检索结果-南通市图书馆

计算机应用研究 2002年第10期19卷 105-108页

作者：朱燕平华南师范大学通信工程系广东广州510631

多协议标记交换技术 (MPLS)是对现有IP组网模式的革新 ,在设计规划网络时它们的主要步骤有许多共同之处 ,但是对标签空间的度量则是MPLS所特有的。对标签空间及其使用进行了分析 ,并给出了标签空间的度量方法。

关键词： MPLS 标签空间度量多协议标记交换技术计算机网络

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于自监督知识的无监督新集域适应学习

软件学报 2022年第4期33卷 1170-1182页

作者：汪云云孙顾威赵国祥薛晖南京邮电大学计算机学院江苏南京210023 南京邮电大学自动化学院江苏南京210023 东南大学计算机科学与工程学院江苏南京210096

无监督域适应(unsupervised domain adaptation,UDA)旨在利用带大量标注数据的源域帮助无任何标注信息的目标域学习.在UDA中,通常假设源域和目标域间的数据分布不同,但共享相同的类标签空间.但在真实开放学习场景中,域间的标签空间很可... 详细信息

无监督域适应(unsupervised domain adaptation,UDA)旨在利用带大量标注数据的源域帮助无任何标注信息的目标域学习.在UDA中,通常假设源域和目标域间的数据分布不同,但共享相同的类标签空间.但在真实开放学习场景中,域间的标签空间很可能存在差异.在极端情形下,域间的类别不存在交集,即目标域中类别都为新未知类别.此时若直接迁移源域的类判别知识,可能会损害目标域性能,导致负迁移问题.为此,提出了基于自监督知识的无监督新集域适应(unsupervised new-set domain adaptation with self-supervised knowledge,SUNDA)方法,迁移源域的样本对比知识;同时,利用目标域的自监督知识指导知识迁移.首先,通过自监督学习源域和目标域初始特征,并固定部分网络参数用于保存目标域信息.再将源域的样本对比知识迁移至目标域,辅助目标域学习类判别特征.此外,利用基于图的自监督分类损失,解决域间无共享类别时目标域的分类问题.在手写体数字的无共享类别跨域迁移和人脸数据的无共享类别跨种族迁移任务上对SUNDA进行评估,实验结果表明,SUNDA的学习性能优于无监督域适应、无监督聚类以及新类别发现方法.

关键词：无监督域适应自监督学习标签空间类对比知识

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于语义信息引导的多标签图像分类

北京航空航天大学学报 2023年

作者：黄俊范浩东洪旭东李雪安徽工业大学计算机科学与技术学院合肥综合性国家科学中心人工智能研究院

多标签图像分类是计算机视觉中一项具有挑战性的任务，旨在为给定的输入图像预测一组标签。基于语义信息的研究要么利用语义和视觉空间的相关性，指导特征提取过程生成有效的特征表示，要么利用语义和标签空间的相关性，学习能够捕获标... 详细信息

多标签图像分类是计算机视觉中一项具有挑战性的任务，旨在为给定的输入图像预测一组标签。基于语义信息的研究要么利用语义和视觉空间的相关性，指导特征提取过程生成有效的特征表示，要么利用语义和标签空间的相关性，学习能够捕获标签相关性的加权分类器。这些工作大都将语义信息作为开发视觉空间或标签空间的辅助信息，很少有致力于同时开发语义、视觉和标签空间相关性的研究。针对该问题，提出了一种基于语义信息引导的多标签图像分类方法(Semantic Information Guided Multi-Label Image Classification，SIG-MLIC)，SIG-MLIC可以同时利用语义、视觉和标签空间，通过语义引导的注意力机制增强标签与图像区域的关联性而生成语义特定的特征表示，同时利用标签的语义信息生成一个具有标签相关性约束的语义字典对视觉特征进行重建，获得归一化的表示系数作为标签出现的概率。在三个标准的多标签图像分类数据集上的实验结果表明，SIG-MLIC中的注意力机制和字典学习可以有效提高分类性能，验证了基于语义信息引导的方法有效性。

关键词：多标签图像分类语义空间视觉空间标签空间注意力机制字典学习

事件联系及其标签自生成式深度发现技术的研究与实现

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

事件联系及其标签自生成式深度发现技术的研究与实现

作者：胡航平广西师范大学

学位级别：硕士

云服务的任何意外都有可能引发客商纠纷。一个有效的云服务问责机制是解决纠纷所需的手段,然而该手段得以奏效的关键前提是发现服务事件之间的异常依赖联系,它为问责机制的违规判定和失责溯源等提供异常联系基础。当前云服务事件联系发... 详细信息

云服务的任何意外都有可能引发客商纠纷。一个有效的云服务问责机制是解决纠纷所需的手段,然而该手段得以奏效的关键前提是发现服务事件之间的异常依赖联系,它为问责机制的违规判定和失责溯源等提供异常联系基础。当前云服务事件联系发现严重依赖于手工预先标注联系标签,劳动强度大且效率极低。其步骤大都是先人工解读数据而后再人工标注,另一种思路是,先机器标注而后人工解读。为此,标签自生成式的事件联系深度发现成为一道研究课题。首先,本文指出事件联系在数据上仍呈现未知离散特性,然而其发现方法却依赖于人主观感受而手工标注的联系签。由此引发事件联系发现方面亟待研究的难题,分别有未知特性与当前主观表征存在争议;未知特性在人工标注与机器标注上存在思路争议和方法挑战;事件联系深度发现在人工签与机器签上存在监督挑战。其次,针对上述难题,研究并发现云服务事件联系在数据上呈现离散高维非确定特性。据此探索并提议运用9维标签空间表征这些特性,并基于密度聚类给出标签自生成策略以及事件联系机器标签筛选策略。其三,依据标签自生成策略建立并构造事件联系的一种标签自生成数学模型及其方法,依据上述筛选策略构造事件联系的深度发现方法,进而重构标签自生成和事件联系的半监督深度发现模型。其四,基于事件联系的“标签自生成”和“深度发现”两个新方法,构造出它们的两个关键子算法。并在框架的计算模型基础上,构造并设计事件联系的一种标签自生成式深度发现框架算法,并给出上述三个算法的控制复杂度,为分析LAGREEN技术的有效性提供理论上限依据。其五,设计并实现标签自生成式事件联系深度发现技术原型系统,并依据测试用例检验该技术原型系统的功能满足性和性能有效性。本文有新意的工作共三项。针对事件多方特性的深层暗示与事件联系的直观表征的挑战,本文分析出当前研究对事件联系的认识存在片面性,即事件及其联系的异常并不仅仅体现在事件状态及其“状态对”上,更体现在载荷以及时长和重试上;而事件载荷（资源使用情况）决定事件是否得以正常运行。与此同时,事件的载荷异常也会在运行时长和运行重试等表现出来;而载荷和时长,甚至重试,这些因素都是人工难以直觉枚举标注的深层连续值。上述多方因素都可能表征事件及其联系的异常,因此,本文提议使用九维标签空间以全面表征事件联系特性。而一些无法靠直觉认识的事件深层特性（如事件的“载荷异常”与“长尾”特性）需依靠机器深层拟合、标注它的认识,因此本文给出一个基于密度聚类的标签自生成方法,以实现机器自标注。然而,不管是机器标注还是人工标注都有可能出错或存在片面性,需不断地反复筛选和纠正它的错误认识,才可逼近真实认识,本文给出一个半监督多标签联系发现方法,通过标签筛选策略剔除并修正错误认识。理论分析和实验的结果分析表明,本文所给的标签自生成式事件联系深度发现（Label Self-generating Deep Revealing for Event Connection,简称"LAGREEN"）系统具备标签自生成、不确定性事件联系发现、事件网构造等特质,其功能完整性可达0.875,且本系统可较准确地识别更深层的异常联系（如长尾异常联系等）,其准确率可达99.75%～99.97%。

关键词：事件联系标签自生成标签空间

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

基于链接分析和聚类的标签语义分析方法研究

基于链接分析和聚类的标签语义分析方法研究

作者：张帆大连理工大学

学位级别：硕士

社会标注系统的快速发展为互联网信息组织提供了新的方式。它延续了Web2.0以用户为中心的特点,充分利用用户知识来进行数据维护和管理。目前,越来越多的系统提供了对社会标注的支持。无论从支持的形式的多样性,还是从提供的功能的强健... 详细信息

社会标注系统的快速发展为互联网信息组织提供了新的方式。它延续了Web2.0以用户为中心的特点,充分利用用户知识来进行数据维护和管理。目前,越来越多的系统提供了对社会标注的支持。无论从支持的形式的多样性,还是从提供的功能的强健性上来说,社会标注系统的不断完善为广大互联网用户提供了更为方便的信息组织、分享以及查询环境。在社会标注系统中,用户可以不受约束的通过标签来对自己关注的资源进行标注。标签是社会标注中最为突出的特色,它不但显式地对资源内容进行语义描述,还隐式地反映着用户的兴趣偏好。其自由使用的特点让用户以没有任何限制的方式来对自己感兴趣的内容进行管理,因此无论什么背景的用户都可以参与到大众分类法的构建当中。然而,如同一把双刃剑,标签的自由性也为社会标注分析带来了很大的困难。首先,标签的歧义性问题严重阻碍了系统中推荐、分类、检索等功能的准确性。再次,数据空间过大的问题为进行快速、精准数据分析带来了很大的障碍。通常而言,标签在社会标注系统中以单词或词组的形式独立存在,但是不同的标签会共同标注相同资源或被不同用户同时使用,这样就提供一种发现标签之间间接关联的方式。因此,本文就从这些关系入手进行分析来解决社会标注分析过程中由标签所引起的一些难题。本文首先对社会标注系统中的基本概念进行介绍,讲解当前系统建模方式、系统应用特点以及社会标注分析过程中的一些难题等。然后,针对存在的问题提出基于连接分析和聚类的两类算法。在基于连接分析算法中,本文对用户以及标注行为进行打分,以寻求系统中权威用户和权威标注行为;在聚类算法中,本文首先对基于主题建模方案进行阐述,然后针对社会标注系统的特点提出基于潜在主题的标签聚类方式。在文章后半部分,通过在实际数据集Delicious和Movielens上进行了大量的实验分析,证实了问题提出的两个算法的合理性和有效性。

关键词：社会标注系统大众分类法标签歧义性标签空间连接分析聚类

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

一种改进的RAKEL多标签分类算法

浙江师范大学学报（自然科学版） 2016年第4期39卷 386-391页

作者：金永贤张微微周恩波浙江师范大学数理与信息工程学院浙江金华321004

RAKEL(random k-labelsets)算法是一种集成技术,能有效解决多标签分类问题.它将原始标签集随机选用一小部分标签子集构成的数据集来训练每个分类器,但由于RAKEL算法构造标签空间的随机性,并未充分考察到样本多个标签之间的相关性,从而... 详细信息

RAKEL(random k-labelsets)算法是一种集成技术,能有效解决多标签分类问题.它将原始标签集随机选用一小部分标签子集构成的数据集来训练每个分类器,但由于RAKEL算法构造标签空间的随机性,并未充分考察到样本多个标签之间的相关性,从而造成分类精度不高,泛化性能受到一定影响.为此,提出了改进的LC-RAKEL算法.首先,通过标签聚类将原始标签集划分成标签簇,再从每个标签簇中各选择一个标签构成标签集,以此发现标签空间中重要且不频繁的映射关系;然后,利用出现次数较少的标签集合组成新的训练数据,训练相应的分类器.实验证明,改进的算法性能优于其他常用多标签分类算法.

关键词：多标签分类 RAKEL 标签空间随机不频繁的映射

维普期刊数据库