鉴于传统的异质信息网络通常存在的高维稀疏性缺点,首先提出将异质信息网络的高维顶点嵌入低维向量空间的无监督学习模型——基于生成对抗网络的异质网络表征学习(heterogeneous network representation learning based on generative a...
详细信息
鉴于传统的异质信息网络通常存在的高维稀疏性缺点,首先提出将异质信息网络的高维顶点嵌入低维向量空间的无监督学习模型——基于生成对抗网络的异质网络表征学习(heterogeneous network representation learning based on generative adversarial network,HNRL-GAN)模型;然后分析HNRL-GAN模型中的不足之处,进一步提出改进 后的基于生成对抗网络的增强版异质网络表征学习(heterogeneous network representation learning based on generative adversarial network plus plus,HNRL-GAN++)模型;最后 分别在DBLP、Yelp、Aminer等数据集中使用HNRL-GAN模型和HNRL-GAN++模型进行节点分类和节点聚类等实验以测试模型的有效性。实验结果表明：1)HNRL-GAN模型和HNRL-GAN++模型都实现了将异质信息网络中的高维稀疏节点表示为低维稠密向量这一目标;2)相较于HNRL-GAN模型,HNRL-GAN++模型在保留高维空间中网络结构信息和语义信息等方面拥有更好的性能。
模型诊断方法是人工智能领域重要的系统故障自动检测方法,被广泛应用于软件故障检测和硬件诊断.近年来由于电路规模和复杂度不断增大,其诊断难度也不断增大.本文通过对电路模型特征的研究,结合LLBRStree(Last-Level Based on Reverse Se...
详细信息
模型诊断方法是人工智能领域重要的系统故障自动检测方法,被广泛应用于软件故障检测和硬件诊断.近年来由于电路规模和复杂度不断增大,其诊断难度也不断增大.本文通过对电路模型特征的研究,结合LLBRStree(Last-Level Based on Reverse Search-tree)诊断算法提出分组式诊断方法 GD(Grouped Diagnosis):首先结合电路特征确定组件的故障相关性并对电路组件进行分组,可缩减电路中需检测的规模;其次,利用分组后电路并结合非诊断解定理和SAT(SATisfiability)求解特征定位部分非诊断解,从而避免该部分的一致性检测来加速求解.本文算法可应用于电子电路故障诊断领域,并且实验结果表明该算法与LLBRS-tree算法相比求解效率平均提高了1.5倍,最多提高了3倍.
暂无评论