检索结果-南通市图书馆

作者：黄雪纯中南大学

学位级别：硕士

为了减轻工作量、专注于核心的开发运维任务,项目维护人员会借助开发机器人来代替自己执行各种重复性任务。然而,普遍存在且身份隐蔽的机器人账户及其活动对软件工程的实证研究结果造成误导,甚至给开发者带来不积极反馈,使其产生对账户... 详细信息

为了减轻工作量、专注于核心的开发运维任务,项目维护人员会借助开发机器人来代替自己执行各种重复性任务。然而,普遍存在且身份隐蔽的机器人账户及其活动对软件工程的实证研究结果造成误导,甚至给开发者带来不积极反馈,使其产生对账户未知身份的恐惧心理,严重影响代码贡献热情。为了减少研究者手动隔离账户的工作量,让开发者认识并接纳机器人账户的真实身份,本文致力于研究GitHub社区中机器人账户检测的有效方法。为了在保证良好检测能力的同时,增强模型的适应性与拓展性,本文关注人类和机器人的行为模式差异,定义细粒度的行为事件分类,构建行为序列数据集,将账户检测视作序列分类问题。本文首先提出融合事件向量化和无监督学习的检测模型SA-ABiGRU。首先,使用时间感知的Event2vec模块生成事件表征;其次,通过无监督预训练最小化序列重构损失,得到训练良好的Bi GRU编码器;最后,构建融合注意力机制的Bi GRU序列分类模型,模型输出分类结果。针对SA-ABiGRU模型存在的事件嵌入表达能力不足,无监督预训练对下游分类性能提升有限的问题,本文提出了基于多元事件特征和对比学习的账户检测模型Cl4BoT。Cl4BoT由对比自监督学习框架和序列分类模块构成,采用多任务联合训练策略,对比学习过程中获得的自监督信号可进一步指导模型分类。本文还融合多元事件特征,设计基于Transformer模型的复合编码器来增强序列建模能力。在真实世界数据集上的实验,验证了本文所提出的两种机器人检测模型相比于现有方法的有效性。相比于SA-ABiGRU,Cl4BoT模型在同一序列数据集上取得了更优的分类表现,消融实验也证明了所设计的多元事件特征与对比自监督学习的有效性。图24幅,表17个,参考文献74篇

关键词：开源社区机器人账户检测序列建模对比自监督学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向图像分类的特征编码方法研究

面向图像分类的特征编码方法研究

作者：张智猗南京邮电大学

学位级别：硕士

现如今各行各业的信息化程度不断加深,信息资源呈现出井喷式增长态势,如何有效处理海量数据资源已成为一个各界关注的焦点。图像分类作为计算机视觉领域中一个基础的研究方向,在处理图像资源时起着至关重要的作用。在图像分类框架中,特... 详细信息

现如今各行各业的信息化程度不断加深,信息资源呈现出井喷式增长态势,如何有效处理海量数据资源已成为一个各界关注的焦点。图像分类作为计算机视觉领域中一个基础的研究方向,在处理图像资源时起着至关重要的作用。在图像分类框架中,特征编码扮演着承前启后的角色,对分类的精度和时间都有着重要的影响。本文主要研究面向图像分类的特征编码技术,具体研究工作如下:(1)考虑到面对人脸识别问题时,稀疏表示算法耗时严重,而协同表示算法在面对噪声、遮挡等干扰时的鲁棒性较差,本文提出一种面向人脸识别的奇异向量编码方法。该方法将未知样本视为所有已知样本的线性组合,通过对每个类别的已知样本进行奇异值分解得到奇异向量,借助奇异向量进行特征编码得到图像表示。在三个常见的人脸数据集上的实验结果表明,新方法有较高的识别精度和良好的鲁棒性,并且计算耗时远少于稀疏表示算法。(2)针对硬编码策略在编码过程中可能造成的量化误差,以及软编码策略难以为特征描述符选择最佳数量的视觉单词问题,本文提出一种面向场景图像分类的改进局部聚合描述符向量(Vector of Locally Aggregated Descriptors,VLAD)编码方法。新方法对传统的软编码策略进行了拓展,通过计算每个描述符的近邻视觉单词的距离方差来确定视觉单词数量,并利用显著性思想为这些视觉单词分配权重。本文在三个基准数据集上进行了相关实验,证明了与原有的VLAD方法对比,改进后的VLAD有更好的分类性能,并且在计算时间上没有明显变化。(3)针对当前对比自监督学习方法中训练任务复杂度较低、负样本不充分的问题,本文提出一种面向大规模图像分类的多网络对比学习方法。该方法尝试使用三条网络进行两两对比学习来增加任务的复杂度,通过整合同批样本集合与动量编码器维护的样本库以提供尽可能多的负样本。本文在三个常见的深度学习数据集上的进行了相关实验,证明所提出的两点改进措施都有助于模型的性能提升,新方法的分类性能优于现有的基线方法。

关键词：图像分类特征编码深度学习对比自监督学习

基于多关系异构图表征的虚假评论检测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多关系异构图表征的虚假评论检测方法研究

作者：汤江南南京财经大学

学位级别：硕士

虚假评论检测技术是指可以从评论数据中自动区分真实评论和虚假评论的技术。随着电子商务的快速发展,人们从线下购物逐渐转变为线上购物,并在一些社交平台分享他们对产品和服务的看法或评论。然而,一些不法商家为了利润雇佣水军在社交... 详细信息

虚假评论检测技术是指可以从评论数据中自动区分真实评论和虚假评论的技术。随着电子商务的快速发展,人们从线下购物逐渐转变为线上购物,并在一些社交平台分享他们对产品和服务的看法或评论。然而,一些不法商家为了利润雇佣水军在社交平台上进行欺诈评论以此来误导消费者。这种问题不仅会给消费者带来损失,还会影响电子商务平台的良性发展。尽管研究工作者已经提出大量虚假评论检测方法,但仍存在一些问题亟待解决。包括(1)现实情况下评论数据集存在常见的样本不均衡现象,即正常评论数量远高于虚假评论数量,使得模型更多地学习了正常评论数据特征,而对虚假评论特征识别效果不佳。(2)同时,面对群体性、相互关联性的水军团体,基于传统机器学习的检测方法仅依靠评论自身的相关特征输入分类器进行分类,而这些特征容易被水军伪装,往往忽略水军团体间难以伪装的网络结构关系信息。(3)其次,在现实庞大的评论数据集构成的网络中,评论节点的邻居节点数量庞大。这些邻居节点中存在大量的噪声节点,全部聚合邻居节点也会聚合了这些噪声节点的信息,从而使得检测效果变差。针对上面提出的问题,本文提出基于对比自监督学习和GraphSAGE(Graph Sample and Aggregate,简称GraphSAGE)的虚假评论检测方法以及基于多关系异构图和注意力机制的虚假评论检测方法,本文的主要工作与贡献点可以概况如下:首先,本文提出了基于GraphSAGE和对比自监督学习的虚假评论检测模型,解决了现实评论数据集庞大难以处理以及数据集中存在的样本不均衡问题。该方法通过构建单一关系图,利用图神经网络GraphSAGE中采样和聚合的方式,可以高效地处理由大规模评论数据集构成的图结构数据。随后,GraphSAGE将采样后的邻居节点信息进行聚合后,对每个节点生成一个固定长度的向量表示。接着,本研究设计了对比自监督学习模块,对聚合邻居节点信息的目标节点向量再次进行空间约束,利用节点标签数据,拉近同类型节点空间距离,拉远不同类型节点空间距离。各类别节点类内部集聚、类间拉远,使得各类别节点向量更具区分度,有利于解决数据集中样本不均衡现象,达到更好的检测分类效果。其次,本文提出了基于多关系异构图和注意力机制的虚假评论检测模型,解决了虚假评论者中存在的特征伪装、关系伪装以及邻居噪声节点问题。该模型对构建了多关系异构图替代上述基于GraphSAGE和对比自监督学习的虚假评论检测方法中构建的单一关系图,使得更全面地挖掘水军团体间的图结构信息,一定程度上消除特征伪装和关系伪装问题,减少由于某一关系图自身问题导致的错检或漏检。另外,该模型设计基于标签感知的余弦相似度方法过滤目标节点的一些邻居噪声节点,使得目标节点保留潜在的同类型邻居节点参与聚合过程。在聚合过程中,本研究设计新的多关系图图中、图间的消息聚合函数。这些消息聚合函数引入了注意力机制,可以聚合更加有效的邻居节点信息,优化图神经网络消息聚合效果,使得检测效果提升。本文在公开的真实评论数据集Yelp和Amazon进行了大量的实验验证,选用Recall以及AUC指标进行实验效果对比评估。实验效果表明,本文提出的两种模型达到或超越绝大部分虚假评论检测基准模型,并且实用性更强。

关键词：多关系异构图图神经网络对比自监督学习注意力机制

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GNN的车联网入侵检测系统研究

基于GNN的车联网入侵检测系统研究

作者：梁巧媛杭州电子科技大学

学位级别：硕士

车联网(Internet of Vehicles,Io V)是智能交通系统的关键组成部分,其开放的无线通信方式和动态的通信网络拓扑使Io V更易遭受诸如虚假信息的恶意攻击,为其网络安全造成隐患。基于深度学习的入侵检测系统(Intrusion Detection Systems,I... 详细信息

车联网(Internet of Vehicles,Io V)是智能交通系统的关键组成部分,其开放的无线通信方式和动态的通信网络拓扑使Io V更易遭受诸如虚假信息的恶意攻击,为其网络安全造成隐患。基于深度学习的入侵检测系统(Intrusion Detection Systems,IDS)作为一种重要的网络安全技术为Io V提供了保护,近年来受到了学者们的广泛关注。但现有深度学习的IDS局限于欧氏空间而未能充分学习流量数据中的信息导致检测性能不佳。本文引入图论、图神经网络和对比自监督学习等技术对Io V入侵检测系统展开研究。针对现有IDS大多基于卷积神经网络或循环神经网络等深度学习技术,将Io V网络流量建模为图像或序列等欧氏数据结构,忽略其本质是图数据结构这一事实导致检测率低误报率高的问题,提出一种基于图神经网络深度学习的车联网入侵检测方法(GDLIDM)。考虑流量间的关联性将Io V网络流量建模为图数据结构,首先将Io V通信拓扑生成流量关联图;然后利用图神经网络模型充分学习流量结构特征和流量属性特征将Io V入侵检测任务转化为属性图上的节点分类问题,并将GDL-IDM部署在移动边缘计算服务器上能够快速得到检测结果以应对高度动态的网络变化。通过UNSW-NB15数据集和Ve Re Mi扩展公开数据集上的实验验证GDL-IDM在入侵检测任务上的有效性,总体性能优于传统深度学习入侵检测模型。针对实际应用场景中很难获取有标签的Io V网络流量数据,而现有基于重构误差的自动编码器为主体的无监督学习方法,其目标是重构原始数据来学习潜在表示,而不直接针对入侵检测任务导致检测性能不理想的问题,提出一种基于对比自监督学习的车联网入侵检测方法(CSL-IDM),将Io V入侵检测任务转化为属性图上的异常检测问题。考虑到异常体现在节点与其相邻子结构之间的一致性关系,首先设计目标节点与局部子图的对比实例对;其次采用图神经网络作为编码器提取局部子图的高维特征信息;并凭借鉴别器计算每对实例对的匹配分数来评估节点的异常。在UNSW-NB15数据集和Ve Re Mi扩展公开数据集上设计消融实验和参数敏感性实验寻找最优参数,通过对比实验验证CSL-IDM在入侵检测任务上的有效性。

关键词：车联网入侵检测系统图神经网络对比自监督学习