检索结果-内蒙古大学图书馆

作者：陈响安徽大学

学位级别：硕士

随着社会医疗系统的不断完善,医疗数据量也急剧增加,充分挖掘其中价值可为医疗专家提供更加全面且理性的诊断逻辑,提高临床诊断效率和准确率。这就需要用到机器学习方法来构建相关疾病的临床诊断系统,然而目前的研究存在一定局限,如医... 详细信息

随着社会医疗系统的不断完善,医疗数据量也急剧增加,充分挖掘其中价值可为医疗专家提供更加全面且理性的诊断逻辑,提高临床诊断效率和准确率。这就需要用到机器学习方法来构建相关疾病的临床诊断系统,然而目前的研究存在一定局限,如医疗数据安全与伦理漏洞、模型可解释性不足、模型数据的碎片化等。本文设计并开发了一套数据库内的高度可解释性临床诊断方案,能够基于结构化查询语句实现模型和数据严格管控,保证了病人的隐私,解决了碎片化的问题。本文的具体研究工作如下: 1、基于脓毒症相关凝血症筛选标准(SIC)对MIMIC-III数据库和MIMIC-IV数据库进行特定人群筛选,并纳入相应的生理特征变量。 2、基于增量学习的思想将缺失值低于20%的特征分别带入当下最为高效的两种机器学习模型Light GBM(LGBM)和XGBoost做对比,筛选出特征重要性排列前15名的共同病理指标。将上述筛选出的共同特征纳入统计学分析,筛选出满足统计学意义的特征变量,基于这些变量采用多种经典的机器学习方法构建临床诊断模型,并筛选出三个效果最好的模型。 3、选用经典的列线图和SHAP相关可解释性方法对上述三种模型进行可视化分析,构建高度可解释性的临床预测模型。基于上述的可解释性分析,结合Postgre SQL数据库和MADlib机器学习框架中的XGBoost算法,实现DB4AI思想,构建最终的临床诊断系统,将数据存储和模型训练一体化,解决目前研究中的临床AI诊断系统的碎片化问题以及数据安全伦理问题。

关键词：医学预测模型机器学习模型可解释性数据库

来源：评论

学校读者我要写书评

暂无评论

基于优化图神经网络的miRNA-疾病关联预测模型

基于优化图神经网络的miRNA-疾病关联预测模型

引用

作者：刘银博安徽农业大学

学位级别：硕士

非编码RNA(non-coding RNA)是在细胞中不编码蛋白质的RNA分子,与编码蛋白质的m RNA(messenger RNA)相比,非编码RNA在基因组中占较大比例,具备多样的功能和调控作用。mi RNA作为一种微小的非编码RNA,在细胞中扮演着重要的调控角色,参与... 详细信息

非编码RNA(non-coding RNA)是在细胞中不编码蛋白质的RNA分子,与编码蛋白质的m RNA(messenger RNA)相比,非编码RNA在基因组中占较大比例,具备多样的功能和调控作用。mi RNA作为一种微小的非编码RNA,在细胞中扮演着重要的调控角色,参与细胞增殖、分化、发育、凋亡及免疫应答等多种生物学过程。mi RNA在疾病发展中也发挥关键作用,如癌症、心血管疾病、神经系统疾病等。因此,探索与疾病相关的mi RNA(MDAs)有助于深入理解疾病的发病机理,促进新药物开发和现有药物的新用途研究,为提出新的疾病治疗方案提供有效的参考依据。然而,常规基于湿实验的MDAs关联关系检测方法存在速度慢、耗时长等缺点,因此许多学者提出了基于机器学习和深度学习的方法。虽然这些方法已经取得了一定的成果,但仍存在包括准确率不高在内不足。因此,本文考虑到mi RNA-disease的异构性、mi RNA或disease相似性的解耦分层学习,以及异构关联记忆问题,分别提出了两种新的mi RNA-disease关联预测方法:TWMHGT和Di GAMN。 TWMHGT方法利用双通道多层异构图变换器(Two-way Multi-layer Heterogeneous Graph Transformer)来预测mi RNA与疾病之间的关联。该方法整合了多视图相似性和随机自动编码器生成的输入编码,并通过拼接MHGT获取全面的嵌入。随后,采用注意力机制融合两种MHGT方式的嵌入,有效提升了预测准确性。Di GAMN方法是一种解耦相似性图注意力异构生物记忆网络(Disentangled Similarity Graph Attention Heterogeneous Biological Memory Network),此研究首次提出将mi RNA或disease的相似性解耦用于分层学习。该模型通过K-means算法解耦相似性,以获取节点内含的分层信息。之后,利用异构生物记忆网络有效存储潜在节点的纠缠信息。这种方法不仅可以高效预测与疾病相关的mi RNAs,还具有强大的模型可解释性。通过在多个数据集和多种先进方法(SOTA)上进行的广泛实验,验证了TWMHGT和Di GAMN模型的有效性和性能。TWMHGT和Di GAMN均在与SOTA方法的对比中取得了最佳的预测准确率结果(TWMHGT的AUC值在两个数据集上分贝取得了0.9677和0.9710的优秀结果,Di GAMN的AUC在四个数据集上分贝取得了0.9635,0.9601,0.9610和0.9589的优秀结果)。对于这两种方法,分别通过案例分析验证了模型的实用性。此外,本文还使用了可视化等手段,对Di GAMN模型的可解释性和mi RNA-disease关联的记忆原理进行了详细探讨。

关键词： MDAs预测图深度学习关联预测模型可解释性

来源：评论

学校读者我要写书评

暂无评论

面向神经网络模型的黑盒对抗攻击方法研究与实现

面向神经网络模型的黑盒对抗攻击方法研究与实现

引用

作者：段原杰北京邮电大学

学位级别：硕士

随着人工智能技术的不断发展,其在各个领域都得到了广泛应用,如医疗、自动驾驶、金融等。但由于深度学习模型固有的脆弱性和不可解释性,其易受到对抗攻击的影响,即使很小的扰动都有可能使得模型产生错误输出。对抗攻击按照目标模型信息... 详细信息

随着人工智能技术的不断发展,其在各个领域都得到了广泛应用,如医疗、自动驾驶、金融等。但由于深度学习模型固有的脆弱性和不可解释性,其易受到对抗攻击的影响,即使很小的扰动都有可能使得模型产生错误输出。对抗攻击按照目标模型信息的已知程度可分为白盒攻击和黑盒攻击,由于实际环境下获得的信息有限且往往目标模型是未知的,因此对黑盒攻击的研究更有现实意义。目前黑盒攻击中存在缺陷,在软标签黑盒攻击中,存在扰动过大易被人眼察觉的问题;在硬标签黑盒攻击中,由于查询次数较大,可能导致更大的资源消耗和更大的成本。针对上述问题,本文主要完成了以下工作:(1)提出了一种基于局部可解释性的软标签黑盒攻击方法。该方法通过在样本的重要区域添加扰动,以降低生成对抗样本时扰动的幅度。首先,利用一种局部解释方法对黑盒模型进行解释,获取样本的显著性区域;然后,通过无导数优化方法自然进化策略来估计样本的梯度信息,据此在这些区域上添加扰动,形成对抗样本。实验结果表明,针对多个神经网络模型,该方法的攻击成功率均在90%以上,且相较于对比方法,扰动幅度大幅降低。(2)提出了一种基于局部搜索的硬标签黑盒攻击方法。该方法将对抗样本生成问题转化为移动原样本到决策边界之外的最小代价问题,并利用局部搜索算法来解决该问题。首先,随机指定搜索方向和步长生成初始解,并在初始解周围生成若干邻居解;然后,对邻居解进行评价,选择其中的最优解,并与当前解进行比较并更新。不断对上述过程进行迭代,直至找到符合要求的最优解或达到终止条件。实验结果表明,本文提出的方法在高攻击成功率的前提下,查询次数相较于对比方法有明显下降。(3)针对上述研究,设计与实现了神经网络模型黑盒对抗攻击系统。该系统包含用户注册登录、模型数据集上传、执行评测任务、评测结果查询等具体功能,实现了软标签和硬标签不同限制条件下对抗样本的生成,可针对性地有效评测目标模型的鲁棒性。

关键词：神经网络黑盒对抗攻击模型可解释性局部搜索

来源：评论

学校读者我要写书评

暂无评论

免于配准的基因组序列快速比较算法与可解释比对模型研究

免于配准的基因组序列快速比较算法与可解释比对模型研究

引用

作者：陈祺厦门大学

学位级别：硕士

基因组序列比较的结果反映了物种之间的相似性,对于研究生物的遗传和进化十分重要。基于配准的序列比对算法虽然有较高的准确性,但由于算法复杂度的限制,使其难以在大规模序列应用。免于配准的序列比较算法提取序列的统计特征、模式特... 详细信息

基因组序列比较的结果反映了物种之间的相似性,对于研究生物的遗传和进化十分重要。基于配准的序列比对算法虽然有较高的准确性,但由于算法复杂度的限制,使其难以在大规模序列应用。免于配准的序列比较算法提取序列的统计特征、模式特征等信息,从而降低算法的复杂度。但免于配准的序列比较模型仍然存在诸多问题,例如对于基于长k-mer(k≥10)频度的序列比较算法复杂度仍较高、算法可解释性较差。因此,本文针对基于长k-mer序列的基因组数据比较算法以及深度学习序列比对模型进行建模与研究:(1)在基于长k-mer序列的两组大规模基因组测序数据比较算法中,现有方法难以快速归并多个样本中的k-mer频度,因此本文提出了一个高效k-mer序列比较归并算法—KmerGO:通过已排序后的k-mer频度向量,基于败者树实现并行的多路快速归并,并从时间复杂度、空间复杂度、对比其它主流数据结构来证明其高效性。在大规模数据分析中,KmerGO可通过败者树与哈夫曼树的结合使用,具有较高扩展性和可应用性。KmerGO相比与MetaGO、HAWK等方法,可以将计算时间缩短2倍以上。(2)本文探讨具有可解释性的深度网络序列比对模型。目前主流研究思路通过将基因组序列映射到低维空间,计算序列嵌入表示(Embedding)之间的距离来拟合基于配准的序列距离,但模型缺乏可解释性,且无法体现和捕捉序列真正的差异信息。针对序列配准中错配(Mismatch)和插入删除(InDel)两种不匹配类型,提出不同的深度网络学习模型。对于仅存在碱基错配的序列对,基于由易到难的处理逻辑,构建存在基准序列的序列比较、以及任意两条序列比较的孪生卷积网络,并基于SHAP特征解释模型设计针对序列比对的模型解释方法。最终结果表明特征重要度与碱基错配位置信息高度一致。进一步,对于具有插入删除情况的序列比对,我们受到图像语义分割的启发,改进基于语义分割的SegNet网络,构建了具有插入删除的碱基序列比对模型,其输出能够较准确地识别出序列间插入删除的位置和长度。进一步我们结合具有错配和具有插入删除的两个神经网络构建层次组合深度学习模型,计算序列间的编辑距离。我们将模型用于两个微生物群落的16S rRNA测序数据集,分别来自口腔斑块以及美洲印第安人皮肤、唾液和粪便,验证了算法的有效性。本文所提出的方法解决了现有免于配准的序列比较方法中存在的问题,为今后进一步的研究提供了有效的参考和有意义的前期探索。

关键词：碱基序列比较 k-mer频度深度网络模型可解释性

来源：评论

学校读者我要写书评

暂无评论

基于预训练语言模型的程序学习方法研究

基于预训练语言模型的程序学习方法研究

引用

作者：李翔宇北京邮电大学

学位级别：硕士

程序学习被定义为开发某些满足规范或一组约束的算法的任务。预训练语言模型在多个自然语言处理任务上起到了举足轻重的效果,也为处理程序学习任务提供了可解决方案。所以,基于预训练语言模型的程序学习对于探索语言模型迁移到程序学习... 详细信息

程序学习被定义为开发某些满足规范或一组约束的算法的任务。预训练语言模型在多个自然语言处理任务上起到了举足轻重的效果,也为处理程序学习任务提供了可解决方案。所以,基于预训练语言模型的程序学习对于探索语言模型迁移到程序学习任务的工作机制是有意义的,如何为基于预训练的语言模型的程序学习寻找一个落地应用点(网络应用防火墙测试领域)也是有实际意义的。当前程序学习任务主要采用传统搜索算法或简单深度学习框架,该方法需要提前设计领域特定语言,利用海量程序学习数据去训练,而且针对每个任务需要一个特定的模型副本;而GPT-3等生成式预训练语言模型的成功展示模型对于不同任务具有迁移能力,而且只需要少量的训练数据。所以本文第一个主要工作是研究针对现有生成式预训练语言模型,设计有挑战性的程序学习任务,并通过自注意力归因分析模型中的数据流向,识别出模型中特定的注意力头并提高其输出值权重,能够提高模型在程序学习任务上的平均准确率6.71%;然后根据自注意力归因的权重大小对模型进行裁剪,能够在保持准确率的同时裁剪模型为原大小的87.2%,实现最优的模型裁剪;最后得出只要训练任务是类似的,重要的注意力Head是高度相关的结论。本文第二个主要工作是研究将基于预训练语言模型的程序学习方法应用到网络应用防火墙测试领域,第二个工作的目标是一方面研究基于预训练模型的程序学习方法的实际应用效果,另一方面解决传统机器学习方法在测试网络应用防火墙时存在的问题并提升测试的有效性和效率。网络应用防火墙被广泛用于保护关键的网络应用,以抵御多种安全威胁,因此定期测试防火墙以防止攻击者轻易绕过它们非常重要。基于机器学习的黑盒防火墙测试越来越受到关注,现有的基于机器学习的方法对攻击负载数据的来源和规模有严格的要求,并且存在局部最优问题,限制了其有效性和实用性。本文提出基于预训练语言模型的程序学习测试网络应用防火墙,该方法通过强化学习对生成式预训练Transformer语言模型进行微调,使其对攻击负载数据限制最小,从而在实践中更适用;其次使用打分模型建模和KL-divergence惩罚来提高方法的有效性并缓解局部最优问题。本文在两个著名的开源防火墙上针对三种常见攻击进行了评估。实验结果表明,该方法明显优于ML-Driven和RAT,在1,250,000个请求中发现了多达7.8倍(平均3.2倍)的绕过攻击负载,或者使用少达8.1倍(平均3.3倍)的请求找出了所有绕过攻击负载。

关键词：预训练语言模型程序学习模型可解释性强化学习网络应用防火墙

来源：评论

学校读者我要写书评

暂无评论

基于图神经网络模型的认知功能脑网络识别与机理研究

基于图神经网络模型的认知功能脑网络识别与机理研究

引用

作者：杨远翔燕山大学

学位级别：硕士

认知是人脑对客观事物属性、特点及其规律的一种反映,特定认知任务的执行需要不同脑区间的相互协同及交互作用。然而,不同认知任务中多个脑区间相互作用所构建脑网络具有复杂差异性及动态时变性,使得现有认知科学研究方法难以对其进行... 详细信息

认知是人脑对客观事物属性、特点及其规律的一种反映,特定认知任务的执行需要不同脑区间的相互协同及交互作用。然而,不同认知任务中多个脑区间相互作用所构建脑网络具有复杂差异性及动态时变性,使得现有认知科学研究方法难以对其进行直观刻画,这也加大了人类对大脑认知机制的理解难度。深度学习技术与脑网络组学的不断发展,为个性化、智能化地挖掘认知过程中脑网络动态演变规律提供可行手段。为此,本文从多类认知任务识别及认知过程分析的角度,构建基于脑电脑功能网络的图深度学习网络模型,实现认知任务分类准确率超90%的识别,并提出一种模型解释及理解方法,探索脑电相关时序特征与脑网络结构与认知任务的关系,为深入理解大脑认知机制及获取认知关联潜在生物标记提供可行依据,也有助于认知障碍疾病的早期诊断和干预治疗。本研究具体研究内容包括如下三点:(1)针对脑电信号信噪比极低、传统分析下全脑视角缺失、大脑认知状态复杂等问题,本文提出了一种基于归纳-表达思想设计的图深度学习网络:脑电图-脑功能网络认知识别网络EBNCRN。利用幅频一致性分析方法构建脑电脑功能网络,并采用数据增广策略扩充样本量,再基于EBNCRN模型实现对认知功能任务下的脑网络进行分类识别,并在一系列模型实验中验证了模型分类的有效性,可靠性和跨被试能力。该研究提高认知任务识别的准确性和鲁棒性,为后续的可解释性分析提供有效的模型和数据。(2)为探究图深度学习模型在脑电脑网络分类中所依赖的关键特征和结构及其表示方法,本研究针对脑电脑网络提出了一种基于时序特征和拓扑结构特征的解释方法和与之对应的模型解释理解方法。解释方法包括梯度型类激活映射方法、积分梯度解释方法和参数化模型解释器,并优化了上述方法在脑电脑网络中的应用。模型解释理解方法包括信号时序特征和关键图结构特征的理解方法。该研究为后续的实验结果分析提供了有效的研究工具和分析指导。(3)为探究认知任务过程中基于EBNCRN的大脑关键特征与受试者认知任务之间的联系,本研究提出了一种基于脑电脑网络深度学习模型的科学研究分析框架,应用EBNCRN模型和模型解释理解方法,得到在不同认知任务和不同被试者等条件下影响模型输出的信号特征和关键图结构,并将本文得到结果与现有脑电认知研究结论进行比较和讨论,揭示不同认知任务下大脑区域之间功能连接关系及其时序特征。本研究验证了图深度学习可解释性在脑电认知研究上具有较强有效性与可靠性,为认知神经科学提供了一种新的研究工具与研究流程,能够从数据驱动的角度探索大脑功能网络的动态变化和认知过程的机制,促进了认知神经科学与人工智能之间的交叉与融合。

关键词：图深度学习 EEG脑网络认知任务分类模型可解释性归因分析

来源：评论

学校读者我要写书评

暂无评论

基于可解释性机器学习的阿尔茨海默症痴呆风险预测

引用

新一代信息技术 2023年第24期6卷 12-16页

作者：富丹孙悦郭金兴陈广新韩杨牡丹江医学院医学影像学院黑龙江牡丹江157011 牡丹江医学院附属红旗医院黑龙江牡丹江157011

阿尔茨海默病(AD)是当今社会面临的重要挑战之一,早期诊断对于有效治疗AD至关重要。本研究探索了机器学习算法在预测AD风险方面的应用,并使用了多种模型进行比较。结果显示选择的多种模型,由于数据集中的缺失值,预测效果并不理想。SHAP... 详细信息

阿尔茨海默病(AD)是当今社会面临的重要挑战之一,早期诊断对于有效治疗AD至关重要。本研究探索了机器学习算法在预测AD风险方面的应用,并使用了多种模型进行比较。结果显示选择的多种模型,由于数据集中的缺失值,预测效果并不理想。SHAP特征分析揭示了抑郁症和APOEε4等位基因在模型预测中的关键作用。未来的研究应进一步探索这些遗传和环境因素对AD发病机制的影响,并利用先进技术优化预测模型,以提高早期诊断和干预能力,为阿尔茨海默症的预防和治疗提供更精准有效的方法。

关键词：机器学习 SHAP 模型可解释性风险预测

来源：评论

学校读者我要写书评

暂无评论

神经网络与解释模型在非结冰期含沙量预测中的应用

引用

计算机系统应用 2023年第12期32卷 276-283页

作者：白鹭鲁思琪信昆仑任鹏朱赫穆旭东银川中铁水务集团有限公司银川750004 同济大学环境科学与工程学院上海200092

基于大量历史数据的预测在环境治理、城市交通等领域已经成为必不可少的一个环节,预测的准确性对实际生产、调度等工作有着重要影响.受自然因素或人为因素的影响,一些数据表现出高波动性以及不确定性,导致无法充分发挥预测模型的最大优... 详细信息

基于大量历史数据的预测在环境治理、城市交通等领域已经成为必不可少的一个环节,预测的准确性对实际生产、调度等工作有着重要影响.受自然因素或人为因素的影响,一些数据表现出高波动性以及不确定性,导致无法充分发挥预测模型的最大优势.本研究以非结冰期含沙量预测为案例,探究了针对高波动性数据预测的优化方法,发现通过基于SHAP方法的特征选择优化、数据平稳化以及前期聚类可以有效降低对高波动数据的预测误差,MAE从初始模型的1.502降低到0.194,其中数据平稳化的优化效果最显著,MAE降低了76.51%,但随着平稳化的阶数增大,预测结果反而变差,这是由于随着平稳化的阶数越高,后续指数化的阶数也对应提升,从而导致误差的指数倍增长.此外,将聚类结果作为特征输入可以有效“引导”多层感知机的参数学习过程.

关键词：高波动数据预测优化人工神经网络模型可解释性特征选择

来源：评论

学校读者我要写书评

暂无评论

面向目标用户的深度学习模型可视化综述

引用

计算机系统应用 2023年第11期32卷 36-47页

作者：胡凯茜李欣裴炳森中国人民公安大学信息网络安全学院北京100038

深度学习模型在某些场景的实际应用中要求其具备一定的可解释性,而视觉是人类认识周围世界的基本工具,可视化技术能够将模型训练过程从不可见的黑盒状态转换为可交互分析的视觉过程,从而有效提高模型的可信性和可解释度.目前,国内外相... 详细信息

深度学习模型在某些场景的实际应用中要求其具备一定的可解释性,而视觉是人类认识周围世界的基本工具,可视化技术能够将模型训练过程从不可见的黑盒状态转换为可交互分析的视觉过程,从而有效提高模型的可信性和可解释度.目前,国内外相关领域缺少有关深度学习模型可视化工具的综述,也缺乏对不同用户实际需求的研究和使用体验的评估.因此,本文通过调研近年来学术界模型可解释性和可视化相关文献,总结可视化工具在不同领域的应用现状,提出面向目标用户的可视化工具分类方法及依据,对每一类工具从可视化内容、计算成本等方面进行介绍和对比,以便不同用户选取与部署合适的工具.最后在此基础上讨论可视化领域存在的问题并加以展望.

关键词：可视化工具深度学习模型模型可解释性目标用户注意力机制

来源：评论

学校读者我要写书评

暂无评论

交互式负荷预测：研究框架与展望

引用

中国电机工程学报 2024年

作者：左宇秦大林杜尔顺苏运张宁王毅香港大学深圳研究院清华大学低碳能源实验室国网上海市电力公司清华大学电机工程与应用电子技术系

本文立足于我国新型电力系统建设背景，为了应对电力负荷构成复杂化、随机性增强以及电力市场多元化决策需求带来的新挑战，提出了一种交互式负荷预测研究框架。现有负荷预测方法在可解释性、适应性以及对下游决策支持等方面存在不足，... 详细信息

本文立足于我国新型电力系统建设背景，为了应对电力负荷构成复杂化、随机性增强以及电力市场多元化决策需求带来的新挑战，提出了一种交互式负荷预测研究框架。现有负荷预测方法在可解释性、适应性以及对下游决策支持等方面存在不足，难以满足新型电力系统中的实际应用需求。本文提出的交互式框架重点关注预测人员与预测算法在数据输入、模型操作、预测输出等环节的深度交互，从四个关键研究方向展开讨论：提升复杂模型的可解释性、增强模型在分布偏移场景下的泛化能力、融合电力市场多元化决策需求的一体化建模与基于大语言模型的人机交互机制设计。通过对这些方向的研究现状进行综述并对未来研究内容进行展望，本文旨在推动先进负荷预测技术的可信落地，为新型电力系统的稳定运行和电网调度提供有力的技术支持。

关键词：新型电力系统负荷预测交互式预测模型可解释性分布偏移预测决策一体化大语言模型

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：