韩磊
2014/12/25
原创文章，作者：admin，如若转载，请注明出处：https://www.isclab.org.cn/2014/12/19/%e5%b8%b8%e7%94%a8%e8%b7%9d%e7%a6%bb%e8%ae%a1%e7%ae%97%e6%96%b9%e6%b3%95/
EM算法的应用——GMM的参数估计
上一篇
2014年12月11日 下午7:25
Android进程注入
下一篇
2015年1月5日
相关推荐
-
音频事件识别参数优化方法
目前音频处理领域各种系统的参数优化研究，通常把系统的各个层次（一般包括特征提取、特征向量生成、模型训练等）割裂开来进行相互独立的参数寻优，再将独立寻优结果进行简单组合，构成系统的参…
-
网络表示学习GraphGAN
网络表示学习（Network Representation Learning），又名网络嵌入（Network Embedding）、图嵌入（Graph Embedding），旨在从…
-
差分隐私原理及应用
大数据时代隐私泄露成为了一个严重的问题，大量的个人信息在网上传播。另一方面大数据时代对数据的可用性也有一定的要求。因此当前如何在保障用户的隐私的同时，提供一定的可用性成为一个关键问…
-
人工智能生成内容检测
本学术报告概述了人工智能生成内容检测的背景、挑战及两种核心算法——DetectGPT和DeTeCtive。重点阐述了基于概率曲率的零样本检测方法和多级对比学习框架，分析了其原理、优…
-
对抗环境下的鲁棒机器学习
对抗样本的存在表明现代神经网络是相当脆弱的。为解决这一问题，研究者相继提出了许多方法，其中使用对抗样本进行训练被认为是至今最有效的方法之一。 然而，经过对抗训练后神经网络对于正常样…
-
多示例多标记学习
本次学术报告主要讲解了多示例多标记学习(Multi-Instance Multi-Label learning)，主要对多示例多标记…
-
提高对抗鲁棒性的特征降噪方法
当深度学习以惊人的准确性执行各种各样任务的同时，在图像分类等领域的深度神经网络却容易受到对抗样本的攻击，从而输出错误的预测结果。本次学术报告首先说明了对抗攻防的主要方法分类和残差网…
-
对抗环境强化学习
强化学习（Reinforcement learning ，RL ）是机器学习领域之一，研究如何通过一系列的顺序决策来达成一个特定目标。本次报告从强化学习的基本框架开始，介绍了强化学…
-
Automated Machine Learning
机器学习是件很复杂的事情，在机器学习向更多领域扩展的时候，遇到了机器学习专家这一资源的限制。自动机器学习（A…
-
半监督聚类和患者相似性分析
首先介绍半监督学习和患者相似性分析的概念和研究背景，其次介绍半监督聚类的的具体分类和聚类评价指标；最后介绍两篇文献的算法原理和实验结果，第一篇时融合多源约束信息的的半监督聚类方法，…
