上海大学引入特征选择方法使机器学习精度提升近6个百分点

　　怎样让机器越来越聪明？8月30日从上海大学传出信息：该校计算机研究人员创新性引入特征选择方法，使机器学习精度提高近6个百分点，为人工智能集成学习研究辟出新路。据悉，相关论文在刚结束的第九届亚太地区人工智能会议上获选“最佳论文”。
　　仅凭图像，住宅监控系统就能自动辨别谁是大楼居民，谁是不速之客；输入中文童话故事，转眼间电脑就“拍”出了以此为蓝本的动画片……随着人工智能研究的不断深入，如何进一步提升机器的学习精度，成为全球研究者共同关注的问题。
　　研究小组负责人、上海大学计算机学院副教授李国正介绍，如今在人工智能研究领域比较流行集成学习，这就好比在机器系统内开个“专家讨论会”。面对需要作出判断的对象，系统内多个学习程序同时启动，得出各自结论，然后“投票表决”，获得多数票的成为系统最终判断结果。如邮政信件自动分捡系统中，会有若干程序同时对“邮政编码”一栏里的手写数字进行辨认：到底是“1”还是“7”，“6”还是“5”？听“大多数”的。
　　如何让每一位“专家”作出更精准的判断，成为提升机器学习精度的关键之一。上世纪70年代已应用于人工智能领域的特征选择方法，进入研究小组视野。这种方法可在最短时间内筛选出对识别最具价值的特征信息，何不将其引入集成学习技术？研究人员据此构造出两种全新算法―――“PRIFEB”和“MIFEB”，按每个学习程序的“专家特长”，有针对性地分发学习对象的特征资料，帮助程序排除无用的干扰信息。数据集验证实验显示，全新技术获得的精度为79.84％，比对照组的73.89％提升近6个百分点。
　　专家指出，如将这一通用技术应用于网络搜索引擎，可使用户获得更多更匹配的搜索结果；应用于机器翻译系统，翻译更加接近“信达雅”；应用于指纹识别系统，准确率也会提高。
　　专家评点
　　第九届亚太地区人工智能会议匿名评阅专家：这一研究首次将人工智能集成学习技术与特征选择方法有机结合，提出了有趣的方法，其实验结果是可信的。