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

预训练语言模型特征增强的多跳知识库问答

计算机工程与应用 2024年

作者：魏谦强赵书良卢丹琦贾晓文杨世龙河北师范大学供应链大数据分析与数据安全河北省工程研究中心河北师范大学河北省网络与信息安全重点实验室河北师范大学计算机与网络空间安全学院

知识库问答（Knowledge Base Question Answering，KBQA）是一个具有挑战性的热门研究方向，多跳知识库问答主要的挑战是非结构化的自然语言问题与结构化的知识库推理路径存在不一致性，基于图检索的多跳知识库问答模型善于把握图的拓... 详细信息

知识库问答（Knowledge Base Question Answering，KBQA）是一个具有挑战性的热门研究方向，多跳知识库问答主要的挑战是非结构化的自然语言问题与结构化的知识库推理路径存在不一致性，基于图检索的多跳知识库问答模型善于把握图的拓扑结构，但忽略了图中结点和边携带的文本信息。为了充分学习知识库三元组的文本信息而构造了知识库三元组的文本形式，并提出了三个基于非图检索的特征增强模型RBERT、CBERT、GBERT，它们分别使用前馈神经网络、深层金字塔卷积网络、图注意力网络增强特征，三个模型显著提高了特征表示能力和问答准确率，RBERT结构最简单，CBERT训练最快，GBERT性能最优。在数据集MetaQA、WebQSP和CWQ上进行实验对比，在Hit@1和F1两个指标上三个模型明显优于目前的主流模型，三个模型也明显优于其他BERT的改进模型。

关键词：多跳知识库问答预训练语言模型特征增强

结合CNN与Transformer的双流U型医学图像分割网络

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

小型微型计算机系统 2024年

作者：杨超荣张朝晖河北师范大学计算机与网络空间安全学院河北师范大学供应链大数据分析与数据安全河北省工程研究中心河北师范大学河北省网络与信息安全重点实验室

为有效利用医学输入图像的局部特征与全局语义信息，从而获得边界更清晰、语义结构更完整的图像分割结果，提出一种结合CNN与Transformer的双流U型医学图像分割网络(DS-UNet)。首先，双流U型结构由用于局部特征提取的CNN分支和进行全局... 详细信息

为有效利用医学输入图像的局部特征与全局语义信息，从而获得边界更清晰、语义结构更完整的图像分割结果，提出一种结合CNN与Transformer的双流U型医学图像分割网络(DS-UNet)。首先，双流U型结构由用于局部特征提取的CNN分支和进行全局特征提取的Swin Transformer分支构成；之后，为实现局部特征与全局特征的优势互补，以通道注意力和空间注意力为基础，提出了CNN和Transformer的融合模块(CTFB)，并将其作为DS-UNet的重要组件，用于特征处理三个关键阶段双分支的信息交互与特征融合；此外，还提出一种用于双分支特征图与浅层多尺度特征图融合的跨分支信息增强模块(CBIE)，为后续分割结果的生成做进一步的全局语义信息增强与浅层细节补充。以Dice相似系数与IoU值为评价指标，在GlaS、MoNuSeg、QaTa-COV19以及Synapse 4个公开数据集的对比实验表明，DS-UNet优于其他大部分竞争算法，并在GlaS、MoNuSeg以及Synapse数据集上性能最优。

关键词：医学图像语义分割双流U型结构 Swin Transformer CNN 特征融合

基于改进SKNet-SVM的网络安全态势评估

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

应用科学学报 2024年第2期42卷 334-349页

作者：赵冬梅孙明伟宿梦月吴亚星河北师范大学计算机与网络空间安全学院河北石家庄050024 河北师范大学河北省网络与信息安全重点实验室河北石家庄050024 供应链大数据分析与数据安全河北省工程研究中心河北石家庄050024

为提高网络安全态势评估的准确率,增强稳定性与鲁棒性,提出一种基于改进选择性卷积核卷积神经网络和支持向量机的网络安全态势评估模型。首先,使用改进选择性卷积核代替传统卷积核进行特征提取,提高卷积神经网络感受野变化的自适应性,... 详细信息

为提高网络安全态势评估的准确率,增强稳定性与鲁棒性,提出一种基于改进选择性卷积核卷积神经网络和支持向量机的网络安全态势评估模型。首先,使用改进选择性卷积核代替传统卷积核进行特征提取,提高卷积神经网络感受野变化的自适应性,增强特征之间关联性。然后,将提取的特征输入到支持向量机中进行分类,并使用网格优化算法对支持向量机中的参数进行全局寻优。最后,根据网络攻击影响指标计算网络安全态势值。实验表明,基于改进选择性卷积核卷积神经网络和支持向量机的态势评估模型与传统的卷积神经网络搭建的态势评估模型相比,准确率更高,并且具有更强的稳定性和鲁棒性。

关键词：网络安全态势评估网络安全态势感知改进选择性卷积核卷积神经网络支持向量机网格优化算法

在线全文

学校读者我要写书评

暂无评论

自监督对比的属性图联合表示聚类

计算机工程与应用 2024年第16期60卷 133-142页

作者：王静红王慧河北师范大学计算机与网络空间安全学院石家庄050024 河北省网络与信息安全重点实验室石家庄050024 供应链大数据分析与数据安全河北省工程研究中心石家庄050024

现实世界中越来越多的复杂数据被表示为具有属性节点的图,因此属性图聚类是图挖掘中的一个重要问题。图神经网络在图结构数据的编码表示方面取得较好性能,但基于卷积操作或者注意力机制的图神经网络方法存在节点噪声、特征过度平滑、网... 详细信息

现实世界中越来越多的复杂数据被表示为具有属性节点的图,因此属性图聚类是图挖掘中的一个重要问题。图神经网络在图结构数据的编码表示方面取得较好性能,但基于卷积操作或者注意力机制的图神经网络方法存在节点噪声、特征过度平滑、网络异质性、计算代价高昂等问题。基于深度学习方法如自编码器能够有效地提取节点属性表示,但不能包含丰富结构信息。因此提出了一种基于自监督训练和对比学习的图联合表示聚类方法(self-supervised contrastive graph joint representation clustering,SCRC)。使用自编码器预训练学习节点的属性表示,通过在图结构信息上增加对比损失信息,使用影响对比损失融合更加丰富的结构信息,联合图结构信息和属性表示,基于神经网络自监督训练机制迭代优化完成聚类任务。通过设计简单的线性模型,避免使用卷积和注意力机制,有效整合结构信息,使得运行速度更快。在广泛使用的引文网络数据上进行实验,对参数敏感性进行分析,验证了影响对比损失和自监督联合聚类的有效性。实验结果表明,所提出的方法取得了显著的性能提升,并且对节点噪声、特征过度平滑和网络异质性更具有鲁棒性。

关键词：属性图聚类自监督训练对比学习自编码器联合表示学习

在线全文

学校读者我要写书评

暂无评论

面向云存储的数据流行度去重方案

西安电子科技大学学报 2024年第1期51卷 187-200页

作者：何欣枫杨琴琴河北大学网络空间安全与计算机学院河北保定071002 河北省高可信信息系统重点实验室河北保定071002

随着云计算的发展,企业和个人倾向于把数据外包给云存储服务器来缓解本地存储压力,导致云端存储压力成为一个日益突出的问题。为了提高云存储效率,降低通信成本,数据去重技术得到了广泛应用。现有的数据去重技术主要包括基于哈希表的相... 详细信息

随着云计算的发展,企业和个人倾向于把数据外包给云存储服务器来缓解本地存储压力,导致云端存储压力成为一个日益突出的问题。为了提高云存储效率,降低通信成本,数据去重技术得到了广泛应用。现有的数据去重技术主要包括基于哈希表的相同数据去重和基于布隆过滤器的相似数据去重,但都很少考虑数据流行度的影响。实际应用中,用户外包给云服务器的数据分布是不均匀的,根据访问频率可以划分为流行数据和非流行数据。流行数据访问频繁,在云服务器中会存在大量的副本和相似数据,需要执行高精度的数据去重;而非流行数据访问频率低,云存储服务器中的副本数量和相似数据较少,低精度的去重即可满足要求。针对上述问题,将数据流行度和布隆过滤器相结合,提出一种基于数据流行度的动态布隆过滤器;同时,提出一种基于数据流行度的动态布隆过滤器的数据去重方案,可以根据数据流行度动态调整去重精度。仿真结果表明,该方案在时间消耗、空间消耗和误判率之间取得了良好的平衡。

关键词：云计算云存储数据去重数据流行度布隆过滤器

A^(2)former模型在时间序列预测中的应用研究

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

人工智能科学与工程 2024年第1期 41-50页

作者：胡倩伟王秀青安阳张诺飞王广超河北师范大学计算机与网络空间安全学院石家庄050024 河北师范大学河北省网络与信息安全重点实验室石家庄050024 河北师范大学河北省供应链大数据分析与数据安全工程研究中心石家庄050024

时间序列预测在金融、医疗、交通和气象等领域发挥着重要作用。在长时间序列预测中,迫切需要提高预测的精度,解决内存不足等问题。近年来,Transformer模型在自然语言处理领域得以成功应用的同时,在预测研究领域也引起了学者们的广泛关注... 详细信息

时间序列预测在金融、医疗、交通和气象等领域发挥着重要作用。在长时间序列预测中,迫切需要提高预测的精度,解决内存不足等问题。近年来,Transformer模型在自然语言处理领域得以成功应用的同时,在预测研究领域也引起了学者们的广泛关注,Transformer变体Informer模型的研究在时间序列预测中取得了较大进展。本研究以Informer框架为基础,与加性注意力机制相结合,提出了A^(2)former模型。利用A^(2)former模型在ETT,WTH,ECL和PM2.5数据集上进行了长时间序列预测的实验,实验结果表明所提模型在长时间序列预测中表现出比基线方法(如Informer模型和LSTMa模型)更好的性能。A^(2)former模型不仅将计算时间复杂度降低到线性,而且可以实现更有效的序列建模。本研究的工作为时间序列预测提供了有益参考。

关键词：时间序列预测加性注意力机制 Transformer模型 Informer模型深度学习

在线全文

学校读者我要写书评

暂无评论

融合转移概率矩阵的多阶最近邻图聚类算法

计算机应用 2024年第5期44卷 1527-1538页

作者：徐童童解滨张春昊张喜梅河北师范大学计算机与网络空间安全学院石家庄050024 河北省网络与信息安全重点实验室(河北师范大学) 石家庄050024 供应链大数据分析与数据安全河北省工程研究中心(河北师范大学) 石家庄050024

聚类是根据样本之间的相似性将数据集划分为多个类簇。现有的大多数聚类方法都存在两个挑战:一方面,在定义样本间相似性时往往没有考虑样本的空间分布结构,无法构建稳定的相似度矩阵;另一方面,图聚类构造的样本图结构过于复杂,计算成本... 详细信息

聚类是根据样本之间的相似性将数据集划分为多个类簇。现有的大多数聚类方法都存在两个挑战:一方面,在定义样本间相似性时往往没有考虑样本的空间分布结构,无法构建稳定的相似度矩阵;另一方面,图聚类构造的样本图结构过于复杂,计算成本较高。为解决这两个问题,提出融合转移概率矩阵的多阶最近邻图聚类算法(MNNGC)。首先,综合样本的近邻关系和空间分布结构,将共享近邻定义的相似度进行趋密性加权,得到节点间的趋密性亲和矩阵;其次,利用节点间多阶概率转移预测非邻接点的关联程度,并通过融合多阶转移概率矩阵得到稳定的节点间亲和矩阵;再次,为进一步增强图局部结构,重新构建节点的多阶最近邻图,并对多阶最近邻图的局部结构分层聚类;最后,优化了边缘点分配策略。定位实验结果表明,MNNGC在合成数据集上的准确率(Acc)均优于对比算法,且在8个UCI数据集上的Acc为最大值。其中在Compound数据集上,MNNGC的Acc、调整互信息(AMI)、调整兰德指数(ARI)和FM指数(FMI)相较于基于局部密度峰值的谱聚类(LDP-SC)算法分别提高38.6、27.2、45.4、35.1个百分点。

关键词：共享近邻趋密性转移概率多阶最近邻分层聚类

在线全文

学校读者我要写书评

暂无评论

基于元路径属性融合的异质网络表示学习

山东大学学报（理学版） 2024年第3期59卷 1-13页

作者：王静红吴芝冰黄鹏杨家腾李笔河北师范大学计算机与网络空间安全学院河北石家庄050024 河北省网络与信息安全重点实验室(河北师范大学) 河北石家庄050024 供应链大数据分析与数据安全河北省工程研究中心(河北师范大学) 河北石家庄050024 河北师范大学商学院河北石家庄050024

针对信息网络的表示学习进行研究,提出了一种基于元路径信息融合的异质图神经网络(metapath attribute fusion graph neural network,MAFGNN),通过在异质网络中引入元路径之前将目标节点的邻居信息包括元路径信息融入到节点中,实现目标... 详细信息

针对信息网络的表示学习进行研究,提出了一种基于元路径信息融合的异质图神经网络(metapath attribute fusion graph neural network,MAFGNN),通过在异质网络中引入元路径之前将目标节点的邻居信息包括元路径信息融入到节点中,实现目标节点和邻居信息的融合。该方法首先将不同类型的节点属性特征进行维度转换便于后续的融合操作,通过计算目标节点和邻居节点权重值完成目标节点信息的融合操作。然后根据特定元路径对目标节点进行融合,最后在不同元路径间实现不同语义信息的融合操作。在多个异质信息数据集上进行实验表明,MAFGNN模型在处理异质网络节点嵌入方面相比于最先进的基准实验有最好的性能和更加准确的预测结果。

关键词：元路径异质信息网络异质图嵌入信息融合注意力机制

面向目标多模态情感分析的双通道循环神经网络模型

在线全文

学校读者我要写书评

暂无评论

山西大学学报(自然科学版) 2024年第1期47卷 48-58页

作者：王静红高远李昊康河北师范大学计算机与网络空间安全学院河北师范大学河北省网络与信息安全重点实验室河北师范大学供应链大数据分析与数据安全河北省工程研究中心河北工程技术学院人工智能与大数据学院

面向目标的多模态情感分析，其任务是对多模态帖子或评论中给定的目标词进行情感分类。针对目前该领域结合循环神经网络的模型只关注于一般的文本和图片表示，没有同时考虑模态内和模态间的信息交互，且忽略了图像信息中的噪声的问题，... 详细信息

面向目标的多模态情感分析，其任务是对多模态帖子或评论中给定的目标词进行情感分类。针对目前该领域结合循环神经网络的模型只关注于一般的文本和图片表示，没有同时考虑模态内和模态间的信息交互，且忽略了图像信息中的噪声的问题，提出了一种双通道循环神经网络模型（DRNN）。该模型首先设计了一个基于注意力机制的循环神经网络模块，该模块利用门控循环单元（Gate Recurrent Unit, GRU）来过滤图像的噪声，之后通过注意力机制将文本和图像融合，最后将融合后的信息逐步加入目标信息中，得到模态间的动态表示。另外提出了一个目标文本交互循环神经网络模块，该模块通过计算目标信息与上下文中每个词的权重来学习模态内的上下文表示。最后将两部分模块得到的信息拼接后送入全连接层和softmax层预测情感极性。在两个基准数据集Twitter-15和Twitter-17上进行了大量实验，实验结果表明，与当前最先进的模型相比该模型能够有效增强面向目标的多模态情感分析的效果。

关键词：循环神经网络多模态面向目标的情感分析注意力机制噪声