仪器仪表学报

作者：贺忠海，朱温涵，陈旭旺，张晓芳

单位：贺忠海,1. 东北大学秦皇岛分校控制工程学院，2. 河北省微纳传感重点实验室,,朱温涵,1. 东北大学秦皇岛分校控制工程学院,,陈旭旺,1. 东北大学秦皇岛分校控制工程学院,,张晓芳,3. 北京理工大学光电学院,

关键词：主动学习;自适应密度聚类;高斯过程回归;离群点鲁棒;多标准融合

基金：河北省自然科学基金(F2020501040)项目资助

主动学习能够以更少的标注成本训练出更好的机器学习模型。现有的RD算法与QBC算法的结合有效地解决了只考虑单一标准的问题。然而,RD所基于的K-means聚类会将离群点也包括在内进而造成模型性能降低,而QBC则需要维护于多个模型而间接返回样本的信息性.针对上述问题,本文提出了一种基于自适应密度聚类的高斯过程回归(ADC-GPR)算法,通过先聚类后直接利用不确定性进而高效选择样本。该算法中的ADC聚类不仅对离群点鲁棒,还能根据数据集分布特性自适应聚类,并为后续的AL提供了代表性样本点和其对应的簇,该方法在无监督选择时保证了代表性和多样性,在有监督选择时考虑了信息性、代表性和多样性。实验结果表明,在相同的抽样次数下将ADC-GPR算法与RS、KS以及RD-GPR算法相比,其平均性能分别提升了37.3%、8%和2.8%,ADC-GPR算法的选择效率更高。

来源：2024年第3期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2024年第3期