检索结果-内蒙古大学图书馆

作者：李乐桐北方工业大学

学位级别：硕士

表格可以将影响决策的多维度要素有序的存储并清晰的展示出来,是帮助管理者进行决策的有效工具。纵观现有对表格数据的分析方法,有以下问题值得关注:目前的分析方法仅针对包含类别特征与数字特征的表格,无法分析包含主观描述字段的表格... 详细信息

表格可以将影响决策的多维度要素有序的存储并清晰的展示出来,是帮助管理者进行决策的有效工具。纵观现有对表格数据的分析方法,有以下问题值得关注:目前的分析方法仅针对包含类别特征与数字特征的表格,无法分析包含主观描述字段的表格;机器学习在表格数据挖掘领域中占主导地位,但决策因素的维度提升会影响分析结果。针对上述问题,如何同时对表格中的数字型特征、类别型特征、主观描述文本特征进行深层次的规律探究,进而辅助决策,变得尤为重要。本文提出了一种基于深度学习且结合语言模型的表格学习方法,针对北方工业大学中学生的可持续发展观点调查问卷结果进行规律探究并进行结果评定。该方法通过语言模型将主观描述字段分别转换为文本相似度和文本观点序列,将其与表格中的其他特征进行拼接后再送入表格模型进行分析决策。论文的主要工作内容如下:(1)针对考察概念的主观字段,使用TF-IDF提取学生作答的关键词与词频并用Jaccard系数作为评估指标;使用Word Embedding提取学生作答与官方文本的向量空间并进行相似度比较,此两者共同描述了概念空间。(2)针对考察学生是否具备正确观点的主观描述字段,本文提出ML＿BERT,以BERT语言模型为框架,通过微调模型结构与损失函数使其完成多标签观点提取任务,并通过实验证明了其有效性。(3)针对多标签文本观点提取任务中的标签不均衡问题,本文引入多标签Focal loss对分类任务进行优化。(4)本文将语言模型与表格学习模型相结合,并针对观点序列修改Tab Net使其避免特征离散的同时更关注于主观作答内容。实验证明本文选取的端到端表格学习模型相较于其他方法更适用于与语言模型相结合,且具有可解释性。

关键词：深度学习表格学习自然语言处理多标签文本分类

来源：评论

学校读者我要写书评

暂无评论

基于大语言模型监督的无标签医疗表格数据学习方法

基于大语言模型监督的无标签医疗表格数据学习方法

引用

作者：胡朝文浙江大学

学位级别：硕士

在现代医疗领域,数据对于诊断、疗效评估和医学研究至关重要。虽然医疗表格数据的收集过程复杂且敏感,但更加突出的挑战在于这些数据的标注和整合。医疗表格数据,包括病历信息和检测结果等,分散于不同的机构和系统中。而整合这些数据,... 详细信息

在现代医疗领域,数据对于诊断、疗效评估和医学研究至关重要。虽然医疗表格数据的收集过程复杂且敏感,但更加突出的挑战在于这些数据的标注和整合。医疗表格数据,包括病历信息和检测结果等,分散于不同的机构和系统中。而整合这些数据,尤其是在跨机构合作的情况下,尤为困难。更重要的是,这些医疗表格数据的标注过程既耗时又成本高昂,因为它需要依赖于专业的医学知识。特别是在罕见病的数据标注方面,难度更大,因为相关的专家稀缺,专业知识和经验不足。因此,如何利用无标签的医疗表格数据有效地训练表格学习模型,成为了计算机辅助医疗的一个主要研究方向。为了解决无法在无标签的医疗表格数据上训练模型的难题,本文提出了一种基于大语言模型监督的无标签医疗表格数据学习方法。该方法能够有效的利用无标签的医疗表格数据来训练表格学习模型,且所得模型的性能可与使用真实标记的医疗表格数据训练得到的模型媲美。鉴于大语言模型无法直接对医疗表格数据进行标注,本文提出了一种将医疗表格数据转化为提示词数据集的方法,这一方法严格遵守提示词编写规范,最大限度地发挥了大语言模型的潜能。然而,大语言模型标注的医疗表格数据集中的样本标签存在噪声,直接使用这些带噪声的数据训练表格学习模型会导致效果不佳。为此,本文提出了一种面向有噪声标签的医疗表格数据的监督学习方法GPTMix,其创新之处主要体现在以下四个方面:a.基于LLM的标签平滑策略,通过使用LLM生成的软标签,实现了标签平滑。这不仅缓解了标签噪声的影响,还提高了模型在各种挑战性环境中的鲁棒性和泛化能力。b.基于LLM的高质量验证集的早停策略,为了避免模型过拟合,引入了基于LLM筛选出的高质量验证集的早停策略。这一策略特别适用于样本量较少的医疗数据集,帮助模型在正确的时间点停止训练,防止过度拟合。c.分布对齐策略,这有助于确保模型在训练过程中关注到所有类别,有效利用有限的标签数据,从而增强模型在不同类别数据上的泛化能力。d.锚定数据增强策略,有助于模型学习到更具鲁棒性的表征,提高在不同数据分布下的泛化能力。本文实验结果显示,基于大语言模型监督的无标签医疗表格数据学习方法,在7个医疗数据集上训练的模型显著超越了使用大语言模型生成的标签计算方法,ACC提升9.4%至21.9%,AUC提升10.8%至21.1%。与使用真实标签训练的模型相比,ACC达到其90.6%至103.1%,AUC达到其95.0%至115.1%,表明该方法的有效性。此外,本文提出的针对有噪声标签数据的医疗表格数据学习方法GPTMix,与基线方法对比表现最佳。与现有最好的方法对比,在7个数据集上ACC提升0.6%至2.4%,AUC提升0.7%至2.2%,证明了该方法的优越性。

关键词：大语言模型无标签数据有噪声标签学习表格学习

来源：评论

学校读者我要写书评

暂无评论

浅谈信息技术教学中社会责任的培养

引用

情感读本 2024年第20期 166-168页

作者：周洁辽宁省盘锦市兴隆台区教育局辽宁盘锦 124000

本文探讨了在初中信息技术教学中如何培养学生的社会责任感.随着信息技术在日常生活中扮演越来越重要的角色,教育者面临着将技术知识与社会责任感相结合的挑战.本文提出了一系列教学策略,旨在通过信息技术教学,培养学生对社会责任的认... 详细信息

本文探讨了在初中信息技术教学中如何培养学生的社会责任感.随着信息技术在日常生活中扮演越来越重要的角色,教育者面临着将技术知识与社会责任感相结合的挑战.本文提出了一系列教学策略,旨在通过信息技术教学,培养学生对社会责任的认识和理解.这些策略不仅能提升学生的技术能力,还促进了学生在数字时代的道德和伦理发展.通过这些教学方法,学生能够理解并承担在数字化世界中的社会责任,为成为负责任的数字公民打下基础.

关键词：信息技术社会责任初中教学表格学习图片制作

来源：评论

学校读者我要写书评

暂无评论

特征选择和加权融合分类的糖尿病并发症预测方法研究

特征选择和加权融合分类的糖尿病并发症预测方法研究

引用

作者：张琳艳燕山大学

学位级别：硕士

糖尿病是目前最危险的慢性疾病之一。随着糖尿病患者患病时间的延长,它会损害身体的其他器官,导致很多严重的并发疾病。一般情形下,并发症会对病人造成巨大的身体问题,甚至危害到病人的生命安全。为了对糖尿病患者的并发症提早发现提早... 详细信息

糖尿病是目前最危险的慢性疾病之一。随着糖尿病患者患病时间的延长,它会损害身体的其他器官,导致很多严重的并发疾病。一般情形下,并发症会对病人造成巨大的身体问题,甚至危害到病人的生命安全。为了对糖尿病患者的并发症提早发现提早预防并且以尽可能高的准确性诊断糖尿病并发症,本研究提出了一种基于特征选择和加权融合分类的糖尿病并发症预测方法。首先,为了减少数据集维度,本文提出了灵活互信息与递归特征消除混合的特征选择方法从原始数据集中选出最优特征子集。此外,还对数据集中数据进行了缺失值和类平衡的处理。关于数据缺失值,引入了可以针对不同数据类型填充的随机森林迭代插补方法。为了使数据集的类达到平衡,采用自适应合成技术增加少数类样本。其次,考虑到单一的分类算法对复杂的糖尿病并发症数据集预测的综合能力有限,本文提出了神经网络和梯度提升加权融合的分类算法。选择深度表格学习分类方法和分类梯度提升分类方法作为基分类器,通过训练集并行训练两个基分类器。运用测试集对两个基分类器预测的AUC值进行加权融合,得出最后的预测结果,提高分类预测的性能。将加权融合方法结合数据处理方法,构建了基于特征选择和加权融合分类的糖尿病并发症预测方法。最后,在糖尿病并发症数据集上,基于糖尿病肾病和心血管疾病两种并发症对提出的特征选择方法及加权融合分类的预测方法进行实验验证和结果分析。通过对糖尿病肾病和心血管病的预测,并通过实验对比,验证本文提出的方法在对糖尿病并发症的预测上具有更好的准确性和稳定性。

关键词：糖尿病并发症特征选择表格学习梯度提升加权融合

来源：评论

学校读者我要写书评

暂无评论

一种通用的表格自动处理系统

引用

云南大学学报（自然科学版） 1995年第1期17卷 81-84页

作者：梁虹李天牧云南大学信息与电子科学系

本文介绍一种对表格形式的限制较为宽松的手写体数字表格自动处理系统．对于一批同类表格，该系统只需学习一次，便可根据所获取的表格知识来快速提取同类表格中任意指定栏目的手写体数字信息，用于作进一步的识别和处理，而无需对每张... 详细信息

本文介绍一种对表格形式的限制较为宽松的手写体数字表格自动处理系统．对于一批同类表格，该系统只需学习一次，便可根据所获取的表格知识来快速提取同类表格中任意指定栏目的手写体数字信息，用于作进一步的识别和处理，而无需对每张表格都进行繁重的图象分析．并重点介绍了学习过程中表格知识的获取及描述、表格的歪斜校正以及整个系统的算法及实现过程，给出了部分实验结果．

关键词：表格处理表格学习计算机图形学

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：