|
数学学院李晨博士、郑贤伟副教授在人工智能领域国际顶级期刊TNNLS上发表学术论文 2024-12-09
图1 期刊、论文题目与作者信息 11月28日，我校数学学院李晨博士与郑贤伟副教授在人工智能领域顶级期刊IEEE Transactions on Neural Networks and Learning Systems (TNNLS) 发表题为“Tiny Data Is Sufficient: A Generalizable CNN Architecture for Temporal Domain Long Sequence Identification”的学术论文，JN江南官方是该论文的第一单位。李晨博士为第一作者，郑贤伟副教授为通讯作者。TNNLS期刊是国际电气与电子工程师协会(IEEE)旗下的人工智能领域顶级期刊、中科院SCI一区TOP期刊，2024年影响因子为10.2。 该文首次提出可泛化卷积神经网络 (GeCNN) 架构，并应用于超小样本场景下的时域长序列识别任务。该架构包含三个组件：非线性卷积网络 、选择性卷积网络、多重池化网络。其中，非线性卷积网络通过可配置的非线性卷积器增强序列特征的提取效率，并显著提升模型的准确性；选择性卷积网络通过随机子序列选择算法降低模型对大样本训练数据的需求，作者同时提出并证明了均一步长采样定理为该方法提供理论支持；多重池化网络将八种池化输出按通道结合，并缓解单一池化操作中存在的统计信息丢失问题。与现有的深度网络相比，该文提出的 GeCNN 架构可在浅层网络与超小样本场景下显著提升时域长序列识别模型的准确率，初步摆脱了传统深度学习模型对大样本训练数据的依赖，同时解决了经典卷积运算在时域长序列分析任务中存在的特征表示能力有限与特征提取效果欠佳的问题。
图2 GeCNN架构由输入模块(Input)、GeCNN核心模块(GeCNN Core)、全连接模块(FC)组成 稿件来源：数学学院 通讯员：刘小华
|
