數(shù)學(xué)學(xué)院李晨博士、鄭賢偉副教授在人工智能領(lǐng)域國際頂級期刊TNNLS上發(fā)表學(xué)術(shù)論文

發(fā)表時間：2024-12-04

圖1 期刊、論文題目與作者信息

11月28日，我校數(shù)學(xué)學(xué)院李晨博士與鄭賢偉副教授在人工智能領(lǐng)域頂級期刊IEEE Transactions on Neural Networks and Learning Systems (TNNLS) 發(fā)表題為“Tiny Data Is Sufficient: A Generalizable CNN Architecture for Temporal Domain Long Sequence Identification”的學(xué)術(shù)論文，佛山大學(xué)是該論文的第一單位。李晨博士為第一作者，鄭賢偉副教授為通訊作者。TNNLS期刊是國際電氣與電子工程師協(xié)會(IEEE)旗下的人工智能領(lǐng)域頂級期刊、中科院SCI一區(qū)TOP期刊，2024年影響因子為10.2。

該文首次提出可泛化卷積神經(jīng)網(wǎng)絡(luò) (GeCNN) 架構(gòu)，并應(yīng)用于超小樣本場景下的時域長序列識別任務(wù)。該架構(gòu)包含三個組件：非線性卷積網(wǎng)絡(luò) 、選擇性卷積網(wǎng)絡(luò)、多重池化網(wǎng)絡(luò)。其中，非線性卷積網(wǎng)絡(luò)通過可配置的非線性卷積器增強序列特征的提取效率，并顯著提升模型的準(zhǔn)確性；選擇性卷積網(wǎng)絡(luò)通過隨機子序列選擇算法降低模型對大樣本訓(xùn)練數(shù)據(jù)的需求，作者同時提出并證明了均一步長采樣定理為該方法提供理論支持；多重池化網(wǎng)絡(luò)將八種池化輸出按通道結(jié)合，并緩解單一池化操作中存在的統(tǒng)計信息丟失問題。與現(xiàn)有的深度網(wǎng)絡(luò)相比，該文提出的 GeCNN 架構(gòu)可在淺層網(wǎng)絡(luò)與超小樣本場景下顯著提升時域長序列識別模型的準(zhǔn)確率，初步擺脫了傳統(tǒng)深度學(xué)習(xí)模型對大樣本訓(xùn)練數(shù)據(jù)的依賴，同時解決了經(jīng)典卷積運算在時域長序列分析任務(wù)中存在的特征表示能力有限與特征提取效果欠佳的問題。

稿件來源：數(shù)學(xué)學(xué)院

通訊員：   劉小華