检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于因果分析的能源系统缺失值补充研究

软件导刊 2024年第1期23卷 103-107页

作者：房旭浙江理工大学计算机科学与技术学院浙江杭州310018

针对传统行业中传感器因周围环境导致数据丢失或缺失的困境,提出在未知数据分布情况下基于因果分析对能源系统中的多变量数据进行深度学习的方法,并利用其结果对缺失值进行补充。首先,对样本进行再均衡;其次,基于LSTM的多变量构建模型,... 详细信息

针对传统行业中传感器因周围环境导致数据丢失或缺失的困境,提出在未知数据分布情况下基于因果分析对能源系统中的多变量数据进行深度学习的方法,并利用其结果对缺失值进行补充。首先,对样本进行再均衡;其次,基于LSTM的多变量构建模型,利用因果分析优化其深度学习的优化器,去除在学习过程中不被期望的影响因子,削弱特征值与稳定偏转之间的伪相关,并结合安慰剂效应排除稳定偏转对特征值的影响;再次,将特征值与有害因子相减,获得去除有害因子的值进而优化模型得到更优结果。这种方法解决了在机器学习过程中对头部数据的欠拟合和对尾部数据的过拟合问题。在多变量的能源系统数据集中进行实验,结果表明,该方法在将缺失值插补收敛到真实值的问题上精度更高。

关键词：因果分析神经网络长尾分布缺失值插补

长尾分布的φ混合和UND随机变量的精细大偏差

在线全文

学校读者我要写书评

暂无评论

长尾分布的φ混合和UND随机变量的精细大偏差

作者：齐晓梦大连理工大学

学位级别：硕士

精细大偏差在保险的理论研究中有很深远的意义,到现在为止,有很多研究者都对精细大偏差的研究做了不少贡献,得到了很多优秀的成果.服从重尾分布的随机变量也广泛运用于保险和金融模型中,于是将重尾分布与精细大偏差结合,成为近来概率论... 详细信息

精细大偏差在保险的理论研究中有很深远的意义,到现在为止,有很多研究者都对精细大偏差的研究做了不少贡献,得到了很多优秀的成果.服从重尾分布的随机变量也广泛运用于保险和金融模型中,于是将重尾分布与精细大偏差结合,成为近来概率论领域研究的热点,但是在现有成果中,关于长尾分布的精细大偏差的研究结果却不多.目前,也有一些研究者对Φ混合序列的性质和应用进行探讨,它被应用到平稳过程、时间序列及非平稳过程的统计推断等实用性较强的领域中,但是,我们对于Φ混合随机变量序列的精细大偏差的研究结果却知之甚少.在对精细大偏差的研究中,大多数研究人员只致力于研究只提供一种保险合同的保险公司,然而,这与现实生活中的实际情况是不符合的,因此,研究多维风险模型下的精细大偏差问题更具有实际应用价值.而且,根据我们所知道的已有结论,关于长尾分布、Φ混合随机变量序列、多维风险模型下的精细大偏差的渐近结果都相对较少.在这篇文章中,首先,我们得出了Φ混合序列的随机大数定律.其次,我们研究了Φ混合和UND随机变量和关于长尾分布的精细大偏差,并分别得到了长尾分布随机变量的非随机和以及随机和的渐近关系.最后,鉴于保险公司的实际情况,提出了多维风险模型,作为一维情况的推广,我们研究了在多维风险模型下长尾分布的Φ混合和UND随机变量和的精细大偏差,并分别得到了在这个模型下,长尾分布随机变量的非随机和以及随机和的渐近关系.

关键词：精细大偏差长尾分布 φ混合上负相依多维风险模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多主题受限玻尔兹曼机的长尾分布推荐研究

小型微型计算机系统 2018年第2期39卷 304-309页

作者：史明哲吴国栋张倩疏晴安徽农业大学信息与计算机学院合肥230036 东华大学旭日工商管理学院上海200051

随着电子商务的快速发展,网络销售已成为一个重要的商品销售方式,而在线商品销售的长尾效应,也成为电子商务研究中亟待解决的问题.由于对冷门商品的评价数量少,导致现存的推荐算法很难使用户关注长尾商品,影响了长尾商品的销售,如何提... 详细信息

随着电子商务的快速发展,网络销售已成为一个重要的商品销售方式,而在线商品销售的长尾效应,也成为电子商务研究中亟待解决的问题.由于对冷门商品的评价数量少,导致现存的推荐算法很难使用户关注长尾商品,影响了长尾商品的销售,如何提高对长尾商品的推荐显得十分重要.本文提出L_RRBM(Latent Dirichlet Allocation-Real Restricted Boltzmann Machines)算法,通过提取用户偏好及商品的主题,结合改进受限玻尔兹曼机对商品未知主题权重的预测,以解决对长尾商品的推荐问题.试验结果表明了本文推荐算法的有效性和可行性.

关键词：受限玻尔兹曼机长尾分布 LDA主题模型推荐系统

武汉大学两项研究成果被CVPR 2024录用

在线全文

学校读者我要写书评

暂无评论

信息网络安全 2024年第4期24卷 653-653页

作者：武汉大学武汉大学

近日,武汉大学国家网络安全学院王骞教授和王鹃教授课题组两项最新成果被计算机视觉领域著名会议——国际计算机视觉与模式识别会议(IEEE/CVF Conference on Computer Vision and Pattern Recognition,CVPR 2024)录用。第一项研究工作... 详细信息

近日,武汉大学国家网络安全学院王骞教授和王鹃教授课题组两项最新成果被计算机视觉领域著名会议——国际计算机视觉与模式识别会议(IEEE/CVF Conference on Computer Vision and Pattern Recognition,CVPR 2024)录用。第一项研究工作由武汉大学国家网络安全学院2022级硕士研究生岳新立完成,论文题目为“Revisiting Adversarial Training under Long-Tailed Distributions”(《重新审视长尾分布下的对抗训练》),指导老师为王骞教授、赵令辰副教授(通讯作者),武汉大学国家网络安全学院2021级博士研究生牟宁平参与了该成果的研究工作。

关键词：计算机视觉模式识别博士研究生硕士研究生对抗训练国家网络安全武汉大学长尾分布

在线全文

学校读者我要写书评

暂无评论

基于长尾分布数据集的目标检测算法研究

基于长尾分布数据集的目标检测算法研究

作者：张夕萌华南理工大学

学位级别：硕士

随着深度学习技术的蓬勃发展,人工智能相关应用越来越多的出现在日常生活中。其中的代表性技术,如人脸识别,行人识别,车牌识别等,为人类生活创造了极大的便利。而在这些应用领域,目标检测算法扮演着重要角色。尽管现有的算法在类别较少... 详细信息

随着深度学习技术的蓬勃发展,人工智能相关应用越来越多的出现在日常生活中。其中的代表性技术,如人脸识别,行人识别,车牌识别等,为人类生活创造了极大的便利。而在这些应用领域,目标检测算法扮演着重要角色。尽管现有的算法在类别较少的任务上达到了很高的精度,但是随着类别数目的增加,其性能会急剧恶化,无法应对自动驾驶、机器人巡检等复杂自然场景下的算法需求。通过对大规模多分类数据集LVIS的深入分析,本文认为数据集的长尾分布是制约多类别目标检测的主要瓶颈。长尾分布是指在训练集内的各个类别的数量极度不均衡而导致稀有类别欠拟合的现象。识别领域通常采用“重加权”和“重采样”解决此类问题。然而在检测任务中,实例与图片互相耦合,稀有类与背景难以区分,为稀有类的检出带来了更大挑战。本文在Faster RCNN的基础上,提出了新的损失函数和采样策略。损失函数方面,通过拆分前景-背景损失抑制了类间竞争,并进一步通过对稀有类的梯度保护和重加权提高训练时梯度占比;采样策略方面,首先通过Top K anchor提升RPN阶段稀有类锚框的样本数量,进而提高了稀有类区域提议的分数,随后通过自适应Io U阈值的RCNN采样提升了稀有类样本数量,配合实例优先的图像级别采样,有效提升了稀有类的精度。本文的实验基于LVIS数据集展开。与Faster RCNN相比,本文提出的方法在整体上有4.9%的mAP提升,对稀有类的mAP的提升更为明显,达到13.3%。在与同领域其他方法的对比中同样处于领先水平。进一步的实验证实,本实验在不同模型结构和训练设置下均取得了较好的效果,展现出良好的实用性和泛化性,为相关技术研究和实际应用提供了良好的范例。

关键词：长尾分布目标检测损失函数采样策略深度神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向数据长尾分布的实体关系抽取研究

面向数据长尾分布的实体关系抽取研究

作者：余海阳浙江大学

学位级别：硕士

现如今人工智能伴随着机器学习和深度学习等相关技术的快速发展,已经在日常生活、工作中处处发挥着便利我们的作用,但是智能机器进一步认知人类世界离不开对知识的理解。知识图谱以结构化的形式存储着数据知识,用于描述客观世界中的抽... 详细信息

现如今人工智能伴随着机器学习和深度学习等相关技术的快速发展,已经在日常生活、工作中处处发挥着便利我们的作用,但是智能机器进一步认知人类世界离不开对知识的理解。知识图谱以结构化的形式存储着数据知识,用于描述客观世界中的抽象概念、命名实体以及相互关联关系。知识图谱构建质量依赖于实体关系抽取的性能。目前基于深度学习的实体关系抽取模型依赖于大量的标注数据,而真实应用落地场景中少样本类别所占比例较大,数据长尾分布的特点不容忽视。数据长尾分布场景下,如何能够合理利用头部常见类别的较多标注数据解决尾部少样本类别抽取性能较差的问题,是目前亟需解决的科研课题。目前面向实体关系抽取数据的长尾分布特点,分别有针对整体分布下类别不平衡场景的研究,以及专门针对长尾部分少样本数据场景的抽取研究。本文基于这两方面研究视角分别提出了数据长尾分布场景下改善实体关系抽取性能的算法模型。在整体分布类别不平衡研究视角,提出解耦现有抽取模型的角度看待抽取问题,从而将提升尾部类别抽取性能的关键放在了分类层模块参数学习上;在针对尾部数据少样本研究视角,提出了充分利用实体和关系的交互信息,通过构建多类型原型的方式桥接文本信息和知识表征信息以提升尾部少样本数据的抽取性能。具体来讲,本文研究内容包括如下两个方面:1.针对整体数据长尾分布导致的类别不平衡研究视角,本文提出了将现有基于深度学习的实体关系抽取模型解耦看待。当模型解耦为用于抽取文本语义信息的表征层和针对特定类别范式的分类层后,观察探针解耦实验结果发现常用的自然采样方式学习到的表征能力高于数据重采样、损失函数重加权等类别重平衡处理技巧。此时进一步提出采用基于关系注意力的路由机制RAR(Relational Attention Routing)分类层参数学习算法,让关系层胶囊更均衡的竞争表征层文本信息胶囊的注意力,并结合关系胶囊层均分初始化及跨胶囊层多次路由迭代的优势,得以提升整体数据的抽取性能。在常用和人为构造的长尾实体关系抽取数据集上进行实验,得到验证所提方法的有效性,在不降低头部类别抽取性能的前提下提升尾部不常见类别的抽取能力。2.针对长尾部分少样本数据研究视角,为了充分利用知识三元组中实体对和关联关系之间的隐式交互,结合知识表示学习中的翻译算法,提出了一种多原型嵌入网络模型MPE-Net(Multi-Prototype Embedding Network)用于解决少样本场景中的实体关系联合抽取问题。具体来说,模型设计了一种混合的原型学习机制,将实体对和关系的文本、知识桥接在一起,从而让模型在学习过程注入实体和关系之间的隐式关联。此外,为了增强模型学习原型的效率和性能,同时引入了一种原型感知的正则约束,使得同类别的原型学习更加集聚,不同类别原型间的空间距离进一步拉大。

关键词：实体关系抽取深度学习长尾分布类别不平衡少样本学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于动态语义记忆网络的长尾图像描述生成

北京航空航天大学学报 2022年第8期48卷 1399-1408页

作者：刘昊杨小汕徐常胜中国科学院自动化研究所模式识别国家重点实验室北京100190

图像描述生成任务旨在基于输入图像生成对应的自然语言描述。现有任务数据集中大部分图像的描述语句通常包含少量常见词和大量罕见词,呈现出长尾分布。已有研究专注于提升模型在整个数据集上的描述语句准确性,忽视了对大量罕见词的准确... 详细信息

图像描述生成任务旨在基于输入图像生成对应的自然语言描述。现有任务数据集中大部分图像的描述语句通常包含少量常见词和大量罕见词,呈现出长尾分布。已有研究专注于提升模型在整个数据集上的描述语句准确性,忽视了对大量罕见词的准确描述,限制了在实际场景中的应用。针对这一问题,提出了基于动态语义记忆网络(DSMN)的长尾图像描述生成模型,旨在保证模型对常见名词准确描述的同时,提升模型对罕见名词的描述效果。DSMN模型能够动态挖掘罕见词与常见词的全局语义关系,实现从常见词到罕见词的语义知识迁移,通过协同考虑全局单词语义关系信息及当前输入图像和已生成单词的局部语义信息提升罕见词的语义特征表示能力和预测性能。为了有效评价长尾图像描述生成方法,基于MS COCO Captioning数据集定义了长尾图像描述生成任务专用测试集Few-COCO。在MS COCO Captioning和Few-COCO数据集上的多个量化实验表明,DSMN模型在Few-COCO数据集上的罕见词描述准确率为0.6028%,召回率为0.3234%,F-1值为0.3567%,相较于基准方法提升明显。

关键词：深度学习图像理解图像描述生成长尾分布记忆网络

在线全文

学校读者我要写书评

暂无评论

长尾分布的一些新的充分条件与必要条件

伊犁师范学院学报（自然科学版） 2021年第2期15卷 1-4页

作者：程林鑫唐芸瑞陈维伊犁师范大学数学与统计学院新疆伊宁835000

受到Eugene Seneta研究单调慢变函数的有关结果的思想方法的启发,得到长尾分布的一些新的充分条件与必要条件.

关键词：长尾分布尾函数逆函数渐近性

在线全文

学校读者我要写书评

暂无评论

长尾数据分布下的SAR图像目标识别

长尾数据分布下的SAR图像目标识别

作者：郭慧敏厦门大学

学位级别：硕士

合成孔径雷达(SAR)广泛应用于军事等各领域,SAR图像的目标识别具有研究与实际应用价值。然而SAR图像目标识别技术虽经过多年研究取得了一定成就,但在复杂的实战环境下,仍会因SAR图像的数据分布和应用特点受到很大的限制。在实际应用中,... 详细信息

合成孔径雷达(SAR)广泛应用于军事等各领域,SAR图像的目标识别具有研究与实际应用价值。然而SAR图像目标识别技术虽经过多年研究取得了一定成就,但在复杂的实战环境下,仍会因SAR图像的数据分布和应用特点受到很大的限制。在实际应用中,受不确定环境的影响,缺少足够的采样率和驻留时间获取相应目标的大量样本,对于非合作目标的数据获取就更难,这导致数据变化较为单一,非合作目标数量较少,这使得数据呈现长尾分布。由于长尾分布中尾部类别样本数量较少且缺少多样性,容易导致模型过拟合、泛化性能差的问题。本文围绕长尾数据分布下SAR图像目标识别问题展开研究。首先,本文针对SAR图像数据分布不均衡导致模型容易过拟合、泛化能力差的问题,提出了基于解耦特征表示与分类器的SAR图像目标识别方法,该方法将模型学习分成两个阶段,表征学习和分类器学习,并提出均衡采样的方法和四种不同的分类器学习策略。通过均衡采样和解耦表征学习和分类器的方法,提高了识别的准确率和模型的泛化能力。其次,本文从SAR图像的标签信息的“价值”视角出发,提出由于数据不均衡分布,使得标签呈现长尾分布的问题,针对该现象本文提出了基于对比学习的SAR图像目标识别算法,且将模型的学习分为对比学习阶段和分类器学习阶段。在基于自监督对比学习的SAR图像目标识别方法中,首先进行自监督预训练,抛弃标签信息,更加全面地提取特征并保存,而后利用第一阶段的特征表示和均衡采样的方式进行分类器训练,该方法很好地改善了模型标签偏好问题。在基于弱监督对比学习的SAR图像目标识别算法中,引入标签的类别信息,使得模型更好地提取类别特征,而后进行分类器训练。最后,将本文所提出的算法在长尾分布的SAR数据集上进行评估,设置不同类别的实验进行验证,实验表明,本文所提出的算法在长尾数据分布下的SAR图像目标识别任务上取得显著的效果。

关键词： SAR图像目标识别长尾分布对比学习解耦