分类： 未分类

1.对症状、证素与证名的概念做了大致的了解。 2.看了冯春辉的基于属性拓扑的中医诊断数据因果关系推断方法研究的论文，了解了以中医证素为形式背景的属性拓扑与因果分析，分析了各证素间的因果关系推断，并简单整理了小论文的摘要。 ...

本周工作 1.临近毕业，开始准备找工作。本周参加了几场宣讲会，面向意向企业投简历，步入毕业阶段。 2.实验一边进行，一边写论文。 实验进度：基本没太大进展，数据集还是平面滚动白色球，结果是能实现渐变，但无法指定固定两帧生成; 论文进度：写到第四部分，不解：数据集不是公开的Data，而是自己录制的，会不会没有说服力？ 反思： 临近毕业的一些事情，使论文耽误了挺长时间，剩下还有好多事情，有些担心论文的进度，需要抓紧时间。 下周计划 1.实验继续进行，继续寻找更加合适的数据集。 2.论文本周结束初稿，有问题及时沟通。 ...

本周主要科研任务为研究、完善增量式概念生成方法。 该方法的主要思想为人类认知的增量式过程。在当前看来，人脑认识事物为一个震荡收敛过程，当收敛至一个不动点时认为当前对事物认知趋于完善。但随着阅历的增加，原有的概念体系必然将不断修正。原有的知识不断更新，新的领域不断拓展。 从结构上，最为简单的增长莫过于原始概念不做修正。这种情况一般出现于已经认知的概念领域。比如，IPhone 8并没有让我对iphone这个概念发生任何概念，无非是在iphone这个概念的外延中加入了一个iphone8对象而已。 其次，对于原有知识的更新过程一般为伴生的增长过程。该过程主要是对现有概念体系的细化或更新。比如，我原本认为手机的屏幕一般为矩形。但iphone X的发布让我知道原来手机屏幕还可以做出刘海。虽然“手机屏幕”这个概念仍然存在，但其内涵中对于其形状的要求已经发生变化。这就是对概念的更新过程。而“苹果式的全面屏”这样的概念对我原有全面屏概念的细化。 最为复杂的情况，当属新领域的拓展。从结构角度看，新领域意味着新的顶层出现。虽然这个对象可能和现有的知识或多或少建立联系，但其终归是新的知识。比如，我看GAN。GAN对于我来说是一个新出现的顶层对象，但当我了解其属性后，发现其与深度学习、概念学习思想基本同源。这就意味着在属性拓扑中这三者是包容关系。所以，我学习GAN时，原来对于深度学习、概念学习的知识会被类比过来使用。也就是说，我是将我原来学会的概念复制给了GAN一份，然后再通过GAN约束，看看哪些需要调整，哪些需要更新。这就是这次对新增顶层对象的处理思路。这个思路其实和迁移学习已经有了相似之处，下一步想必可以发展一下。 总之，新的增量式算法基本思想就是这样。但在设计过程中仍走了很多弯路。好在前面有曹海兰为我奠定的基础，这次有李和合不断的指出问题，让我得以逐渐修改并暂时得以无bug设计（这个过程不就是GAN的对抗式生成吗？同时也是概念学习的趋于不动点？）。本周虽然效率不高，总算还有收获，聊以安慰。 本方向下一步计划： 1. 将算法形式化，并进行相应证明，完成论文写作。 2. 连续数据的层次化表示仍要继续考虑。 ...

一、本周工作 1. 把DCGAN，BEGAN中G和D的Loss与训练过程进行可视化，反映出来的训练趋势和实际的生成结果说明模型并不稳定； 2. 关于SR Loss的可视化，由于代码并不是显式，而是调用的第三方库实现，可视化难度大； 3. 把loss过程进行类似滤波形式操作，也就是折线图平滑的思想，可行性有待商榷； 二、下周计划 1. SR的可视化工作结束； 2. 把Loss的滤波工作是否可行进行总结 3. 进度抓紧 ...