检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

融合高阶组结构信息的节点分类算法

计算机科学 2024年

作者：郑文萍韩艺恒刘美麟山西大学计算机与信息技术学院计算智能与中文信息处理教育部重点实验室(山西大学) 山西大学智能信息处理研究所

节点的局部邻域内通常存在具有特定局部连接模式且频繁出现的高阶组结构，这些组结构可以更准确地刻画节点拓扑特征，有助于理解网络的结构特征及节点间的交互模式。基于此，利用节点局部邻域内的高阶组结构特征计算节点间的结构相似性... 详细信息

节点的局部邻域内通常存在具有特定局部连接模式且频繁出现的高阶组结构，这些组结构可以更准确地刻画节点拓扑特征，有助于理解网络的结构特征及节点间的交互模式。基于此，利用节点局部邻域内的高阶组结构特征计算节点间的结构相似性，并提出了一种融合高阶组结构信息的节点分类算法NHGS(Node classification based on fusing High-order Group Structure information)。该算法将k元组内形成的不同构的导出子图作为其初始组标签，利用Weisfeiler-Lehman(WL)算法迭代地聚合其邻域k元组的标签信息以更新k元组标签；节点在不同k元组标签中的出现次数构成了节点的特征向量，利用节点间特征向量的相似性表示节点间的结构相似性；结合节点的属性信息，并通过自编码器神经网络得到节点嵌入，进而对网络中的节点进行分类。所提算法NHGS将节点局部邻域内的k元节点组结构信息与节点的属性信息相结合，得到了包含高阶结构信息的节点表示。在真实属性网络上的实验表明，所提方法能有效计算出节点间结构相似性，提高了节点分类任务的性能。

关键词：节点分类高阶结构结构相似性网络表示图神经网络

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

非平衡概念漂移数据流主动学习方法

自动化学报 2024年第3期50卷 589-606页

作者：李艳红王甜甜王素格李德玉山西大学计算机与信息技术学院太原030006 山西大学计算智能与中文信息处理教育部重点实验室太原030006

数据流分类研究在开放、动态环境中如何提供更可靠的数据驱动预测模型,关键在于从实时到达且不断变化的数据流中检测并适应概念漂移.目前,为检测概念漂移和更新分类模型,数据流分类方法通常假设所有样本的标签都是已知的,这一假设在真... 详细信息

数据流分类研究在开放、动态环境中如何提供更可靠的数据驱动预测模型,关键在于从实时到达且不断变化的数据流中检测并适应概念漂移.目前,为检测概念漂移和更新分类模型,数据流分类方法通常假设所有样本的标签都是已知的,这一假设在真实场景下是不现实的.此外,真实数据流可能表现出较高且不断变化的类不平衡比率,会进一步增加数据流分类任务的复杂性.为此,提出一种非平衡概念漂移数据流主动学习方法 (Active learning method for imbalanced concept drift data stream, ALM-ICDDS).定义基于多预测概率的样本预测确定性度量,提出边缘阈值矩阵的自适应调整方法,使得标签查询策略适用于类别数较多的非平衡数据流;提出基于记忆强度的样本替换策略,将难区分、少数类样本和代表当前数据分布的样本保存在记忆窗口中,提升新基分类器的分类性能;定义基于分类精度的基分类器重要性评价及更新方法,实现漂移后的集成分类器更新.在7个合成数据流和3个真实数据流上的对比实验表明,提出的非平衡概念漂移数据流主动学习方法的分类性能优于6种概念漂移数据流学习方法.

关键词：数据流分类主动学习概念漂移多类不平衡

在线全文

学校读者我要写书评

暂无评论

基于自适应深度集成网络的概念漂移收敛方法

计算机研究与发展 2024年第1期61卷 172-183页

作者：郭虎升孙妮王嘉豪王文剑山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 太原030006

概念漂移是流数据挖掘领域中的一个重要且具有挑战性的难题.然而,目前的方法大多仅能够处理线性或简单的非线性映射,深度神经网络虽然有较强的非线性拟合能力,但在流数据挖掘任务中,每次只能在新得到的1个或一批样本上进行训练,学习模... 详细信息

概念漂移是流数据挖掘领域中的一个重要且具有挑战性的难题.然而,目前的方法大多仅能够处理线性或简单的非线性映射,深度神经网络虽然有较强的非线性拟合能力,但在流数据挖掘任务中,每次只能在新得到的1个或一批样本上进行训练,学习模型难以实时调整以适应动态变化的数据流.为解决上述问题,将梯度提升算法的纠错思想引入含概念漂移的流数据挖掘任务之中,提出了一种基于自适应深度集成网络的概念漂移收敛方法(concept drift convergence method based on adaptive deep ensemble networks,CD_ADEN).该模型集成多个浅层神经网络作为基学习器,后序基学习器在前序基学习器输出的基础上不断纠错,具有较高的实时泛化性能.此外,由于浅层神经网络有较快的收敛速度,因此所提出的模型能够较快地从概念漂移造成的精度下降中恢复.多个数据集上的实验结果表明,所提出的CD_ADEN方法平均实时精度有明显提高,相较于对比方法,平均实时精度有1%~5%的提升,且平均序值在7种典型的对比算法中排名第一.说明所提出的方法能够对前序输出进行纠错,且学习模型能够快速地从概念漂移造成的精度下降中恢复,提升了在线学习模型的实时泛化性能.

关键词：流数据概念漂移梯度提升深度学习快速适应

在线全文

学校读者我要写书评

暂无评论

基于混合特征提取的流数据概念漂移处理方法

计算机研究与发展 2024年第6期61卷 1497-1510页

作者：郭虎升刘艳杰王文剑山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 太原030006

大数据时代,越来越多的数据以数据流的形式产生,由于其具有快速、无限、不稳定及动态变化等特性,使得概念漂移成为流数据挖掘中一个重要但困难的问题.目前多数概念漂移处理方法存在信息提取能力有限且未充分考虑流数据的时序特性等问题... 详细信息

大数据时代,越来越多的数据以数据流的形式产生,由于其具有快速、无限、不稳定及动态变化等特性,使得概念漂移成为流数据挖掘中一个重要但困难的问题.目前多数概念漂移处理方法存在信息提取能力有限且未充分考虑流数据的时序特性等问题.针对这些问题,提出一种基于混合特征提取的流数据概念漂移处理方法(concept drift processing method of streaming data based on mixed feature extraction,MFECD).该方法首先采用不同尺度的卷积核对数据进行建模以构建拼接特征,采用门控机制将浅层输入和拼接特征融合,作为不同网络层次输入进行自适应集成,以获得能够兼顾细节信息和语义信息的数据特性.在此基础上,采用注意力机制和相似度计算评估流数据不同时刻的重要性,以增强数据流关键位点的时序特性.实验结果表明,该方法能有效提取流数据中包含的复杂数据特征和时序特征,提高了数据流中概念漂移的处理能力.

关键词：流数据概念漂移特征融合注意力机制样本特征时序特征

机器学习在社交媒体用户自杀意念检测中的应用研究综述

在线全文

学校读者我要写书评

暂无评论

计算机科学与探索 2024年

作者：蒙秀扬王世屹李渡渡王春玲北京林业大学信息学院国家林业草原林业智能信息处理工程技术研究中心中央民族大学信息工程学院

自杀是严峻的社会问题，是突出的全球性公共卫生挑战，也是全球死亡的重要因素之一。近年，互联网迅猛发展，社交媒体平台成为人类发布情感甚至是自杀意念、企图和行为的崭新阵地，使其成为自杀意念检测的重要数据平台和关键评估依据。... 详细信息

自杀是严峻的社会问题，是突出的全球性公共卫生挑战，也是全球死亡的重要因素之一。近年，互联网迅猛发展，社交媒体平台成为人类发布情感甚至是自杀意念、企图和行为的崭新阵地，使其成为自杀意念检测的重要数据平台和关键评估依据。随着人工智能技术的兴起，关于机器学习在社交媒体用户自杀意念的检测中的应用研究已然成为热点。但在国内，该领域相关研究较为匮乏，且尚未形成完整体系。为系统梳理其研究现状及发展脉络，对机器学习技术赋能自杀意念检测的研究进行了全面总结，是近三年来国内第一篇关于此领域的综述。首先，概述了自杀意念检测的定义、流程、常见方法及评价指标，总结了当下自杀意念检测任务中常用的数据集和现有特征工程及其技术。其次，分别从传统的机器学习和深度学习的角度对自杀意念检测进行了系统总结，对比分析了每种方法的关键技术、核心思想及优缺点。此外，归纳了当前该领域中亟待解决的问题及创新解决方法，特别介绍了ChatGPT等大语言模型、多模态模型在该领域的应用。最后，讨论了机器学习在社交媒体自杀意念检测中的应用研究中的局限性，并提出了未来的研究方向，以期进一步推动形成数据驱动、人机协同、跨学科融合、跨文化畛域的数智化自杀意念检测新范式，以期为相关领域的研究人员提供借鉴和参考。

关键词：自杀意念检测社交媒体机器学习深度学习特征提取

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

非平衡数据流在线主动学习方法

自动化学报 2024年第7期50卷 1389-1401页

作者：李艳红任霖王素格李德玉山西大学计算机与信息技术学院太原030006 山西大学计算智能与中文信息处理教育部重点实验室太原030006

数据流分类是数据流挖掘领域一项重要研究任务,目标是从不断变化的海量数据中捕获变化的类结构.目前,几乎没有框架可以同时处理数据流中常见的多类非平衡、概念漂移、异常点和标记样本成本高昂问题.基于此,提出一种非平衡数据流在线主... 详细信息

数据流分类是数据流挖掘领域一项重要研究任务,目标是从不断变化的海量数据中捕获变化的类结构.目前,几乎没有框架可以同时处理数据流中常见的多类非平衡、概念漂移、异常点和标记样本成本高昂问题.基于此,提出一种非平衡数据流在线主动学习方法(Online active learning method for imbalanced data stream,OALM-IDS).AdaBoost是一种将多个弱分类器经过迭代生成强分类器的集成分类方法,AdaBoost.M2引入了弱分类器的置信度,此类方法常用于静态数据.定义了基于非平衡比率和自适应遗忘因子的训练样本重要性度量,从而使AdaBoost.M2方法适用于非平衡数据流,提升了非平衡数据流集成分类器的性能.提出了边际阈值矩阵的自适应调整方法,优化了标签请求策略.将概念漂移程度融入模型构建过程中,定义了基于概念漂移指数的自适应遗忘因子,实现了漂移后的模型重构.在6个人工数据流和4个真实数据流上的对比实验表明,提出的非平衡数据流在线主动学习方法的分类性能优于其他5种非平衡数据流学习方法.

关键词：主动学习数据流分类多类非平衡概念漂移

维普期刊数据库博看期刊

面向不同类型概念漂移的两阶段自适应集成学习方法

在线全文

学校读者我要写书评

暂无评论

计算机研究与发展 2024年第7期61卷 1799-1811页

作者：郭虎升张洋王文剑山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 太原030006

大数据时代,流数据大量涌现.概念漂移作为流数据挖掘中最典型且困难的问题,受到了越来越广泛的关注.集成学习是处理流数据中概念漂移的常用方法,然而在漂移发生后,学习模型往往无法对流数据的分布变化做出及时响应,且不能有效处理不同... 详细信息

大数据时代,流数据大量涌现.概念漂移作为流数据挖掘中最典型且困难的问题,受到了越来越广泛的关注.集成学习是处理流数据中概念漂移的常用方法,然而在漂移发生后,学习模型往往无法对流数据的分布变化做出及时响应,且不能有效处理不同类型概念漂移,导致模型泛化性能下降.针对这个问题,提出一种面向不同类型概念漂移的两阶段自适应集成学习方法(two-stage adaptive ensemble learning method for different types of concept drift,TAEL).该方法首先通过检测漂移跨度来判断概念漂移类型,然后根据不同漂移类型,提出“过滤-扩充”两阶段样本处理机制动态选择合适的样本处理策略.具体地,在过滤阶段,针对不同漂移类型,创建不同的非关键样本过滤器,提取历史样本块中的关键样本,使历史数据分布更接近最新数据分布,提高基学习器有效性;在扩充阶段,提出一种分块优先抽样方法,针对不同漂移类型设置合适的抽取规模,并根据历史关键样本所属类别在当前样本块上的规模占比设置抽样优先级,再由抽样优先级确定抽样概率,依据抽样概率从历史关键样本块中抽取关键样本子集扩充当前样本块,缓解样本扩充后的类别不平衡现象,解决当前基学习器欠拟合问题的同时增强其稳定性.实验结果表明,所提方法能够对不同类型的概念漂移做出及时响应,加快漂移发生后在线集成模型的收敛速度,提高模型的整体泛化性能.

关键词：流数据概念漂移集成学习漂移类型过滤阶段扩充阶段

面向图像分类的视觉Transformer研究进展

在线全文

学校读者我要写书评

暂无评论

计算机科学与探索 2024年第2期18卷 320-344页

作者：彭斌白静李文静郑虎马向宇北方民族大学计算机科学与工程学院银川750021 图像图形智能信息处理国家民委重点实验室银川750021

Transformer是一种基于自注意力机制的深度学习模型,在计算机视觉中展现出巨大的潜力。而在图像分类任务中,关键的挑战是高效而准确地捕捉输入图片的局部和全局特征。传统方法使用卷积神经网络的底层提取其局部特征,并通过卷积层堆叠扩... 详细信息

Transformer是一种基于自注意力机制的深度学习模型,在计算机视觉中展现出巨大的潜力。而在图像分类任务中,关键的挑战是高效而准确地捕捉输入图片的局部和全局特征。传统方法使用卷积神经网络的底层提取其局部特征,并通过卷积层堆叠扩大感受野以获取图像的全局特征。但这种策略在相对短的距离内聚合信息,难以建立长期依赖关系。相比之下,Transformer的自注意力机制通过直接比较特征在所有空间位置上的相关性,捕捉了局部和全局的长距离依赖关系,具备更强的全局建模能力。因此,深入探讨Transformer在图像分类任务中的问题是非常有必要的。首先以Vision Transformer为例,详细介绍了Transformer的核心原理和架构。然后以图像分类任务为切入点,围绕与视觉Transformer研究中的性能提升、计算成本和训练优化相关的三个重要方面,总结了视觉Transformer研究中的关键问题和最新进展。此外,总结了Transformer在医学图像、遥感图像和农业图像等多个特定领域的应用情况。这些领域中的应用展示了Transformer的多功能性和通用性。最后,通过综合分析视觉Transformer在图像分类方面的研究进展,对视觉Transformer的未来发展方向进行了展望。

关键词：深度学习视觉Transformer 网络架构图像分类自注意力机制

在线全文

学校读者我要写书评

暂无评论

采用双阶段多示例学习网络的语音情感识别

计算机科学与探索 2024年

作者：张石清陈晨赵小明浙江科技大学信息与电子工程学院台州学院智能信息处理研究所

在语音情感识别任务中，当处理不同时长的语音信号时，通常将每句语音信号分割成若干等长片段，然后根据所有片段预测结果的平均值来获得最终的情感分类。然而，这种处理方法要求用户的情绪表达在整个语音信号中是均匀分布的，但是这并... 详细信息

在语音情感识别任务中，当处理不同时长的语音信号时，通常将每句语音信号分割成若干等长片段，然后根据所有片段预测结果的平均值来获得最终的情感分类。然而，这种处理方法要求用户的情绪表达在整个语音信号中是均匀分布的，但是这并不符合实际情况。针对上述问题，提出一种采用双阶段多示例学习网络的语音情感识别方法。第一阶段，将每句语音信号视为“包”，并将其分割成若干等长片段。每个语音片段视为“示例”，并提取多种声学特征，输入到相应的局部声学特征编码器，学习出各自对应的深度特征向量。然后，使用一致性注意力对不同的声学特征进行特征交互和增强。第二阶段，设计一个基于多示例学习的混合聚合器，用于在全局尺度上融合示例预测和示例特征，计算“包”级预测得分。首先，提出一种示例蒸馏模块，用于过滤情感信息较弱的冗余示例。然后，将蒸馏结果组成伪包，采用一种自适应特征聚合策略对伪包进行特征聚合，并通过分类器获得预测结果。最后，将示例级和伪包预测结果进行自适应决策聚合，以获得最终的情感分类结果。该方法在IEMOCAP和MELD公开数据集分别获得73.02%和44.92%的识别率，实验结果表明了该方法的有效性。

关键词：语音情感识别多示例学习示例蒸馏一致性注意力聚合