检索结果-内蒙古大学图书馆

计算机应用研究 2022年第7期39卷 2081-2086页

作者：张宝奇赵书良张剑吕晓锋河北师范大学计算机与网络空间安全学院石家庄050024 河北师范大学供应链大数据分析与数据安全河北省工程研究中心石家庄050024 河北师范大学河北省网络与信息安全重点实验室石家庄050024

离散序列生成广泛应用于文本生成、序列推荐等领域。目前的研究工作主要集中在提高序列生成的准确性,却忽略了生成的多样性。针对该现象,提出了一种自适应序列生成方法ECoT,设置两层元控制器,在数据层面,使用元控制器实现自适应可学习采... 详细信息

离散序列生成广泛应用于文本生成、序列推荐等领域。目前的研究工作主要集中在提高序列生成的准确性,却忽略了生成的多样性。针对该现象,提出了一种自适应序列生成方法ECoT,设置两层元控制器,在数据层面,使用元控制器实现自适应可学习采样,自动平衡真实数据与生成数据分布得到混合数据分布;在模型层面,添加多样性约束项,并使用元控制器自适应学习最优更新梯度,提升生成模型生成多样性。此外,进一步提出融合协同训练和对抗学习的方法,提升生成模型生成准确性。与目前的主流模型进行对比实验,结果表明,在生成准确性和多样性上,自适应协同训练序列生成方法具有更均衡的准确性和多样性,同时有效缓解了生成模型的模式崩溃问题。

关键词：深度学习机器学习序列生成协同训练对抗学习

来源：评论

学校读者我要写书评

暂无评论

基于拉格朗日对偶的小样本学习隐私保护和公平性约束方法

引用

计算机科学 2024年第7期51卷 405-412页

作者：王静红田长申李昊康王威河北师范大学计算机与网络空间安全学院石家庄050024 河北师范大学河北省网络与信息安全重点实验室石家庄050024 河北师范大学供应链大数据分析与数据安全河北省工程研究中心石家庄050024 河北工程技术学院人工智能与大数据学院石家庄050020

小样本学习旨在利用少量数据训练并大幅提升模型效用,为解决敏感数据在神经网络模型中的隐私与公平问题提供了重要方法。在小样本学习中,由于小样本数据集中往往包含某些敏感数据,并且这些敏感数据可能有歧视性,导致数据在神经网络模型... 详细信息

小样本学习旨在利用少量数据训练并大幅提升模型效用,为解决敏感数据在神经网络模型中的隐私与公平问题提供了重要方法。在小样本学习中,由于小样本数据集中往往包含某些敏感数据,并且这些敏感数据可能有歧视性,导致数据在神经网络模型的训练中存在隐私泄露的风险和公平性问题。此外,在许多领域中,由于隐私或安全等,数据很难或无法获取。同时在差分隐私模型中,噪声的引入不仅会导致模型效用的降低,也会引起模型公平性的失衡。针对这些挑战,提出了一种基于Rényi差分隐私过滤器的样本级自适应隐私过滤算法,利用Rényi差分隐私以实现对隐私损失的更精确计算。进一步,提出了一种基于拉格朗日对偶的隐私性和公平性约束算法,该算法通过引入拉格朗日方法,将差分隐私约束和公平性约束加到目标函数中,并引入拉格朗日乘子来平衡这些约束。利用拉格朗日乘子法将目标函数转化为对偶问题,从而实现同时优化隐私性和公平性,通过拉格朗日函数实现隐私性和公平性的平衡。实验结果证明,该方法既提升了模型性能,又保证了模型的隐私性和公平性。

关键词：小样本学习隐私与公平 Rényi差分隐私公平性约束拉格朗日对偶

来源：评论

学校读者我要写书评

暂无评论

基于相似网络和联合注意力的图嵌入模型

引用

河南师范大学学报（自然科学版） 2024年第6期52卷 36-44页

作者：王静红李昌鑫杨家腾于富强河北师范大学计算机与网络空间安全学院石家庄050024 河北师范大学河北省网络与信息安全重点实验室石家庄050024 河北师范大学供应链大数据分析与数据安全河北省工程研究中心石家庄050024 河北工程技术学院人工智能与大数据学院石家庄050020

图注意力网络(graph attention network, GAT)将注意力机制与图神经网络融合,但模型只关注节点的一阶邻域节点,缺乏对高阶相似节点的考虑,同时在计算注意力分数时缺乏对节点结构特征的关注.为此提出一种基于相似网络和联合注意力的图嵌... 详细信息

图注意力网络(graph attention network, GAT)将注意力机制与图神经网络融合,但模型只关注节点的一阶邻域节点,缺乏对高阶相似节点的考虑,同时在计算注意力分数时缺乏对节点结构特征的关注.为此提出一种基于相似网络和联合注意力的图嵌入模型.首先计算网络中的节点相似性,并将高相似度且未连接的节点对构建新边以形成相似网络.其次,引入结构相关性和内容相关性的概念,分别用于表征节点之间的结构关系和内容特征.通过融合两种相关性得分计算得到联合注意力分数.最后使用联合注意力分数对节点特征加权聚合,得到最终的节点嵌入表示.将本文所提算法在Cora、Citeseer和Pubmed 3个数据集上进行节点分类任务,准确率分别达到85.70%、74.30%、84.10%,与原始图注意力网络模型相比分别提高了2.70%、3.94%和2.60%.可见,所提出的算法可以得到更好的节点嵌入表示.

关键词：图嵌入图注意力网络节点相似性相似网络节点分类

来源：评论

学校读者我要写书评

暂无评论

基于重引力搜索和深度学习的图像表情识别研究

引用

光学技术 2020年第5期46卷 626-633页

作者：杨芳郭宏刚河北公安警察职业学院警务科研处河北石家庄050091 河北师范大学计算机与网络空间安全学院河北石家庄050024 河北师范大学河北省网络与信息安全重点实验室河北石家庄050024 河北师范大学河北省供应链大数据分析与数据安全工程研究中心河北石家庄050024

传统表情识别技术采用单一类型的特征表示方法,由于每个特征类型对不同数据集的表示效果存在差异,导致传统技术对不同数据集的表情识别效果也存在较大的差异。设计一种多类型混合特征的选择方案,用以提高不同数据集的表情识别准确率。... 详细信息

传统表情识别技术采用单一类型的特征表示方法,由于每个特征类型对不同数据集的表示效果存在差异,导致传统技术对不同数据集的表情识别效果也存在较大的差异。设计一种多类型混合特征的选择方案,用以提高不同数据集的表情识别准确率。将面部不同区域、不同类型的特征集作为基础特征集,利用重引力搜索算法从基础特征集中选择优化的特征子集。将优化的特征子集输入深度信念网络进行训练和半监督学习,采用训练的网络模型对表情进行识别。实验结果表明,在不同数据集条件下,采用该方法均能够保持较高的识别准确率。

关键词：深度学习深度神经网络重引力搜索算法表情识别特征选择表达式目录树

来源：评论

学校读者我要写书评

暂无评论

A^(2)former模型在时间序列预测中的应用研究

引用

人工智能科学与工程 2024年第1期 41-50页

作者：胡倩伟王秀青安阳张诺飞王广超河北师范大学计算机与网络空间安全学院石家庄050024 河北师范大学河北省网络与信息安全重点实验室石家庄050024 河北师范大学河北省供应链大数据分析与数据安全工程研究中心石家庄050024

时间序列预测在金融、医疗、交通和气象等领域发挥着重要作用。在长时间序列预测中,迫切需要提高预测的精度,解决内存不足等问题。近年来,Transformer模型在自然语言处理领域得以成功应用的同时,在预测研究领域也引起了学者们的广泛关注... 详细信息

时间序列预测在金融、医疗、交通和气象等领域发挥着重要作用。在长时间序列预测中,迫切需要提高预测的精度,解决内存不足等问题。近年来,Transformer模型在自然语言处理领域得以成功应用的同时,在预测研究领域也引起了学者们的广泛关注,Transformer变体Informer模型的研究在时间序列预测中取得了较大进展。本研究以Informer框架为基础,与加性注意力机制相结合,提出了A^(2)former模型。利用A^(2)former模型在ETT,WTH,ECL和PM2.5数据集上进行了长时间序列预测的实验,实验结果表明所提模型在长时间序列预测中表现出比基线方法(如Informer模型和LSTMa模型)更好的性能。A^(2)former模型不仅将计算时间复杂度降低到线性,而且可以实现更有效的序列建模。本研究的工作为时间序列预测提供了有益参考。

关键词：时间序列预测加性注意力机制 Transformer模型 Informer模型深度学习

来源：评论

学校读者我要写书评

暂无评论

一种融合胶囊网络的分类方法

引用

计算机应用研究 2022年第12期39卷 3574-3581,3586页

作者：王静红张戴鹏河北师范大学计算机与网络空间安全学院石家庄050024 河北师范大学河北省供应链大数据分析与数据安全工程研究中心石家庄050024 河北师范大学河北省网络与信息安全重点实验室石家庄050024

目前的ADMET分类方法在对具有多特征性和特征关联性的化合物数据进行ADMET分类时存在不足。而且,对ADMET分类结果不具备可解释性。针对上述问题,提出一种融合胶囊网络的分类模型(CapsMC)。CapsMC模型首先提出一种feature-to-image图像... 详细信息

目前的ADMET分类方法在对具有多特征性和特征关联性的化合物数据进行ADMET分类时存在不足。而且,对ADMET分类结果不具备可解释性。针对上述问题,提出一种融合胶囊网络的分类模型(CapsMC)。CapsMC模型首先提出一种feature-to-image图像转换算法。使用该算法将特征之间的关联关系和依赖关系作为考量纳入到分类依据中,实现特征的多层次提取。其次,探索胶囊网络的高级应用,提出一种认知推理机制。使用该机制对特征进行认知推理,实现ADMET的可解释性分类。模型在五种ADMET数据集上的实验结果表明,CapsMC模型可以高效实现ADMET的可解释性分类。

关键词： ADMET 图像转换胶囊网络认知推理机制可解释性分类

来源：评论

学校读者我要写书评

暂无评论

基于依存关系的命名实体识别

引用

中文信息学报 2021年第6期35卷 63-73页

作者：张雪松郭瑞强黄德根河北师范大学计算机与网络空间安全学院河北石家庄050024 河北师范大学河北省供应链大数据分析与数据安全工程研究中心河北石家庄050024 大连理工大学计算机科学与技术学院辽宁大连116024

现有的命名实体识别方法主要是将句子看作一个序列进行处理,忽略了句子中潜在的句法信息,存在长距离依赖问题。为此,该文提出一种基于依存关系的命名实体识别模型,通过在输入数据中增加依存树信息,改变双向长短时记忆网络的层间传播方式... 详细信息

现有的命名实体识别方法主要是将句子看作一个序列进行处理,忽略了句子中潜在的句法信息,存在长距离依赖问题。为此,该文提出一种基于依存关系的命名实体识别模型,通过在输入数据中增加依存树信息,改变双向长短时记忆网络的层间传播方式,以获得单词在依存树中的子节点和父节点信息,并通过注意力机制动态选择两者的特征,最后将特征输入到CRF层实现命名实体标注。实验表明,该方法较BiLSTM-CRF模型在性能上得到了提高,且在长实体识别上优势明显。在OntoNotes 5.0 English和OntoNotes 5.0 Chinese以及SemEval-2010 Task 1 Spanish上的F1值分别达到了88.94%、77.42%、84.38%。

关键词：命名实体识别依存树有向图注意力机制

来源：评论

学校读者我要写书评

暂无评论

双路自编码器的属性网络表示学习

引用

计算机应用 2023年第8期43卷 2338-2344页

作者：王静红周志霞王辉李昊康河北师范大学计算机与网络空间安全学院石家庄050024 河北省网络与信息安全重点实验室(河北师范大学) 石家庄050024 供应链大数据分析与数据安全河北省工程研究中心(河北师范大学) 石家庄050024 河北工程技术学院石家庄050091

属性网络表示学习的目的是在保证网络中节点性质的前提下,结合结构和属性信息学习节点的低维稠密向量表示。目前属性网络表示学习方法忽略了网络中属性信息的学习,且这些方法中的属性信息与网络拓扑结构的交互性不足,不能高效融合网络... 详细信息

属性网络表示学习的目的是在保证网络中节点性质的前提下,结合结构和属性信息学习节点的低维稠密向量表示。目前属性网络表示学习方法忽略了网络中属性信息的学习,且这些方法中的属性信息与网络拓扑结构的交互性不足,不能高效融合网络结构和属性信息。针对以上问题,提出一种双路自编码器的属性网络表示学习(DENRL)算法。首先,通过多跳注意力机制捕获节点的高阶邻域信息;其次,设计低通拉普拉斯滤波器去除高频信号,并迭代获取重要邻居节点的属性信息;最后,构建自适应融合模块,通过结构和属性信息的一致性及差异性约束来增加对重要信息的获取,并通过监督两个自编码器的联合重构损失函数训练编码器。在Cora、Citeseer、Pubmed和Wiki数据集上的实验结果表明,与DeepWalk、ANRL(Attributed Network Representation Learning)等算法相比,DENRL算法在3个引文网络数据集上聚类准确率最高、算法运行时间最少,在Cora数据集上聚类准确率为0.775和运行时间为0.460 2 s;且DENRL算法在Cora和Citeseer数据集上链路预测精确率最高,分别达到了0.961和0.970。可见,属性与结构信息的融合及交互学习可以获得更强的节点表示能力。

关键词：属性网络网络表示学习自编码器交互学习注意力机制

来源：评论

学校读者我要写书评

暂无评论

融合改进VAE与BiLSTM的无监督时序数据异常检测方法

引用

计算机工程 2024年

作者：张春昊解滨张佳豪中国地质科学院水文地质环境地质研究所河北师范大学计算机与网络空间安全学院河北师范大学供应链大数据分析与数据安全河北省工程研究中心河北师范大学河北省网络与信息安全重点实验室

时间序列数据异常检测在金融、医疗、工业监控等领域具有重要意义，然而，传统方法在处理时间序列数据时常常面临特征提取能力有限、泛化能力差且实时性不佳等挑战，甚至忽视了数据之间的时序关系。为充分考虑数据的时间依赖性，进一步... 详细信息

时间序列数据异常检测在金融、医疗、工业监控等领域具有重要意义，然而，传统方法在处理时间序列数据时常常面临特征提取能力有限、泛化能力差且实时性不佳等挑战，甚至忽视了数据之间的时序关系。为充分考虑数据的时间依赖性，进一步提高对时间序列数据异常检测的能力，提出了一种无监督时间序列数据异常检测方法β-VAE-BiLSTM。首先，在重新设计VAE模块网络结构使其更适合数据重构进行异常检测的基础上通过引入超参数β控制证据下界中KL(Kullback-Leibler Divergence)散度项的权重，从而增强编码器模块对于潜在空间的解耦性和表达能力，获取更有力的数据潜在表示。然后，采用长短期记忆网络模块估计潜在表示的长期相关性，捕捉其前向和后向的依赖关系，并对其进行时序预测。最后，通过对预测结果平均融合和解码器重构进而计算重构误差，通过网格搜索最优阈值来检测时序异常。实验结果表明，该方法在多个公开时间序列数据集上具有优越的异常检测性能，能够有效提取时间相关的复杂数据特征，实现高效计算和实时异常检测，识别异常点和异常区域，提高了检测精度和鲁棒性，减少了误报和漏报。

关键词：异常检测时间序列自编码器长短期记忆网络无监督

来源：评论

学校读者我要写书评

暂无评论

基于元路径属性融合的异质网络表示学习

引用

山东大学学报（理学版） 2024年第3期59卷 1-13页

作者：王静红吴芝冰黄鹏杨家腾李笔河北师范大学计算机与网络空间安全学院河北石家庄050024 河北省网络与信息安全重点实验室(河北师范大学) 河北石家庄050024 供应链大数据分析与数据安全河北省工程研究中心(河北师范大学) 河北石家庄050024 河北师范大学商学院河北石家庄050024

针对信息网络的表示学习进行研究,提出了一种基于元路径信息融合的异质图神经网络(metapath attribute fusion graph neural network,MAFGNN),通过在异质网络中引入元路径之前将目标节点的邻居信息包括元路径信息融入到节点中,实现目标... 详细信息

针对信息网络的表示学习进行研究,提出了一种基于元路径信息融合的异质图神经网络(metapath attribute fusion graph neural network,MAFGNN),通过在异质网络中引入元路径之前将目标节点的邻居信息包括元路径信息融入到节点中,实现目标节点和邻居信息的融合。该方法首先将不同类型的节点属性特征进行维度转换便于后续的融合操作,通过计算目标节点和邻居节点权重值完成目标节点信息的融合操作。然后根据特定元路径对目标节点进行融合,最后在不同元路径间实现不同语义信息的融合操作。在多个异质信息数据集上进行实验表明,MAFGNN模型在处理异质网络节点嵌入方面相比于最先进的基准实验有最好的性能和更加准确的预测结果。

关键词：元路径异质信息网络异质图嵌入信息融合注意力机制

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：