检索结果-内蒙古大学图书馆

山东大学学报（理学版） 2024年第7期59卷 64-75页

作者：咸宁范意兴廉涛郭嘉丰中国科学院计算技术研究所网络与数据科学与技术重点实验室北京100190 中国科学院大学计算机科学与技术学院北京100190 太原理工大学计算机科学与技术学院(大数据学院) 山西晋中030600

针对网络对齐任务中网络结构差异大和锚节点对噪声大的问题,提出一种基于多轮迭代的网络对齐方法。该方法在每轮迭代时使用多种启发式方法计算不同维度的节点特征,利用多重特征的组合来评估锚节点的可靠性,过滤其中潜在的噪声,增强每轮... 详细信息

针对网络对齐任务中网络结构差异大和锚节点对噪声大的问题,提出一种基于多轮迭代的网络对齐方法。该方法在每轮迭代时使用多种启发式方法计算不同维度的节点特征,利用多重特征的组合来评估锚节点的可靠性,过滤其中潜在的噪声,增强每轮对齐过程的置信度;使用图神经网络增强无属性节点之间的一致性,减轻网络结构差异带来的影响。实验结果表明,该方法可以在高噪声的情况下具有高准确率,验证了其有效性。

关键词：网络对齐图同构网络噪声过滤图元

来源：评论

学校读者我要写书评

暂无评论

半监督AUC优化的Boosting算法及理论

引用

计算机学报 2022年第8期45卷 1598-1617页

作者：杨智勇许倩倩何源操晓春黄庆明中国科学院大学计算机科学与技术学院中国科学院计算技术研究所智能信息处理重点实验室阿里安全图灵实验室中国科学院信息工程研究所信息安全国家重点实验室中国科学院大数据挖掘与知识管理重点实验室鹏城实验室

ROC曲线下面积（Area Under the ROC Curve,AUC）是类不均衡/二分排序等问题中的标准评价指标之一．本文主要聚焦于半监督AUC优化方法．现有大多数方法局限于通过单一模型进行半监督AUC优化，对如何通过模型集成技术融合多个模型则鲜有... 详细信息

ROC曲线下面积（Area Under the ROC Curve,AUC）是类不均衡/二分排序等问题中的标准评价指标之一．本文主要聚焦于半监督AUC优化方法．现有大多数方法局限于通过单一模型进行半监督AUC优化，对如何通过模型集成技术融合多个模型则鲜有涉及．考虑上述局限性，本文主要研究基于模型集成的半监督AUC优化方法．具体而言，本文提出一种基于Boosting算法的半监督AUC优化算法，并提出基于权重解耦的加速策略以降低算法时间/空间复杂度．进一步地，在优化层面，本文通过理论分析证明了所提出的算法相对于弱分类器的增加具有指数收敛速率；在模型泛化能力层面，本文构造了所提出算法的泛化误差上界，并证明增加弱分类器个数在提升训练集性能的同时并不会带来明显的过拟合风险．最后，本文在16个基准数据集上对所提出算法的性能进行了验证，实验结果表明所提出算法在多数情况下以0.05显著水平优于其他对比方法，并可在平均意义上产生0.9%～11.28%的性能提升．

关键词： AUC优化集成学习半监督学习提升法 Rademacher复杂度

来源：评论

学校读者我要写书评

暂无评论

基于知识线记忆的多分类器集成算法

引用

计算机学报 2021年第3期44卷 462-475页

作者：于思皓郭嘉丰范意兴兰艳艳程学旗中国科学院计算技术研究所网络数据科学与技术重点实验室北京100190 中国科学院大学北京100190 烟台中科网络技术研究所山东烟台264005

多分类器系统作为混合智能系统的分支,集成了具有多样性的分类器集合,使整体得到更优的分类性能.结果融合是该领域中的一个重要问题,在相同分类器成员下,好的融合策略可以有效提升系统整体的分类正确率.随着模型安全性得到重视,传统融... 详细信息

多分类器系统作为混合智能系统的分支,集成了具有多样性的分类器集合,使整体得到更优的分类性能.结果融合是该领域中的一个重要问题,在相同分类器成员下,好的融合策略可以有效提升系统整体的分类正确率.随着模型安全性得到重视,传统融合策略可解释性差的问题凸显.本文基于心理学中的知识线记忆理论进行建模,参考人类决策过程,提出了一种拥有较好可解释性的启发式多分类器集成算法,称为知识线集成算法.该算法模拟人类学习与推断的行为,组织多分类器结果的融合.在训练中,模型收集给定分类器集合的不同子集,构建不同特征空间到解空间的映射,构成知识线.在推断时,模型启发式地激活知识线,进行选择性结果集成,得到推断结果.知识线集成使用样本驱动的模式,易于进行中间过程与最终结果的分析.以决策树作为分类器的实验表明,在相同的决策树集合下,知识线集成算法分类正确率与随机森林相仿.在此基础之上,知识线集成算法可量化问题不同粒度下的难易程度,且在推断时能提供相关训练样本作为依据.

关键词：多分类器知识线记忆理论启发式样本驱动可解释性

来源：评论

学校读者我要写书评

暂无评论

一种无结构金融公告多元关系抽取方法

引用

中文信息学报 2022年第2期36卷 76-84页

作者：周映彤孟剑郭岩刘悦贺广福董琳程学旗中国科学院计算技术研究所网络数据科学与技术实验室北京100190 国家计算机网络应急技术处理协调中心北京100029

金融公告信息披露了企业运营的关键数据,具有应用价值。无结构金融公告中涉及复杂的财务关系,即多元关系。该文设计了基于依存分析树和频繁子图挖掘的垂直域多元关系抽取方法TextMining,可大大降低对数据集的依赖。进一步,受图卷积神经... 详细信息

金融公告信息披露了企业运营的关键数据,具有应用价值。无结构金融公告中涉及复杂的财务关系,即多元关系。该文设计了基于依存分析树和频繁子图挖掘的垂直域多元关系抽取方法TextMining,可大大降低对数据集的依赖。进一步,受图卷积神经网络启发,该文设计了垂直域优化的FTA-GCN算法。在构建的适用金融公告数据集上,算法较强地关注以金融公告中常见的名词实体为核心的多元关系抽取,实验结果表明,算法具有良好的抽取效果。

关键词：金融公告关系抽取图卷积

来源：评论

学校读者我要写书评

暂无评论

威胁情报提取与知识图谱构建技术研究

引用

西安电子科技大学学报 2023年第4期50卷 65-75页

作者：史慧洋魏靖烜蔡兴业王鹤高随祥张玉清中国科学院大学计算机科学与技术学院北京101408 中国科学院大学国家计算机网络入侵防范中心北京101408 中国科学院大学沈阳计算技术研究所辽宁沈阳110168 西安电子科技大学网络与信息安全学院陕西西安710071 中国科学院大学数学科学学院北京101408 中关村实验室北京100094

目前,攻击者使用的基础设施能适应更多的目标环境,成功侵入目标后,使用合法的用户凭证取得信任,并通过不断学习利用新的漏洞达到攻击目的。为了对抗攻击,提高威胁情报的使用价值,提出由情报搜集、信息抽取、本体构建和知识推理构建威胁... 详细信息

目前,攻击者使用的基础设施能适应更多的目标环境,成功侵入目标后,使用合法的用户凭证取得信任,并通过不断学习利用新的漏洞达到攻击目的。为了对抗攻击,提高威胁情报的使用价值,提出由情报搜集、信息抽取、本体构建和知识推理构建威胁情报的知识图谱框架,该框架可实现情报中重要指标的搜索和相互关联。然后基于Bert+BiSLTM+CRF的失陷指标,识别抽取方法,加以正则匹配机制进行输出限制,用于从文本信息中识别抽取失陷指标信息,并进行结构化威胁信息表达标准格式转换。经过横向和纵向对比,该抽取模型在文本信息抽取中的精度和召回率较高。最后,以APT1为例,构建出威胁情报实体关系图,结合对抗战术和技术知识库框架将攻击行为转换为结构化格式,建立本体与原子本体知识图谱;通过知识图谱关联分析数据之间潜在的关联,发现具有相似性和相关性的威胁情报潜在的关联信息和攻击主体,进行威胁情报的关联分析,为制定防御策略提供依据。

关键词：威胁情报神经网络本体失陷指标抽取对抗战术和技术知识库存知识图谱

来源：评论

学校读者我要写书评

暂无评论

基于对偶四元数的协同知识图谱推荐模型

引用

计算机学报 2022年第10期45卷 2221-2242页

作者：曹宗胜许倩倩李朝鹏姜阳邦彦操晓春黄庆明中国科学院信息工程研究所信息安全国家重点实验室北京100093 中国科学院计算技术研究所智能信息处理重点实验室北京100190 中国科学院大学计算机科学与技术学院北京101408 中国科学院大学网络空间安全学院北京100049 中国科学院大数据挖掘与知识管理重点实验室北京101408 鹏城实验室广东深圳518055

为减轻用户-商品交互数据稀疏和冷启动问题对协同过滤算法推荐效果的影响,许多研究者将知识图谱引入推荐系统.然而既往工作对协同知识图谱中关系的建模较为单一,表达能力较弱,不利于建模实体间的复杂关系以及学习用户和商品的嵌入.为克... 详细信息

为减轻用户-商品交互数据稀疏和冷启动问题对协同过滤算法推荐效果的影响,许多研究者将知识图谱引入推荐系统.然而既往工作对协同知识图谱中关系的建模较为单一,表达能力较弱,不利于建模实体间的复杂关系以及学习用户和商品的嵌入.为克服这一问题,本文提出基于对偶四元数的协同知识图谱推荐模型(DQKGR),利用富有表达力的对偶四元数嵌入表示用户和商品,以有效建模实体和关系之间复杂的潜在依赖.在商品和用户的嵌入学习部分,本文设计了一个新的知识图谱嵌入模型(DQKGE),可基于莫比乌斯变换捕捉协同知识图谱中实体间多种复杂关系,并基于此设计偏好传播与聚合方法以利用知识图谱中的结构信息进行推荐.为验证所提DQKGR模型的有效性,在公开的Last-FM、MovieLens-20M和Book-Crossing数据集上进行大量实验,结果表明所提DQKGR模型推荐结果在多个评测指标上优于现有方法,可在平均意义上产生2.83%以上的性能提升.

关键词：知识图谱推荐系统对偶四元数莫比乌斯变换偏好传播

来源：评论

学校读者我要写书评

暂无评论

迭代式的深度PU学习与类别先验估计框架

引用

计算机学报 2022年第12期45卷 2667-2686页

作者：赵昀睿许倩倩姜阳邦彦黄庆明中国科学院大学计算机科学与技术学院北京101408 中国科学院计算技术研究所智能信息处理重点实验室北京100190 中国科学院信息工程研究所信息安全国家重点实验室北京100093 中国科学院大学网络空间安全学院北京100049 中国科学院大学大数据挖掘与知识管理重点实验室北京101408 鹏城实验室广东深圳518055

近年来,深度学习在诸多任务上展现了优异的性能,其一般基于海量数据并采用有监督的学习方式,依赖于完整的数据标签信息.然而在现实应用场景中,收集大量标签往往成本高昂.因此,如何利用未经充分标注的数据进行学习成为了当下的主要挑战.... 详细信息

近年来,深度学习在诸多任务上展现了优异的性能,其一般基于海量数据并采用有监督的学习方式,依赖于完整的数据标签信息.然而在现实应用场景中,收集大量标签往往成本高昂.因此,如何利用未经充分标注的数据进行学习成为了当下的主要挑战.二分类问题中的从正例和无标签(Positive-Unlabeled,PU)样本数据进行学习,简称PU学习,即为其一.当前主流的PU学习算法需要准确无误的类别先验知识,但实际上类别先验通常难以获得,需要估计.已有的类别先验估计算法则主要面向传统的机器学习分类器进行设计,无法直接运用在大规模数据集上,因而不利于发挥深度学习在大规模数据集上的优势.为克服以上问题,本文提出了一个基于无监督混合模型的迭代式深度PU学习与类别先验估计框架.它利用了深度神经网络对正例和负例给出的预测分数具有不同的分布这一特性,使用双高斯成分的混合模型近似拟合预测分数的混合分布.其中,各个高斯分量分别代表了正类和负类的条件概率分布,混合权重系数代表了类别先验.结合半监督学习中的平均教师和温度锐化技术,所提框架在类别先验未知以及数据缺失负例监督的条件下,估计类别先验的同时进行PU数据上的深度学习,二者相互促进.在基准数据集MNIST、Fashion-MNIST、CIFAR-10和实际应用数据集Alzheimer上的实验结果验证了所提框架的有效性,准确率分别为94.66%、95.16%、89.98%和73.20%,该结果不仅超越了现有基于类别先验估计的PU学习算法,更可与基于真实类别先验的最前沿算法相媲美.

关键词： PU学习类别先验估计半监督学习弱监督学习深度学习

来源：评论

学校读者我要写书评

暂无评论

多跳式文本阅读理解方法综述

引用

中文信息学报 2022年第11期36卷 1-19页

作者：倪艺函兰艳艳庞亮程学旗中国科学院计算技术研究所中国科学院网络数据科学与技术重点实验室北京100190 中国科学院大学计算机与控制学院北京100049 清华大学智能产业研究院北京100084

多跳阅读理解成为近年来自然语言理解领域的研究热点,与简单阅读理解相比,它更加复杂,需要面对如下挑战:①结合多处内容线索,如多文档阅读等;②具有可解释性,如给出推理路径等。为应对这些挑战,出现了各类不同的工作。因此该文综述了多... 详细信息

多跳阅读理解成为近年来自然语言理解领域的研究热点,与简单阅读理解相比,它更加复杂,需要面对如下挑战:①结合多处内容线索,如多文档阅读等;②具有可解释性,如给出推理路径等。为应对这些挑战,出现了各类不同的工作。因此该文综述了多跳式文本阅读理解这一复杂阅读理解任务,首先给出了多跳文本阅读理解任务的定义;由于推理是多跳阅读理解模型的基础能力,根据推理方式的不同,多跳阅读理解模型可以分为三类:基于结构化推理的多跳阅读理解模型、基于线索抽取的多跳阅读理解模型、基于问题拆分的多跳阅读理解模型,该文接下来比较分析了各类模型在常见多跳阅读理解模型任务数据集上的实验结果,发现这三类模型之间各有优劣。最后探讨了未来的研究方向。

关键词：多跳阅读理解图神经网络迭代线索抽取问题拆分

来源：评论

学校读者我要写书评

暂无评论

基于超级参数调整的网络表示学习算法性能公平比较框架

引用

计算机学报 2022年第5期45卷 897-917页

作者：郭梦影孙振宇朱妤晴包云岗中国科学院计算技术研究所先进计算机系统研究中心北京100190 中国科学院大学北京100049 北京信息科学与技术国家研究中心(清华大学) 北京100084 大数据系统软件国家工程实验室北京100084

网络结构数据在现今生活中广泛存在,但由于数据结构稀疏、规模较大等特性,难以直接利用现有的机器学习算法对数据进行分析.网络表示学习算法的出现,通过将高维数据映射到低维向量空间,解决了上述问题.但是网络表示学习算法中存在大量超... 详细信息

网络结构数据在现今生活中广泛存在,但由于数据结构稀疏、规模较大等特性,难以直接利用现有的机器学习算法对数据进行分析.网络表示学习算法的出现,通过将高维数据映射到低维向量空间,解决了上述问题.但是网络表示学习算法中存在大量超级参数,参数的选择与数据分析任务密切相关且对算法性能有明显影响,如何针对数据分析任务,通用地对多种网络表示学习算法进行超级参数调整,以获取不同算法的最优性能,实现算法间性能的公平比较,从而选择出最优者对数据进行分析,是一个亟待解决的问题.此外,对算法进行超级参数调整通常需要花费较长时间,且由于网络结构数据规模通常较大,还会有内存占用过高问题的存在,因此如何能够在有资源限制(时间、内存占用)的条件下进行超级参数调整,是面临的另一个问题.基于上述两个问题,本文提出了基于超级参数调整的网络表示学习算法性能公平比较框架JITNREv,能够在有资源限制的条件下通用对多种网络表示学习算法进行超级参数调整,通过获取不同算法针对相同数据分析任务的性能最优值,实现算法之间的性能公平比较.该框架具有4个松耦合且可扩展的组件,组件间仅通过数据流进行交互,并在闭环结构中完成样本的测试优化,满足了框架的通用性.JITNREv基于拉丁超立方采样对超级参数进行采样;根据“当前最优值附近,有更大概率出现更优值”的假设对采样范围进行剪枝;针对超大规模数据集,提出了图粗化方式在保留数据结构的基础上压缩数据规模,满足了资源限制条件下对超级参数进行调整的要求.框架还融合了网络表示学习算法常用的评测数据集、评测指标和数据分析应用,实现了框架的易用性.实验证明JITNREv框架能够在资源限制条件下稳定提高算法性能,例如,针对GCN算法的节点分类任务相比默认参数设置,JITNREv框架能够将性能提升31%.

关键词：网络表示学习网络嵌入图卷积网络自动化机器学习超级参数调整

来源：评论

学校读者我要写书评

暂无评论

SAF-CNN:面向嵌入式FPGA的卷积神经网络稀疏化加速框架

引用

计算机研究与发展 2023年第5期60卷 1053-1072页

作者：谢坤鹏仪德智刘义情刘航赫鑫宇龚成卢冶南开大学计算机学院天津300350 南开大学网络空间安全学院天津300350 南开大学软件学院天津300350 天津市网络与数据安全技术重点实验室(南开大学) 天津300350 处理器芯片全国重点实验室(中国科学院计算技术研究所) 北京100190

传统的卷积神经网络加速器及推理框架在资源约束的FPGA上部署模型时,往往面临设备种类繁多且资源极端受限、数据带宽利用不充分、算子操作类型复杂难以适配且调度不合理等诸多挑战.提出一种面向嵌入式FPGA的卷积神经网络稀疏化加速框架(... 详细信息

传统的卷积神经网络加速器及推理框架在资源约束的FPGA上部署模型时,往往面临设备种类繁多且资源极端受限、数据带宽利用不充分、算子操作类型复杂难以适配且调度不合理等诸多挑战.提出一种面向嵌入式FPGA的卷积神经网络稀疏化加速框架(sparse acceleration framework of convolutional neural network, SAF-CNN),通过软硬件协同设计的方法,从硬件加速器与软件推理框架2个角度进行联合优化.首先, SAF-CNN构建并行计算阵列,并且设计并行编解码方案,实现单周期多数据的传输,有效减少通信代价.其次,设计细粒度结构化块划分剪枝算法,于输入通道维度进行块内裁剪来获得稀疏且规则的权重矩阵,借此显著降低计算规模和DSP乘法器等资源占用.然后,提出一种兼容深度可分离卷积的输入通道维度动态拓展及运行时调度策略,实现输入通道参数灵活适配与逐通道卷积和逐点卷积的资源复用.最后,提出一种计算图重构及硬件算子融合优化方法,提升硬件执行效率.实验采用2种资源受限的低端FPGA异构平台Intel CycloneV与Xilinx ZU3EG,结果表明SAF-CNN加速器可分别实现76.3GOPS与494.3GOPS的计算性能.与多核CPU相比,SAF-CNN在进行SSD_MobileNetV1目标模型检测时,可实现3.5倍与2.2倍的性能提升,模型推理速度高达26.5fps.

关键词：卷积神经网络模型压缩计算图加速器设计推理框架

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：