随着社交媒体平台的快速发展和移动设备的普及,人与人之间的交互变得更加便捷。但同时,谣言在社交媒体上也更加肆虐,给公众和社会安全带来巨大的隐患。在现实世界中,用户在发表自己的评论之前,往往会首先观测其他已经发表的帖子,尤其是即将评论的帖子上下文。现有的一些谣言检测方法虽然使用了谣言传播过程中的传播结构,基于群体智能原则提取用户间的相互质疑或事实线索,极大地提高了谣言检测的效果,但是对传播结构的深层非直接隐式关系及关键帖子和关键路径重要性的学习能力不足。据此,文中提出了一种基于传播树的结点及路径双注意力谣言检测模型DAN-Tree(Dual-attention Network Model on Propagation Tree Structures)。该模型使用Transformer结构学习传播路径中帖子间的隐式语义关系,并利用注意力机制学习路径中结点的重要度;其次,利用注意力机制对路径表示进行加权聚合得到整个传播树的表示向量;最后,基于传播树表示向量进行谣言分类。此外,我们使用结构嵌入方法学习帖子在传播树上的空间位置信息,进一步对谣言传播结构上的深层结构和语义信息进行融合。在4个经典数据集上的实验结果表明:DAN-Tree模型在其中的3个数据集上都超过了目前已有文献的最优结果。在Twitter15和Twitter16数据集上正确率指标分别提升了1.81%和2.39%,在PHEME数据集上F1指标提升了7.51%。
本研究将双种群遗传算法引入测试用例排序中以解决单一种群中过早收敛和最终解质量不稳定等问题,通过设置多样性较高的初始解,并在两个进化种群中使用不同的控制参数来协同进化,达到扩大解搜索空间的目的,以降低算法陷入局部最优的风险;同时使用引入权重因子的平均方法覆盖率作为适应度函数,利用Boltzmann选择法实现不同进化阶段选择压力的自适应变化,期望加快算法后期收敛速度。最后在具有真实故障的数据集Defects4J上进行对比验证,结果表明:本文算法在平均故障检测率(average percentage of fault detection,APFD)方面优于单一种群遗传算法,且这种性能的提升在统计学上是显著的。
睡眠障碍受到越来越多的关注,且自动化睡眠分期的准确性、泛化性受到了越来越多的挑战。然而,公开的睡眠数据十分有限,睡眠分期任务实际上更近似于一种小样本场景;同时由于睡眠特征的个体差异普遍存在,现有的机器学习模型很难保证准确判读未参与训练的新受试者的数据。为了实现对新受试者睡眠数据的精准分期,现有研究通常需要额外采集、标注新受试者的大量数据,并对模型进行个性化微调。基于此,借鉴迁移学习中基于缩放-偏移的权重迁移思想,提出一种元迁移睡眠分期模型MTSL(Meta Transfer Sleep Learner),设计了一种新的元迁移学习框架:训练阶段包括预训练与元迁移训练两步,其中元迁移训练时使用大量的元任务进行训练;而在测试阶段仅使用极少的新受试者数据进行微调,模型就能轻松适应新受试者的特征分布,大幅减少对新受试者进行准确睡眠分期的成本。在两个公开的睡眠数据集上的实验结果表明,MTSL模型在单数据集、跨数据集两种条件下都能取得更高的准确率和F1分数,这表明MTSL更适合小样本场景下的睡眠分期任务。
暂无评论