检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图融合的半监督图神经网络方法研究

基于图融合的半监督图神经网络方法研究

作者：马骞兰州大学

学位级别：硕士

机器学习方法已经被使用在生产生活的各个方面。然而,无监督机器学习方法在复杂数据上的准确率不能满足实际的生产需求,有监督学习的准确率虽高,但其严重依赖于大量的有标记的训练数据进行训练,人工标记数据的成本又很高,因此可以使用... 详细信息

机器学习方法已经被使用在生产生活的各个方面。然而,无监督机器学习方法在复杂数据上的准确率不能满足实际的生产需求,有监督学习的准确率虽高,但其严重依赖于大量的有标记的训练数据进行训练,人工标记数据的成本又很高,因此可以使用少量标记样本和大量未标记样本进行共同学习的半监督学习方法受到了工业界和学术界的青睐。然而,当前基于图的半监督学习方法,例如图神经网络的方法,严重依赖于单一的固定的图关系,这制约了基于图的半监督学习方法的整体表现。本文提出了一种可以动态构建多张图的半监督图神经网络方法,旨在缓解当前基于图的半监督学习方法对单一固定图的依赖,提升基于图的半监督学习方法的整体性能。本文提出了紧致图融合卷积框架。该框架可以为三个部分,分别是多张图相似矩阵的构建部分,对多张图相似矩阵的增广部分,增广后多张图相似矩阵的融合部分。在构建多张图相似矩阵部分,本文提出了两种的方法,分别是基于马尔科夫链的方法和基于多度量方式的方法。通过动态构建得到的多张图相似矩阵,分别是从不同的角度得到的,可以从多个方面,更好的反映样本之间的相似关系。对这两种不同的构建多张图相似矩阵的方法,本文引入了不同的图约束方法,迫使属于同一类的样本在通过特征提取网络得到特征在隐空间中形成更加紧密的簇。在图增广部分,本文提出了两种对图的增广操作,将原来表征相似关系的单一数据扩展到了多个维度,利用这多个维度的信息描述任意两样本之间的相似关系。图增广操作可以从这构建出的多张图关系上提取到更多信息。本文还说明了经过增广操作之后的图关系由原来的非结构化数据变成了半结构化数据,这使得在增广之后的图数据上使用传统卷积网络成为可能。在图融合部分,为了能将这多个维度描述样本相似关系的信息进行整合,本文使用卷积网络对这些增广后的半结构化的图数据进行融合,以得到更好的相似矩阵。本文提出的多张图相似矩阵的增广和融合方法,其实就是一种新的基于空间的图卷积神经网络方法。最后本文通过实验证明该方法确实可以得到更好的图相似矩阵,提升基于图的半监督学习方法的准确率。本文提出的方法整合了从多个角度得到的相似信息,结合了图的正则化,自表达约束的优点,可以很容易地应用于现有网络,有效地使用未标记数据上的信息。

关键词：半监督学习图卷积神经网络深度学习图融合分类算法机器学习

基于图乘运算的多源异构数据图融合和链接预测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图乘运算的多源异构数据图融合和链接预测方法研究

作者：郎绪文华中科技大学

学位级别：硕士

数据挖掘技术在推送企业信息、提升决策效率等方面发挥着重要作用。在实际应用中,经常需要挖掘不同来源的实体之间的关联关系。不同实体对应的数据在存储结构上存在差别,称之为异构数据。多源异构数据网络信息包含数据节点的属性信息、... 详细信息

数据挖掘技术在推送企业信息、提升决策效率等方面发挥着重要作用。在实际应用中,经常需要挖掘不同来源的实体之间的关联关系。不同实体对应的数据在存储结构上存在差别,称之为异构数据。多源异构数据网络信息包含数据节点的属性信息、单类网络内部的拓扑结构信息以及异构网络拓扑结构信息。当前提出的预测方法通常只利用了其中部分信息,并且局限于二分网络。为了将三类信息融合进预测过程中,提出了基于图乘运算的多源异构数据链接预测框架。基于图乘运算的多源异构数据预测链接框架利用网络的节点属性信息生成节点间的相似性,并利用单类网络内部的拓扑结构信息将节点间相似性扩展到高阶相似性。之后将带权k分图利用图乘运算融合为带权融合单部图,将多源异构数据之间的链接预测问题转化为单部图中的分类问题。融合节点间的链接体现了融合前异构网络的拓扑结构信息,可以利用该信息生成融合节点的特征向量并进行预测。此外,该框架在理论上适用于三阶及三阶以上网络的链接预测问题。对于PU问题的数据,提出了基于孤立森林的标签传播算法,可以快速对PU问题中的未知链接进行分类。为评估该预测框架,选用Drug-Target数据集测试在PU问题上的效果,选用cora数据集测试在PNU问题上的效果。实验结果表明与传统的预测方法相比,该预测框架在PU和PNU问题数据集上都拥有不错的预测效果。基于孤立森林的标签传播算法的实验表明,该算法在PU问题数据集上有很快的训练及预测速度,并能够保证较高的召回率。

关键词：多源异构数据链接预测图乘图融合

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于电路网络的多图融合

中国科学技术大学学报 2013年第1期43卷 57-64页

作者：周延萍刘发林中国科学技术大学电子工程与信息科学系安徽合肥230027

结合互联网图像搜索的特点,提出了一种适用于大数据集基于电路网络的线性多图融合框架.根据核矩阵对应图模型的马尔可夫网络特征,分析了电路网络描述马尔可夫网络和多马尔可夫网络融合的可行性.分析了单源单地电路网络和谱聚类在描述流... 详细信息

结合互联网图像搜索的特点,提出了一种适用于大数据集基于电路网络的线性多图融合框架.根据核矩阵对应图模型的马尔可夫网络特征,分析了电路网络描述马尔可夫网络和多马尔可夫网络融合的可行性.分析了单源单地电路网络和谱聚类在描述流形上的相似关系,并受此启发找到了对应于等周分割模型的单地多源电路网络模型,给出了它的希尔伯特空间解释.分析了电路网络和经典排序算法的联系,进而提出了一种新的快速迭代算法.在以上工作的基础上,提出了多图融合的电路网络模型,该模型可以方便的利用k近邻信息和相关信息.在多模态图像搜索的应用里,比较了单地多源电路网络模型和流形排序以及其他多图融合、相关性分析模型;实验结果验证了融合模型和快速算法的有效性.

关键词：图融合电路网络多模态图像搜索

在线全文

学校读者我要写书评

暂无评论

面向聚类任务的图融合与图嵌入

面向聚类任务的图融合与图嵌入

作者：牛思佳天津大学

学位级别：硕士

机器学习和数据挖掘中多数数据类标签的缺失,使得聚类任务成为学习过程中的关键任务。聚类的最终目的是揭示数据的隐藏特性,因此对于聚类任务,得到合理的样本关系对的表示至关重要。而对于维度较高的数据的聚类任务,由于其数据密度低,... 详细信息

机器学习和数据挖掘中多数数据类标签的缺失,使得聚类任务成为学习过程中的关键任务。聚类的最终目的是揭示数据的隐藏特性,因此对于聚类任务,得到合理的样本关系对的表示至关重要。而对于维度较高的数据的聚类任务,由于其数据密度低,较难从中得到有用的信息。目前常用的解决方法是无监督特征选择和子空间聚类。无监督学习任务中由于数据无类标签,无法直观得到样本关系,此时可通过构建图模型来表示,以挖掘数据信息,构建学习模型。无监督特征选择需要用样本间的相似性或判别性信息来代替类标签,在这类算法中,谱聚类是一种常用的生成样本伪标签矩阵的方法,它本身是一种基于图的聚类方法。目前衡量样本间相似性的方法有多种,但多数无监督特征选择算法凭经验选择某种方法构建图模型,无明确理由认为此方法能真实反映样本分布。如何将不同方法构建的图融合进行无监督特征选择以提升聚类性能是本文要解决的一个问题。另外,多数子空间聚类方法是首先生成亲和度矩阵,将其应用于谱聚类以完成聚类过程。现存一种符号社交网络数据,特点是拥有除样本特征矩阵外的用户正负连接关系矩阵数据。能否利用图嵌入使正负连接关系参与到优化学习过程中得到的样本间相似性关系,并得到更接近数据样本真实关系的亲和度矩阵,进而提升聚类性能是本文要解决的另一个问题。本文针对面向聚类任务提升聚类性能的自适应图融合无监督特征选择问题和基于图嵌入的聚类问题进行了探讨与分析,主要研究工作包括:(1)提出了面向聚类任务的自适应图融合无监督特征选择方法,利用无参数自动加权多图学习方法,将不同方法构建成的图模型自适应地融合,用于基于谱聚类的方法以计算伪标签矩阵,并进行无监督特征选择,并将选择的特征进行聚类任务,提升聚类性能。(2)提出了基于图嵌入的聚类方法,将符号网络数据中的正负连接关系图嵌入到子空间聚类过程中以帮助学习样本间相似性,进而提升聚类性能。

关键词：聚类图融合无监督特征选择图嵌入子空间聚类

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于图的多源数据融合框架研究

计算机科学 2021年第11期48卷 170-175页

作者：匡广生郭岩俞晓明刘悦程学旗中国科学院大学北京100049 中国科学院计算技术研究所中国科学院网络数据科学与技术重点实验室北京100190

在给定的任务中分析各种数据时,目前大多数研究只针对单源数据进行分析,缺乏应用于多源数据的方法。但如今数据日益丰富,因此提出一种多源数据融合框架,用于融合多种网络平台数据。同一平台数据中包含文本与各种属性,同时不同平台的数... 详细信息

在给定的任务中分析各种数据时,目前大多数研究只针对单源数据进行分析,缺乏应用于多源数据的方法。但如今数据日益丰富,因此提出一种多源数据融合框架,用于融合多种网络平台数据。同一平台数据中包含文本与各种属性,同时不同平台的数据在内容与形式方面也存在很大差异。然而现有的网络信息挖掘方法大多仅使用同一平台中的部分数据进行分析,忽略了不同平台的数据之间存在的相互作用。因此文中提出一种数据融合框架,一方面,能基于图的强大表示能力融合同一平台不同类型的特征,从而提升单个平台的任务性能;另一方面能够利用不同平台的数据特征,使其相互补充,从而提升多个平台的任务性能。文中讨论的融合数据类型包括文本、时间、作者信息,这些特征涉及连续特征、离散特征以及非结构化特征。所提框架在事件分类任务上提升了F 1值,验证了提出的多源数据框架的有效性。

关键词：融合表示多源数据图融合

在线全文

学校读者我要写书评

暂无评论

一种快速的图融合图像检索方法

中文科技期刊数据库（文摘版）社会科学

中文科技期刊数据库（文摘版）社会科学 2016年第8期 0034-0035页

作者：董强大连育明高级中学辽宁大连116000

本文主要研究了融合特征图的优化并对现有的图像检索结果以谱聚类和贪心算法的思想进行了重新排序;大大提高了图像检索的准确度。

关键词：图像检索图融合谱聚类贪心算法

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

自适应相似图联合优化的多视图聚类

计算机学报 2024年第2期47卷 310-322页

作者：纪霞施明远周芃姚晟安徽大学计算机科学与技术学院合肥230601 安徽大学国际脑科学工程研究中心合肥230601

相比于单一视图学习,多视图学习往往可以获得学习对象更全面的信息,因而在无监督学习领域,多视图聚类受到了研究者的极大关注,其中基于图的多视图聚类,近年来取得了很大的研究进展.基于图的多视图聚类一般是先从各个视图原始数据学习相... 详细信息

相比于单一视图学习,多视图学习往往可以获得学习对象更全面的信息,因而在无监督学习领域,多视图聚类受到了研究者的极大关注,其中基于图的多视图聚类,近年来取得了很大的研究进展.基于图的多视图聚类一般是先从各个视图原始数据学习相似图,再进行视图间相似图的融合来获得最终聚类结果,因此,多视图聚类的效果是由相似图质量和相似图融合方法共同决定的.然而,现有基于图的多视图聚类方法几乎都聚焦在视图间相似图的融合方法研究上,而缺乏对相似图本身质量的关注.这些方法大多数都是孤立地从各视图的原始数据中学习相似图,并且在后续图融合过程中保持相似图不变.这样得到的相似图不可避免地包含噪声和冗余信息,进而影响后续的图融合和聚类.而少量考虑相似图质量的研究,要么相似图构造和图融合过程是直接联立迭代的,要么在预定义相似图过程中提前利用秩约束进一步初始化,要么就是利用相似图存在的一些底层结构来获取融合图的.这些方法对相似图本身改进很小,最终聚类性能提升也十分有限.同时现有基于图的多视图聚类流程也缺乏对各视图间一致性和不一致性的综合考虑,这也会严重影响最终的多视图聚类性能.为了避免低质量预定义相似图对聚类结果的不利影响以及综合考虑视图间一致性与不一致性来提升最终聚类效果,本文提出了一种自适应相似图联合优化的多视图聚类方法.首先通过Hadamard积来获得视图间高质量一致性部分信息,再将每个预定义相似图和这部分信息对标,重构各个视图的预设相似图.这个过程强化了各视图间的一致性部分,弱化了不一致性部分.其次设计了相似图重构改进和图融合联合迭代优化框架,实现了相似图的自适应改进,最终达到相似图和聚类结果共同提升的效果.该方法将相似图改进过程与图融合过程联合起来进行自适应迭代优化,并且在迭代优化中不断强化各视图间的一致性,弱化视图间的不一致性.此外,本文的方法也集成了现有多视图聚类方法的一些优点,自加权以及无需额外聚类步骤等.在九个基准数据集上与八个对比方法的实验验证了本文方法的有效性与优越性.

关键词：多视图聚类相似图自适应优化图融合自加权

在线全文

学校读者我要写书评

暂无评论

基于图神经网络的P2P僵尸网络检测方法

工程科学与技术 2022年第2期54卷 65-72页

作者：林宏刚张运理郭楠馨陈麟成都信息工程大学网络空间安全学院四川成都610225 先进密码技术与系统安全四川省重点实验室四川成都610225 网络空间安全态势感知与评估安徽省重点实验室安徽合肥230037

P2P僵尸网络因具有较高的隐蔽性和健壮性,已经成为新型的网络攻击平台,对网络空间安全造成的威胁越来越大,但现有基于规则分析或流量分析的检测方法不能有效检测。为了解决P2P僵尸网络隐蔽性强、难以识别等问题,提出了一种基于图神经网... 详细信息

P2P僵尸网络因具有较高的隐蔽性和健壮性,已经成为新型的网络攻击平台,对网络空间安全造成的威胁越来越大,但现有基于规则分析或流量分析的检测方法不能有效检测。为了解决P2P僵尸网络隐蔽性强、难以识别等问题,提出了一种基于图神经网络(graph neural network,GNN)的P2P僵尸网络检测方法。该方法不依赖流量协议特征,而是基于P2P僵尸网络节点交互特征及网络拓扑结构信息实现检测。首先,该方法先提取P2P僵尸网络流量中的源IP、目的IP、出度、入度和节点介数中心性,构建成拓扑图、出入度图和介数中心性图;其次,通过元素积对3种特征图的邻接矩阵加权求和进行图融合,得到检测模型的输入;然后,利用基于注意力机制的图卷积神经网络提取节点间特征,使用神经协同过滤算法实现中心节点注意力概率分配,完成节点状态更新;最后,利用多层图卷积层之间的紧密连通性实现对交互特征的降维抽取和对高阶结构信息的挖掘,自动学习僵尸网络的内在特征,并通过节点分类模块判别分类,完成僵尸网络检测。使用ISCX–2014僵尸网络数据集对该方法进行对比验证,实验结果表明,在训练样本包含僵尸网络节点规模较大时本文提出的深层图神经网络方法的检测准确率和模型稳定性优于其他两类对比方法,所提方法能有效提高P2P僵尸网络检测能力和泛化能力,降低误报率。

关键词： P2P僵尸网络深度学习图卷积神经网络图融合注意力机制

在线全文

学校读者我要写书评

暂无评论

视图关系学习与图学习的多视图图聚类

计算机科学与探索 2023年第10期17卷 2435-2449页

作者：袁柱高清维王琳赵大卫卢一相孙冬竺德安徽大学电气工程与自动化学院合肥230601

简单高效的多视图图聚类方法近年来受到广泛关注。大多数现有的多视图图聚类算法对隐藏在多视图数据中的信息挖掘不够充分,导致次优的聚类结果。为解决这一问题,提出一种结合视图关系学习与图学习的多视图图聚类算法(MVG)。该方法在一... 详细信息

简单高效的多视图图聚类方法近年来受到广泛关注。大多数现有的多视图图聚类算法对隐藏在多视图数据中的信息挖掘不够充分,导致次优的聚类结果。为解决这一问题,提出一种结合视图关系学习与图学习的多视图图聚类算法(MVG)。该方法在一个统一的框架中基于多视图自表达来整合图融合与谱聚类学习。扩展了视图自表达学习,揭示了高维数据的低维子空间分布,联合约束了多视图数据分布的几何结构。并且利用多视图视图数据之间的互补信息,优化每个视图的相似图。交替优化谱聚类输入图和不同视图所占权重。最后通过对融合图图结构的学习,建立了与谱聚类的联系,构建了一个高质量的谱聚类输入图。充分挖掘和利用隐藏在多视图数据中的信息,在提升聚类性能方面有很强的竞争性。在五个广泛使用的多视图数据集上进行实验,验证算法的有效性和可行性。在reuters-1200数据集上的实验数据表明,在聚类评价指标上分别比次优方法提升0.22、0.09、0.115、0.152、0.032和0.185。

关键词：多视图图聚类互补信息视图关系学习图学习图融合