Rinc.Group

深度学习（DeepLearning）是人工神经网络研究的前沿领域。深度学习方法是具有多级特征表示的表示学习方法，通过组合简单的非线性模块，从原始输入开始逐层学习出更高级、更抽象的特征表示。深度学习的典型应用包括计算机视觉领域的卷积神经网络（ConvolutionalNeuralNetwork,CNN），自然语言处理领域的循环神经网络（RecurrentNeuralNetwork,RNN），进行无监督特征学习的自编码器（Auto-Encoder）等。我们在深度学习领域的研究工作分为理论研究和应用研究两个方面：理论研究的内容是设计新的深度学习模型和对现有的模型进行分析改进；应用研究的内容是将深度学习方法应用于计算机视觉、机器人设计、数据挖掘等实际任务中，以及参与ImageNet等竞赛活动。

支持向量机算法(SupportVectorMachine,SVM)可以用来解决分类、回归等问题，在现实生活中已经得到了广泛的适用，例如计算机视觉、文本分类等。SVM算法主要有两种类型：线性SVM拥有很高的学习和预测效率，但只适用于线性分类问题；核SVM的性能更好，但速度非常慢。我们的研究目标是设计出一种新的模型，兼具核SVM的性能和线性SVM的速度。

聚类分析(clusteranalysis)是在非监督的条件下将数据分为到不同的类，使同类数据比异类数据更加相似的过程。聚类是数据挖掘的主要任务之一，广泛应用于机器学习、模式识别、图像分析、信息检索、生物信息学、数据压缩和计算机图形学等诸多领域。聚类可以大致地区分为：1.硬聚类(hardclustering)，每个对象仅属于一个聚类；2.模糊聚类(fuzzyclustering)，每个对象以一定的归属度从属于每个聚类。经典的聚类算法包括K-Means、高斯混合模型、谱聚类、DBSCAN等等，这些算法各有其优势和缺陷，适用于不同的问题。

给定一组观察数据，估计其潜在的概率密度函数是统计学中的一个基本问题，被称为密度估计问题。随机变量的概率密度函数描述了特征空间的数据分布情况，因此，它能够为数据驱动的决策过程提供非常重要的判断依据信息，并经常被用于机器学习和数据挖掘领域。密度估计的传统是以核密度估计(KernelDensityEstimation)为代表的非参数式(Nonparametric)方法和以高斯混合模型(GaussianMixtureModel)为代表的参数式(Parametric)方法。

在机器学习领域，很多标准学习算法都假设或者期望学习数据的类分布是平衡的，各个类的分类错误代价也是相同的。但是在现实生活的很多应用中，比如异常检测，欺诈检测等等，数据的类分布往往无法满足这些假设，这种训练数据的类间样本分布不均衡的学习问题称为数据非平衡学习问题(LearningfromImbalancedData)。而标准分类算法并不适合直接对非平衡数据进行训练。

在科学研究和工程应用中，很多实际数据（如各种图像、音频、文本等）具有高维数的特点。这些高维数据可以提供丰富而详尽的信息。然而随着数据维数的提高，高维空间体积快速增长，而可用数据变得稀疏，此时很可能发生维数灾难，令平常使用的数据组织策略变得极其低效。数据降维技术是解决以上问题的一种有效手段，数据降维能够消除数据冗余，简化数据，揭示数据内在结构和联系，提高计算效率，改善数据可理解性，提高学习算法的精度。

这项研究的目的是通过人工神经网络对动物神经系统的功能进行模仿。与一般的神经网络研究相比，这项研究更多地借鉴神经科学和认知科学领域的研究成果，更侧重于模仿生物神经系统的功能而不是面向实际应用。我们过去在这一方面的研究成果包括可以自适应扩展感知通道的感知进化网络（PerceptionEvolutionNetwork,PEN）等模型。