软件学报

作者：张幸幸，朱振峰，赵亚威，赵耀

单位：张幸幸，北京交通大学 信息科学研究所, 北京 100044;清华大学 计算机科学与技术系, 北京 10008411,朱振峰，北京交通大学 信息科学研究所, 北京 100044;现代信息科学与网络技术北京市重点实验室(北京交通大学), 北京 10004402,赵亚威，国防科技大学 计算机系, 湖南 长沙 41007303,赵耀，北京交通大学 信息科学研究所, 北京 100044;现代信息科学与网络技术北京市重点实验室(北京交通大学), 北京 10004404

关键词：原型学习;数据约简;度量学习;模型优化;机器学习

基金：科技创新2030——“新一代人工智能”重大项目(2018AAA0102101);国家自然科学基金(U1936212,61976018)

随着信息技术在社会各领域的深入渗透,人类社会所拥有的数据总量达到了一个前所未有的高度.一方面,海量数据为基于数据驱动的机器学习方法获取有价值的信息提供了充分的空间;另一方面,高维度、过冗余以及高噪声也是上述繁多、复杂数据的固有特性.为消除数据冗余、发现数据结构、提高数据质量,原型学习是一种行之有效的方式.通过寻找一个原型集来表示目标集,以从样本空间进行数据约简,在增强数据可用性的同时,提升机器学习算法的执行效率.其可行性在众多应用领域中已得到证明.因此,原型学习相关理论与方法的研究是当前机器学习领域的一个研究热点与重点.主要介绍了原型学习的研究背景和应用价值,概括介绍了各类原型学习相关方法的基本特性、原型的质量评估以及典型应用;接着,从原型学习的监督方式及模型设计两个视角重点介绍了原型学习的研究进展,其中,前者主要涉及无监督、半监督和全监督方式,后者包括基于相似度、行列式点过程、数据重构和低秩逼近这四大类原型学习方法;最后,对原型学习的未来发展方向进行了展望.

来源：2022年第10期

《软件学报》期刊编辑部

查看软件学报杂志2022年第10期