包络机器学习又名包络学习，深度样本学习。包络学习是一个现代机器学习框架，能有效帮助使用者对样本进行深度变换或对样本特征进行协同深度变换，从而获得高表征的新样本，用于分类回归等应用^[1-4]。

中文名

包络学习

外文名

Envelope learning/ Envelope machine learning

背景基础

机器学习

应用领域

涉及各个领域的分类回归应用等

领 域

计算机技术

背景

编辑 语音

重庆大学李勇明教授近年提出了包络学习这一概念，通过样本聚类构建样本包络，并设计多层聚类构建深度样本学习网络，用于年龄估计、帕金森病语音检测等应用。现有机器学习方法大多关注分类器设计和特征学习，较少关注样本学习。少量的样本学习方法也倾向于样本选择或原型学习，无公开文献报道如何对样本构建包络进行深度变换。现实中，由于各种因素，样本的分类能力参差不齐，需要进行重构，从而获得精炼的、新的高质量样本。为了解决这一问题，重庆大学李勇明教授近年来开始了初步尝试，通过深度样本聚类来构建样本包络并多层深度变换，从而获得高质量新样本，显著提高了准确率^[1-8]。

相关术语

编辑 语音

技术——涉及到的技术及概念

① 机器学习

a. 机器学习

b. 深度学习

c. 迁移学习 

d. 包络学习

②样本特征学习

a. 分类器设计；

b. 特征学习；

d. 样本学习。

 参考资料

[1]    国家发明专利：李勇明，张馨月，王品，曾孝平，谭晓衡，刘书君，张新征，李东，谢廷杰，基于深度子空间切换集成学习的多源异构数据融合方法，申请号：CN201810732829.9，申请日：2018年7月5日，公开号：CN108985365A，公开日：2018.12.11，IPC分类号：G06K9/62; G06K9/46. 申请人：重庆大学   已授权

[2]    国家发明专利：李勇明，肖洁，王品，谭晓衡，刘书君，张新征，刘国金，基于迭代均值聚类的深度样本学习方法，申请号：CN201810558766.X，申请日：2018年6月1日，公开号：CN108877947A，公开日：2018.11.23，IPC分类号：G16H50/70; G06K9/62. 申请人：重庆大学  已授权

[3]    Fan Li, Xiaoheng Zhang, Pin Wang, Yongming Li*. Envelope Imbalance Learning Algorithm based on Multilayer Fuzzy C-means Clustering and Minimum Interlayer discrepancy. arXiv: 2111.01371

[4]    Yongming Li*, Chengyu Liu, Pin Wang, Hehua Zhang, Anhai Wei. Subject Envelope based Multitype Reconstruction Algorithm of Speech Samples of Parkinson's Disease, arXiv:2108.09922 

[5]    Jie Ma, Yuanfan Zhang, Yongming Li*, Lang Zhou, Lingyun Qin, Yuwei Zeng, Pin Wang, Yan Lei. Deep Dual-Side Learning Ensemble Model for Parkinson Speech Recognition.   Biomedical signal processing and control, 2021, 69, 102849

[6]    Yongming Li*, Yuanlin Zheng, Pin Wang,  Xinzheng Zhang, Xiaoping Zeng, Xinke Li. Improved Age Estimation Mechanism from Medical Data Based on Deep Instance Weighting Fusion. Journal of Medical Imaging and Health Informatics, 2020,10(5):984–993

[7]    Yongming Li*, Fan Li, Yuanlin Zheng, Pin Wang*, Mingfeng Jiang, Xinke Li. Hierarchical Age Estimation Mechanism with AdaBoost-based Deep Instance Weighted Fusion, Journal of Experimental & Theoretical Artificial Intelligence, 2020, online.

[8]    李勇明团队在基于adaboost的深度样本学习方面取得突破。http://blog.sciencenet.cn/home.php?mod=space&uid=2585009&do=blog&quickforward=1&id=1233848