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

基于预训练模型的多音字消歧方法

计算机科学 2024年

作者：高贝贝张仰森北京信息科技大学智能信息处理研究所

字音转换是中文语音合成系统(Text-To-Speech， TTS)的重要组成部分，字音转换的核心问题是多音字消歧，即为多音字在若干候选读音中选择一个正确的发音。多音字消歧实际上是词义消歧的一种特殊体。现有的方法通常无法充分理解多音字所... 详细信息

字音转换是中文语音合成系统(Text-To-Speech， TTS)的重要组成部分，字音转换的核心问题是多音字消歧，即为多音字在若干候选读音中选择一个正确的发音。多音字消歧实际上是词义消歧的一种特殊体。现有的方法通常无法充分理解多音字所在词语的语义，且多音字数据集存在分布不均衡的问题。针对以上问题，提出了一个基于预训练模型RoBERTa的多音字消歧方法CLTRoBERTa(Cross-lingual Translation RoBERTa)。首先联合跨语言互译模块获得多音字所在词语的另一种语言翻译，并作为额外特征输入模型以提升对词语的语义理解，然后使用判别微调中的层级学习率优化策略来适应神经网络不同层之间的学习特性，最后结合样本权重模块以解决多音字数据集的分布不均衡问题。CTLRoBERTa平衡了数据集不均衡分布带来的性能差异，并且在CPP基准数据集上取得了99.08%的正确率，性能优于其他基线模型。

关键词：多音字消歧预训练模型字音转换跨语言互译层级学习率样本权重

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

大语言模型驱动的立场感知事实核查

计算机应用 2024年

作者：姜雨杉张仰森北京信息科技大学智能信息处理研究所

为解决事实核查领域的证据立场不平衡和忽略立场信息的问题，提出一种大语言模型(LLM)驱动的立场感知事实核查方法(LLM-SA)。首先，使用LLM推理并生成一系列与原始声明立场不同的辩证声明，使事实核查任务能够获取不同立场的视角；其次... 详细信息

为解决事实核查领域的证据立场不平衡和忽略立场信息的问题，提出一种大语言模型(LLM)驱动的立场感知事实核查方法(LLM-SA)。首先，使用LLM推理并生成一系列与原始声明立场不同的辩证声明，使事实核查任务能够获取不同立场的视角；其次，通过语义相似度计算衡量每个证据句子与原始声明及辩证声明之间的相关性，并从证据句子中分别选择与两者语义上最相近的k个句子，作为支持或反对原始声明的证据，从而获得代表不同立场的证据，有助于事实核查模型综合多角度的信息，更准确地评估声明的真实性；最后，引入BERT-StuSE(Bidirectional Encoder Representations from Transformers-based Stance-infused Semantic Encoding Network)模型，利用多头注意力机制充分融合证据的语义和立场信息，并对声明和证据的关系进行更全面、客观的判断。在CHEF数据集上的实验结果表明，与BERT模型相比，所提方法在测试集上的Micro F1值和Macro F1值分别提高了3.52、3.90个百分点，达到较好的水平。验证了所提方法的有效性，以及考虑不同立场的证据和充分利用证据的立场信息对事实核查的性能提升具有重要意义。

关键词：事实核查自然语言处理大语言模型和提示工程立场感知多头注意力机制

基于端到端深度神经网络和图搜索的OCT图像视网膜层边界分割方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

软件学报 2024年第6期35卷 3036-3051页

作者：胡凯蒋帅刘冬高协平智能计算与信息处理教育部重点实验室(湘潭大学) 湖南湘潭411105 智能计算与语言信息处理湖南省重点实验室(湖南师范大学) 湖南长沙410081 医学影像人工智能湖南省重点实验室(湘南学院) 湖南郴州423000

视网膜层边界的形态变化是眼部视网膜疾病出现的重要标志,光学相干断层扫描(optical coherence tomography,OCT)图像可以捕捉其细微变化,基于OCT图像的视网膜层边界分割能够辅助相关疾病的临床判断.在OCT图像中,由于视网膜层边界的形态... 详细信息

视网膜层边界的形态变化是眼部视网膜疾病出现的重要标志,光学相干断层扫描(optical coherence tomography,OCT)图像可以捕捉其细微变化,基于OCT图像的视网膜层边界分割能够辅助相关疾病的临床判断.在OCT图像中,由于视网膜层边界的形态变化多样,其中与边界相关的关键信息如上下文信息和显著性边界信息等对层边界的判断和分割至关重要.然而已有分割方法缺乏对以上信息的考虑,导致边界不完整和不连续.针对以上问题,提出一种“由粗到细”的基于端到端深度神经网络和图搜索(graph search,GS)的OCT图像视网膜层边界分割方法,避免了非端到端方法中普遍存在的“断层”现象.在粗分割阶段,提出一种端到端的深度神经网络—注意力全局残差网络(attention global residual network,AGR-Net),以更充分和有效的方式提取上述关键信息.具体地,首先设计一个全局特征模块(global feature module,GFM),通过从图像的4个方向扫描以捕获OCT图像的全局上下文信息;其次,进一步将通道注意力模块(channel attention module,CAM)与全局特征模块串行组合并嵌入到主干网络中,以实现视网膜层及其边界的上下文信息的显著性建模,有效解决OCT图像中由于视网膜层形变和信息提取不充分所导致的误分割问题.在细分割阶段,采用图搜索算法去除AGR-Net粗分割结果中的孤立区域或和孔洞等,保持边界的固定拓扑结构和连续平滑,以实现整体分割结果的进一步优化,为医学临床的诊断提供更完整的参考.最后,在两个公开数据集上从不同的角度对所提出的方法进行性能评估,并与最新方法进行比较.对比实验结果也表明所提方法在分割精度和稳定性方面均优于现有方法.

关键词： OCT图像视网膜层边界分割残差神经网络注意力图搜索

融合多粒度语言知识与层级信息的中文命名实体识别模型

在线全文

学校读者我要写书评

暂无评论

计算机应用 2024年第6期44卷 1706-1712页

作者：于右任张仰森蒋玉茹黄改娟北京信息科技大学智能信息处理研究所北京100101

针对当前大多数命名实体识别(NER)模型只使用字符级信息编码且缺乏对文本层次信息提取的问题,提出一种融合多粒度语言知识与层级信息的中文NER(CNER)模型(CMH)。首先,使用经过多粒度语言知识预训练的模型编码文本,使模型能够同时捕获文... 详细信息

针对当前大多数命名实体识别(NER)模型只使用字符级信息编码且缺乏对文本层次信息提取的问题,提出一种融合多粒度语言知识与层级信息的中文NER(CNER)模型(CMH)。首先,使用经过多粒度语言知识预训练的模型编码文本,使模型能够同时捕获文本的细粒度和粗粒度语言信息,从而更好地表征语料;其次,使用ON-LSTM(Ordered Neurons Long Short-Term Memory network)模型提取层级信息,利用文本本身的层级结构信息增强编码间的时序关系;最后,在模型的解码端结合文本的分词信息,并将实体识别问题转化为表格填充问题,以更好地解决实体重叠问题并获得更准确的实体识别结果。同时,为解决当前模型在不同领域中的迁移能力较差的问题,提出通用实体识别的理念,通过筛选多领域的通用实体类型,构建一套提升模型在多领域中的泛化能力的通用NER数据集MDNER(Multi-Domain NER dataset)。为验证所提模型的效果,在数据集Resume、Weibo、MSRA上进行实验,与MECT(Multi-metadata Embedding based Cross-Transformer)模型相比,F1值分别提高了0.94、4.95和1.58个百分点。为了验证所提模型在多领域中的实体识别效果,在MDNER上进行实验,F1值达到了95.29%。实验结果表明,多粒度语言知识预训练、文本层级结构信息提取和高效指针解码器对模型的性能提升至关重要。

关键词：命名实体识别自然语言处理知识图谱构建高效指针通用实体

在线全文

学校读者我要写书评

暂无评论

可编辑的根系建模与生长模拟方法

计算机辅助设计与图形学学报 2024年第1期36卷 73-80页

作者：杨猛肖成北京林业大学信息学院北京100083 国家林业草原林业智能信息处理工程技术研究中心北京100083

针对植物根系种类繁多,形态呈现出高度多样性问题,提出一种可编辑的建模方法来模拟根系生长.首先拓展了传统的L系统,以一种具有语义特征的规则描述根系结构与拓扑关系;然后加入根茎半径与单根长度的连续方程,生成符合自然规律的生长;再... 详细信息

针对植物根系种类繁多,形态呈现出高度多样性问题,提出一种可编辑的建模方法来模拟根系生长.首先拓展了传统的L系统,以一种具有语义特征的规则描述根系结构与拓扑关系;然后加入根茎半径与单根长度的连续方程,生成符合自然规律的生长;再通过指导向量控制根系的全局形态;最后提供多种编辑根茎局部形状的手段,如根茎骨架、曲面造型、不规则表面等,生成具有自然观感的根茎模型.对自然界中的6种植物进行仿真实验,包括直根系、须根系、储藏根系和板根4种不同类型,结果表明,根系的模拟结果与真实图片的平均相似度达到79.16%,所提方法具有构建多种类型根系的建模能力,可以通过设置形状指导曲线或者调节部分参数,构建出具有特殊形态的真实感根系模型.

关键词：根系建模生长模拟可编辑模型指导生长

在线全文

学校读者我要写书评

暂无评论

基于相对离群因子的标签噪声过滤方法

自动化学报 2024年第1期50卷 154-168页

作者：侯森寓姜高霞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太原030006

分类任务中含有类别型标签噪声是传统数据挖掘中的常见问题,目前还缺少针对性方法来专门检测类别型标签噪声.离群点检测技术能用于噪声的识别与过滤,但由于离群点与类别型标签噪声并不具有一致性,使得离群点检测算法无法精确检测分类数... 详细信息

分类任务中含有类别型标签噪声是传统数据挖掘中的常见问题,目前还缺少针对性方法来专门检测类别型标签噪声.离群点检测技术能用于噪声的识别与过滤,但由于离群点与类别型标签噪声并不具有一致性,使得离群点检测算法无法精确检测分类数据集中的标签噪声.针对这些问题,提出一种基于离群点检测技术、适用于过滤类别型标签噪声的方法--基于相对离群因子(Relative outlier factor,ROF)的集成过滤方法(Label noise ensemble filtering method based on rel-ative outlier factor,EROF).首先,通过相对离群因子对样本进行噪声概率估计;然后,再迭代联合多种离群点检测算法,实现集成过滤.实验结果表明,该方法在大多数含有标签噪声的数据集上,都能保持优秀的噪声识别能力,并显著提升各种分类模型的泛化能力.

关键词：分类标签噪声离群点检测相对离群因子噪声过滤

在线全文

学校读者我要写书评

暂无评论

融合二连通模体结构信息的节点分类算法

计算机应用 2024年第5期44卷 1464-1470页

作者：郑文萍葛慧琳刘美麟杨贵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 山西大学智能信息处理研究所太原030006

节点表示学习将图结构数据信息编码到低维的潜在空间中,在节点分类、聚类、链路预测等机器学习任务中被广泛应用。在复杂网络中,节点与节点之间不仅存在直接相连的低阶结构,也存在以特殊连接模式形成的高阶结构,称为模体。提出一种融合... 详细信息

节点表示学习将图结构数据信息编码到低维的潜在空间中,在节点分类、聚类、链路预测等机器学习任务中被广泛应用。在复杂网络中,节点与节点之间不仅存在直接相连的低阶结构,也存在以特殊连接模式形成的高阶结构,称为模体。提出一种融合二连通模体结构信息的节点分类算法(FMI),利用节点间高阶二连通模体信息学习节点表示,完成节点分类任务。首先,统计网络中的二连通模体,利用其中信息提出一个节点重要性的度量指标——模体比值。根据模体比值计算采样概率进行邻域采样;构造一个带权辅助图以融合网络节点连接的低阶关系与高阶关系,对节点进行加权邻域聚合以得到节点表示。在5个数据集Cora、Citeseer、Pubmed、Wiki和DBLP上执行节点分类任务,与5种经典基准算法进行对比,所提算法FMI在准确度和F1-分数等指标上表现良好。

关键词：节点表示二连通模体邻域采样邻域聚合节点分类

在线全文

学校读者我要写书评

暂无评论

生成式知识迁移的SAR舰船检测

遥感学报 2024年第2期28卷 470-480页

作者：娄欣王晗卢昊张文驰北京林业大学信息学院北京100083 国家林业和草原局林业智能信息处理工程技术研究中心北京100083

为解决基于深度卷积神经网络进行SAR舰船检测网络训练过程中数据获取、数据标注等问题,本文提出一种生成式知识迁移的SAR舰船检测框架,该框架由生成式知识迁移网络和舰船检测网络两部分组成。通过知识迁移网络生成与有标注的光学遥感图... 详细信息

为解决基于深度卷积神经网络进行SAR舰船检测网络训练过程中数据获取、数据标注等问题,本文提出一种生成式知识迁移的SAR舰船检测框架,该框架由生成式知识迁移网络和舰船检测网络两部分组成。通过知识迁移网络生成与有标注的光学遥感图像空间分布一致且包含SAR图像特征的带标注模拟图像;使用所生成的带标注模拟图像,进一步优化舰船检测网络,以提高基于深度卷积神经网络的舰船检测的泛化性能。SARShip-Detection-Datasets(SSDD)和AIR-SARShip-1.0两个公开数据集上的实验结果表明,该框架有效提高了在仅包含少量标注SAR图像样本情况下的舰船目标检测效果,可显著降低舰船在复杂背景图像中漏检和误检的概率。

关键词： SAR 目标检测深度学习图像生成迁移学习

在线全文

学校读者我要写书评

暂无评论

基于注意力机制的两阶段融合多视图图聚类

清华大学学报（自然科学版） 2024年第1期64卷 1-12页

作者：赵兴旺侯哲栋姚凯旋梁吉业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

多视图图聚类旨在挖掘多视图图数据中蕴含的簇结构,近年来得到了研究者的广泛研究。然而,现有大多数方法在不同视图信息的融合过程中同等对待各个视图,未能根据视图质量分配相应权重,而且处理具有属性和图的数据时面临一定困难。该文提... 详细信息

多视图图聚类旨在挖掘多视图图数据中蕴含的簇结构,近年来得到了研究者的广泛研究。然而,现有大多数方法在不同视图信息的融合过程中同等对待各个视图,未能根据视图质量分配相应权重,而且处理具有属性和图的数据时面临一定困难。该文提出了一种基于注意力机制的两阶段融合多视图图聚类算法。首先,应用图滤波器过滤高频噪声,各个视图获得更适用于下游聚类任务的节点平滑表示;其次,基于注意力机制融合各个视图特征滤波后的平滑表示,并为拓扑融合阶段提供初始化权重;然后,在拓扑融合阶段,将不同视图加权融合的Laplace矩阵与融合的特征表示输入编码器得到嵌入表示,并构造优化函数对权重和嵌入表示进行优化,可以为质量较好的视图分配较大权重,同时产生更加紧凑的嵌入表示;最后,通过对嵌入表示执行谱聚类得到最终的聚类结果。将该算法和已有的相关聚类算法在真实数据集上进行了实验分析。结果表明,相比已有算法,所提出的算法在处理多视图图数据方面更加有效。

关键词：多视图学习图聚类注意力机制图学习嵌入表示