检索结果-南通市图书馆

电子科技大学学报 2025年

作者：赵华健杨钦程胡兆龙浙江师范大学计算机科学与技术学院

图神经网络（graph neural network, GNN）在过去几年里被广泛应用于节点分类。然而，现有研究集中于平衡数据集，但是不平衡数据却普遍存在。传统处理不平衡数据集的方法，如重采样和重加权，往往需要进行较多的预处理或提出新的网络... 详细信息

图神经网络（graph neural network, GNN）在过去几年里被广泛应用于节点分类。然而，现有研究集中于平衡数据集，但是不平衡数据却普遍存在。传统处理不平衡数据集的方法，如重采样和重加权，往往需要进行较多的预处理或提出新的网络结构，容易引入新的偏差和导致信息丢失。提出了一种改良的装袋（Bootstrap aggregating,Bagging）集成学习方法，对不平衡图数据集进行了k折划分，并采用GNN为基础模型对子数据集进行训练得到多个不同的子模型。最后，通过融合不同模型提升了节点分类精度而不引入过多的预处理。基于不平衡图数据集的实验结果，表明所提出的方法在准确性和鲁棒性上优于基本分类器，此外，还发现分类精度随着k的增加先提高后降低。

关键词：图神经网络节点分类图网络结构不平衡图数据集集成学习

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

稀疏网络下核范数回归的连续时间Smart Beta策略

引用

系统科学与数学 2021年第7期41卷 1927-1937页

作者：李爱忠任若恩董纪昌山西财经大学财政与公共经济学院山西030006 北京航空航天大学经济管理学院北京100191 中国科学院大学经济与管理学院北京100190

大数据环境下,通过建立关联关系、网络关系可挖掘隐含在数据背后的深刻规律.文章通过图网络结构表征资产组合内部的稀疏与聚类关系,采用带网络结构和低秩稀疏的最小一乘策略有效盯住目标指数,深度发掘有效特征因子并优化连续时间资产组... 详细信息

大数据环境下,通过建立关联关系、网络关系可挖掘隐含在数据背后的深刻规律.文章通过图网络结构表征资产组合内部的稀疏与聚类关系,采用带网络结构和低秩稀疏的最小一乘策略有效盯住目标指数,深度发掘有效特征因子并优化连续时间资产组合,从而获得非完备市场下更优的Smart Beta性能和绩效.研究发现基于链路预测的稀疏网络结构能够更好地捕捉资产之间的非线性相依特性并实现有效的资产分类结果;稀疏分散回归和网络结构的特征提取方法能够深刻揭示资产潜含的内在特性;基于最小一乘法的核范数回归策略能够自适应地优化跟踪策略,从Alpha和Beta分离的角度有效地提升了投资组合的整体业绩,对非完备市场下资产配置优化和指数型投资组合管理具有重要的指导意义.

关键词：图网络结构最小一乘法链路预测连续时间 Smart Beta

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的环状RNA与复杂疾病关联预测方法研究

基于深度学习的环状RNA与复杂疾病关联预测方法研究

引用

作者：王真梅桂林理工大学

学位级别：硕士

环状RNA(circular RNA,circRNA)是具有多种生物学功能的非编码RNA,在疾病的诊断、治疗和预后等方面具有重要的研究价值。然而,传统生物实验方法挖掘circRNA-疾病关联的方式即昂贵又耗时,而采用计算的方式预测circRNA-疾病关联不仅预测... 详细信息

环状RNA(circular RNA,circRNA)是具有多种生物学功能的非编码RNA,在疾病的诊断、治疗和预后等方面具有重要的研究价值。然而,传统生物实验方法挖掘circRNA-疾病关联的方式即昂贵又耗时,而采用计算的方式预测circRNA-疾病关联不仅预测精度高,而且可以节省传统生物实验所需的大量资源和时间。因此,本文基于深度学习技术提出两种新型的模型用于circRNA-疾病关联预测。其主要工作内容如下:(1)针对固有的原始网络数据稀疏性导致预测性能表现不佳的问题,本文提出一种基于图自动编码器的二阶段融合实现的circRNA-疾病关联预测模型(GIS-CDA)。第一步,计算circRNA(疾病)集成相似性。第二步,图自动编码器获取circRNA(疾病)的低维表征;第三步,将学习到的特征输入到归纳式矩阵补全,填充已知关联矩阵的缺失值,重建原始关联矩阵;第四步,通过自注意力机制关注特征矩阵中的重要特征,减少对其他生物信息的依赖。最后,使用Adam优化器进行模型优化。五折交叉验证结果显示:与经典的模型对比,GIS-CDA表现出最佳性能(AUROC值为0.9303,AUPR值为0.2271)。此外,案例分析验证了GIS-CDA模型具有较好的使用价值。(2)针对局部图网络结构信息不够充分导致预测精度不高的问题,本文构建了一种基于图网络结构和基于图节点特征的双线表示深度学习模型,用于circRNA-疾病关联预测(CDA-DGRL)。第一步,计算circRNA(疾病)集成相似性,构建circRNA-疾病异构网络;第二步,利用稀疏自动编码器获取circRNA(疾病)节点特征;第三步,将circRNA-疾病异构网络和节点特征输入到图卷积神经网络中,捕捉局部图网络结构;第四步,利用node2vec对circRNA-疾病异构网络进行深度优先采样,捕捉全局图网络结构,从而缓解原始数据稀疏的问题;第五步,结合局部和全局图网络结构,并输入到超随机树分类器,识别潜在的circRNA-疾病关联关系。在circR2Disease数据集上实现的五折交叉验证结果表明:与现有类似先进的模型相比,CDA-DGRL表现出最佳性能(AUROC值为0.9866,AUPR值为0.9897)。此外,与基于机器学习的其他分类器相比,本模型采用的超随机树分类器在预测性能方面表现更优。同时,案例分析验证了CDA-DGRL模型的有效性。

关键词：环状RNA 图自动编码器关联预测图网络结构图节点特征

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：