针对现有的基于异构图神经网络的短文本分类方法未充分利用节点之间的有效信息,以及存在的过拟合问题,文中提出基于门控双层异构图注意力网络的半监督短文本分类方法(Semi-Supervised Short Text Classification with Gated Double-Laye...
详细信息
针对现有的基于异构图神经网络的短文本分类方法未充分利用节点之间的有效信息,以及存在的过拟合问题,文中提出基于门控双层异构图注意力网络的半监督短文本分类方法(Semi-Supervised Short Text Classification with Gated Double-Layer Heterogeneous Graph Attention Network,GDHG).GDHG包含节点注意力机制和门控异构图注意力网络两层.首先,使用节点注意力机制,训练不同类型的节点注意力系数,再将系数输入门控异构图注意力网络,训练得到门控双层注意力.然后,将门控双层注意力与节点的不同状态相乘,得到聚合的节点特征.最后,使用softmax函数对文本进行分类.GDHG利用节点注意力机制和门控异构图注意力网络的信息遗忘机制对节点信息进行聚集,得到有效的相邻节点信息,进而挖掘不同邻居节点的隐藏信息,提高聚合远程节点信息的能力.在Twitter、MR、Snippets、AGNews四个短文本数据集上的实验验证GDHG性能较优.
质量相关故障诊断是当前过程控制领域的研究热点之一，然而过程变量与质量变量间的复杂关系使得故障检测性能提升和可视化呈现面临严峻挑战。为此，提出了一种新的质量相关故障诊断方法和故障量化评估准则。首先，基于提升树模型解析过程变量与质量变量间的关联，并根据提升树模型的3个特性定义特征重要性分数。然后，将特征重要性分数应用于支持向量数据描述的权衡参数中，构建特征重要性正则化的支持向量数据描述(Feature Importance Regularized Support Vector Data Description, FIR-SVDD)。最后，在核空间中利用投影球面距离度量进行故障量化评估。采用田纳西-伊斯曼化工数据和HYDAC液压系统数据进行对比实验，结果表明所提方法具有更好的性能。
暂无评论