记忆模型(Long Short-Term Memory,LSTM)等经典深度学习模型中的部分技巧,分别实现了传统Tobit-I和Tobit-II模型的相应功能,并使用CSGC作为优化器进行求解。与经典的样本选择模型相比,一方面深度样本选择网络能够在依赖较少假设的基础上,充分挖掘、量化大样本数据背后的微观决策过程,可以更好的识别显著的变量。另一方面,由于更复杂的网络包含更多的未知参数,样本选择网络在拟合效果和预测精度上都有着显著的提升。数值模拟和实际经济数据也证实了该方法的有效性。本文创新点有:(1)提出一个完整的基于二次型

关键词： 碲化锡   机器学习势函数   第一性原理   分子动力学  

摘要： 近些年来,由于人们对于能源的充分利用和环保意识的提高,热电材料越来越受到政府和研究机构的重视。碲化铅作为一种经典的热电材料以其优异的热电性能得到了广泛地使用,但是碲化铅本身含有含毒性的铅元素会对环境带来污染,因此人们开始寻找碲化铅的替代品,碲化锡与碲化铅在室温下有着相同的化学结构,因此渐渐进入研究者的视野,但是本征碲化锡含有锡空位(1020～1021cm-3)导致其热电性能较差,这就使得我们在微纳尺度上对其进行研究。微纳尺度研究方法有第一性原理的方法和分子动力学模拟方法。第一性原理计算精度高、速度慢;分子动力学模拟方法计算精度低,速度快。并且缺少碲化锡的经验力场,这使得研究陷入困境。为此想到将机器学习的方法引入到研究过程中,通过采集第一性原理数据、机器学习的方法得到碲化锡的机器学习势函数,最终将机器学习势函数用于分子动力学模拟的过程中,这不仅可以弥补碲化锡经验力场的空缺,而且可以使计算结果准确。为此,首先将这一想法应用于硅的计算中,硅作为一种经典的半导体,首先得到硅的机器学习势函数,并且验证机器学习势函数的准确性,从而验证此方法的可行性。收集了硅在不同温度下的第一性原理分子动力学的数据,总共收集到了45089帧数据集,最终得到了其机器学习势函数,紧接着验证了能量和力预测结果、体系是否稳定、声子色散曲线拟合和热导率拟合,之后发现机器学习势函数的结果能够复现出第一性原理的计算结果,机器学习势函数的热导率为140.3W/m K,比第一性原理结果145.3W/m K相比较误差不足5%。最后,使用同样的思路得到了碲化锡的机器学习势函数,采集到7922帧数据集,同样验证了能量和力预测结果、体系是否稳定、声子色散曲线拟合和热导率拟合,机器学习势函数的热导率为4.825W/m K,而第一性原理结果5.151W/m K。

关键词： 不平衡数据   主动学习   单类支持向量机   聚类   对抗生成网络  

摘要： 主动学习是有效减少样本标记代价的方法。在不平衡数据集的应用场景下,减少标记代价更是一种挑战。当前,不平衡数据集主动学习算法主要存在两个问题。第一,当不平衡度较大时,学习引擎初始化代价变大,传统主动学习和采样方法结合变得失效,造成标签浪费。除此之外,当处理不平衡数据集时,传统主动学习方法对样本的分布信息利用少,对多数类数据关注太少,使得选择的样本不具备代表性。第二,传统主动学习方法对高维数据特征提取困难,使得人工提取特征代价太大。针对提出的两个问题,本研究利用单类支持向量机理论,在不平衡数据集的应用场景下,对主动学习进行研究。本文的研究主要包括以下3部分内容:1.提出了一种基于单类支持向量机的不平衡数据集主动学习方法(OCSVMAL)。首先,为了解决高不平衡比例下的标签浪费问题,选择使用单类支持向量机作为学习器。其次,使用基于密度计算的方法构建查询函数,增加挑选样本的代表性。在此基础上,探究了单个标记和批量标记的使用场景。最后,使用UCI公用数据集进行实验验证,实验结果表明,OCSVM-AL是一种有效的主动学习算法。在处理大不平衡比例的数据集时,OCSVM-AL算法可以有效地减少标记样本的数量。2.提出了一种基于半监督对抗生成网络的单类SVM主动学习方法。为了减少人工提取高维数据特征的代价,提高不平衡数据集主动学习算法的健壮性,本研究对高维数据应用场景的单类支持向量机主动学习方法进行研究。首先,在预训练好的半监督对抗生成网络上,使用卷积神经网络自动提取数据特征。然后,使用提取的特征数据进行主动学习。在主动学习过程中,学习引擎与辨别器协同优化。最后,算法在煤矿瓦斯数据上进行验证实验,实验结果证明该方法是一种有效的方法,并在标记数量上明显优于对比算法。3.基于单类SVM的不平衡数据集主动学习方法的应用研究。首先,进行数据预处理和特征提取。然后,使用主动学习算法进行样本标记。最后,与对比算法相比,本研究提出的算法可明显减少标记代价,表明本研究的主动学习算法在处理实际的煤矿安全态势数据上具有较为明显的优势。