检索结果-内蒙古大学图书馆

自动化学报 2024年第3期50卷 544-559页

作者：李坚强蔡俊创孙涛朱庆灵林秋镇深圳大学计算机与软件学院深圳518060 深圳大学大数据系统计算技术国家工程实验室深圳518060

在现代社会中,复杂物流配送场景的车辆路径规划问题(Vehicle routing problem,VRP)一般带有时间窗约束且需要提供同时取送货的服务.这种复杂物流配送场景的车辆路径规划问题是NP-难问题.当其规模逐渐增大时,一般的数学规划方法难以求解... 详细信息

在现代社会中,复杂物流配送场景的车辆路径规划问题(Vehicle routing problem,VRP)一般带有时间窗约束且需要提供同时取送货的服务.这种复杂物流配送场景的车辆路径规划问题是NP-难问题.当其规模逐渐增大时,一般的数学规划方法难以求解,通常使用启发式方法在限定时间内求得较优解.然而,传统的启发式方法从原大规模问题直接开始搜索,无法利用先前相关的优化知识,导致收敛速度较慢.因此,提出面向复杂物流配送场景的车辆路径规划多任务辅助进化算法(Multitask-based assisted evolutionary algorithm,MBEA),通过使用迁移优化方法加快算法收敛速度,其主要思想是通过构造多个简单且相似的子任务用于辅助优化原大规模问题.首先从原大规模问题中随机选择一部分客户订单用于构建多个不同的相似优化子任务,然后使用进化多任务(Evolutional multitasking,EMT)方法用于生成原大规模问题和优化子任务的候选解.由于优化子任务相对简单且与原大规模问题相似,其搜索得到的路径特征可以通过任务之间的知识迁移辅助优化原大规模问题,从而加快其求解速度.最后,提出的算法在京东物流公司快递取送货数据集上进行验证,其路径规划效果优于当前最新提出的路径规划算法.

关键词：车辆路径规划问题时间窗约束同时取送货进化算法迁移优化

来源：评论

学校读者我要写书评

暂无评论

基于夹角几何的I-niceMO增强算法

引用

系统仿真学报 2023年第4期35卷 797-808页

作者：何一帆何玉林蔡湧达黄哲学深圳大学计算机与软件学院广东深圳518060 深圳大学大数据系统计算技术国家工程实验室广东深圳518000

针对I-niceMO算法在候选聚类中心合并时中心数目难以确定和中心点识别不准确的问题,提出了基于夹角几何的I-niceMO增强(I-niceMOEn)算法。利用观测点与数据点之间的距离和角度分布情况找出数据中尽可能多的候选聚类中心,以避免多类别数... 详细信息

针对I-niceMO算法在候选聚类中心合并时中心数目难以确定和中心点识别不准确的问题,提出了基于夹角几何的I-niceMO增强(I-niceMOEn)算法。利用观测点与数据点之间的距离和角度分布情况找出数据中尽可能多的候选聚类中心,以避免多类别数据聚类中出现的类别丢失的情况;利用谱聚类算法对候选聚类中心进行聚类,根据拉普拉斯矩阵特征值的大小自动地对候选聚类中心进行合并;根据合并后的聚类中心的数量确定最终的数据聚类类别数。I-niceMOEn算法实现了对数据类别数的自动确定,并且在聚类过程中不需要人为设置参数。实验结果表明:I-niceMOEn算法在收敛的同时能够获得优于传统自动聚类算法和I-niceMO算法的类中心确定表现。

关键词：自动聚类 I-nice聚类谱聚类无监督学习观测点机制

来源：评论

学校读者我要写书评

暂无评论

基于候选中心融合的多观测点I-nice聚类算法

引用

模式识别与人工智能 2022年第4期35卷 348-362页

作者：陈鸿杰何玉林黄哲学尹剑飞深圳大学计算机与软件学院大数据技术与应用研究所深圳518060 深圳大学大数据系统计算技术国家工程实验室深圳518060

伴随着问题场景数据在规模上的快速增长和构成上的复杂化,精确估计簇的个数和簇的中心点是当下聚类算法处理和分析复杂大规模数据的重要挑战.簇数及簇心的精确估计对于部分有参聚类算法、数据集整体复杂性度量和数据简化表示等都十分关... 详细信息

伴随着问题场景数据在规模上的快速增长和构成上的复杂化,精确估计簇的个数和簇的中心点是当下聚类算法处理和分析复杂大规模数据的重要挑战.簇数及簇心的精确估计对于部分有参聚类算法、数据集整体复杂性度量和数据简化表示等都十分关键.文中在深入分析I-nice的基础上,提出基于候选中心融合的多观测点I-nice聚类算法.在原多观测点投影分治框架上采用混合高斯模型(Gaussian Mixture Model,GMM),结合粗细粒度最佳GMM搜索策略,实现数据子集的精确划分.此外,基于候选中心点分别到各观测点的距离值及最佳GMM,构造候选中心点的GMM构件向量,并设计一组闵可夫斯基距离对进行候选中心点间的相异度度量,实现基于GMM构件向量相异度的多观测点I-nice候选中心融合.不同于现有聚类算法,文中算法联合优化分治环节数据子集划分和候选中心集成这两个关键过程,实现成百上千个簇的精确高效估计.在真实数据集和仿真数据集上的一系列实验表明,文中算法能精确估计簇数和簇中心,具备较高的聚类精度.实验同时验证算法的有效性及在各类数据场景下的稳定性.

关键词：无监督学习观测点 I-nice 无参聚类高斯混合模型

来源：评论

学校读者我要写书评

暂无评论

基于分层伪标签的图像聚类方法

引用

计算机科学 2023年第6期50卷 225-235页

作者：蔡少填陈小军陈龙腾邱莉萍深圳大学计算机与软件学院广东深圳518060 大数据系统计算技术国家工程实验室(深圳大学) 广东深圳518060

图像聚类是图像处理中一个重要且开放的问题。最近,一些方法利用联合对比学习的良好表征能力来进行端到端聚类学习,利用伪标签技术来生成高质量的伪标签以提升聚类模型的鲁棒性。伪标签方法通常需要设置一个较大的概率阈值,并对满足要... 详细信息

图像聚类是图像处理中一个重要且开放的问题。最近,一些方法利用联合对比学习的良好表征能力来进行端到端聚类学习,利用伪标签技术来生成高质量的伪标签以提升聚类模型的鲁棒性。伪标签方法通常需要设置一个较大的概率阈值,并对满足要求的样本生成one-hot的标签,同时利用生成的标签来更新模型。但是,这种简单的伪标签生成方法难以获得足够数量的高质量伪标签。为了解决以上问题,提出了一种基于分层伪标签的图像聚类方法,它旨在利用结构化信息与伪标签信息对分类模型进行训练和精炼。引入3个假设来指导聚类方法的设计,包括局部平滑假设、自训练假设及低密度分离假设。新方法包含两个阶段:1)基于流形的一致性学习,利用近邻一致性学习来初始化聚类模型;2)基于分层伪标签的模型精炼,基于第一阶段的结果生成伪标签,并利用其来提升聚类模型的鲁棒性。首先,将基于第一阶段的结果生成强伪标签数据集及弱伪标签数据集;然后,提出了基于标签传播及分层混合的伪标签提升技术来提升弱伪标签数据集的质量;最后,同时利用强伪标签数据集及弱伪标签数据集来提升分类模型的泛化能力。相较于最优结果,SPC算法在STL10和Cifar100-20基准数据集上,ACC平均结果分别提升了7.6%和5.0%。

关键词：深度聚类一致性学习伪标签标签传播自训练学习

来源：评论

学校读者我要写书评

暂无评论

结构MRI联合基于VR眼动追踪技术的计算机化认知评估在阿尔茨海默病早期诊断中的应用价值

引用

磁共振成像 2024年第6期15卷 49-53页

作者：韦卓男樊响余可妍陈乐乐尹晨旺陈慧戚玉龙陈旭辉胡俊张绪成官迅北京大学深圳医院医学影像科深圳518036 北京大学深圳医院神经内科深圳518036 深圳大学大数据系统计算技术国家工程实验室深圳518061

目的探讨结构MRI联合基于VR眼动追踪技术的计算机化认知评估在阿尔茨海默病(Alzheimer's disease,AD)早期诊断中的临床应用价值。材料与方法77例早期AD患者和58例认知未受损者(cognitive unimpaired,CU)均接受了传统神经心理学量表... 详细信息

目的探讨结构MRI联合基于VR眼动追踪技术的计算机化认知评估在阿尔茨海默病(Alzheimer's disease,AD)早期诊断中的临床应用价值。材料与方法77例早期AD患者和58例认知未受损者(cognitive unimpaired,CU)均接受了传统神经心理学量表评估[包括简易精神状态量表(Mini-Mental State Examination,MMSE)、蒙特利尔认知评估量表(Montreal Cognitive Assessment,MoCA)等]、一项时长为5分钟的VR眼动认知评估,以及头颅三维T1加权成像(three dimensions T1-weighted imaging,3D-T1WI)磁共振结构像检查,并利用自动结构分析工具获取海马体积(hippocampal volume,HV)数值。分析VR眼动认知评估的总分与传统认知评估之间的相关性,构建受试者工作特征(receiver operating characteristic,ROC)曲线,分析单个指标(HV)及联合指标(HV联合VR眼动认知评估的总分)对AD的诊断效能。结果(1)HV诊断早期AD的AUC为0.629(95%CI:0.542~0.711),HV联合VR眼动认知评估的总分诊断早期AD的AUC为0.825(95%CI:0.751~0.885),DeLong检验结果显示两者差异有统计学意义(P<0.001);(2)早期AD组的HV(Z=−2.565,P=0.010)较CU组低;(3)VR眼动认知评估的总分与MMSE评分、MoCA评分呈正相关(r=0.531、0.627,P均<0.001)。结论联合基于VR眼动追踪技术的计算机化认知评估能提高HV对早期AD的诊断价值。

关键词：阿尔茨海默病磁共振成像眼动追踪计算机化认知评估海马体积

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

一个新的上下文感知类案匹配与推荐方法

引用

太原理工大学学报 2022年第1期53卷 80-88页

作者：许梓涛黄炳森潘微科明仲深圳大学大数据系统计算技术国家工程实验室广东深圳518060 深圳大学人工智能与数字经济广东省实验室(深圳) 广东深圳518060 深圳大学计算机与软件学院广东深圳518060

根据现有的类案推荐方法得到的相似案件,其精确度通常很难满足法官的需求,辅助判案效果有限。为此,提出了一个基于上下文感知的类案匹配和推荐模型(CASCMR).模型为实现端到端高效率的文本匹配与推荐,使用多语义文档表达框架,并通过文本... 详细信息

根据现有的类案推荐方法得到的相似案件,其精确度通常很难满足法官的需求,辅助判案效果有限。为此,提出了一个基于上下文感知的类案匹配和推荐模型(CASCMR).模型为实现端到端高效率的文本匹配与推荐,使用多语义文档表达框架,并通过文本向量预先计算与存储,减少匹配时间,进而提高效率。具体而言,为了更好地对法律长文本进行建模,CASCMR使用BERT对数据进行编码,利用其注意力机制捕获文本长距离依赖信息。同时,考虑法律文本从局部到全局的信息,利用双向LSTM和CNN分别获取文本的上下文信息和局部语义特征,提高法律文本的表征能力,从而提升模型的预测性能。将所提出的模型应用到中国法研杯2019相似案件匹配任务,实验结果显示,与目前最好的方法相比,匹配和推荐精度的提升效果较为明显。

关键词：类案匹配类案推荐 BERT 注意力机制法律人工智能

来源：评论

学校读者我要写书评

暂无评论

基于强化学习的多变量时序数据缺失值补全方法

引用

中国科技论文 2023年第11期18卷 1205-1212,1229页

作者：陈俊扬戴志江李雪亮李子健唐显彬万昌许铮铧巩志国深圳大学计算机与软件学院广东深圳518060 大数据系统计算技术国家工程实验室(深圳大学) 广东深圳518060 智慧城市物联网国家重点实验室(澳门大学) 中国澳门999078 电工装备可靠性与智能化国家重点实验室(河北工业大学) 天津300131

针对基于深度神经网络填补多变量时序数据缺失值时存在误差引入的问题,将强化学习和图神经网络结合,提出了基于强化学习的多变量时序数据缺失值补全方法(reinforcement learning based missing value completion method for multivariat... 详细信息

针对基于深度神经网络填补多变量时序数据缺失值时存在误差引入的问题,将强化学习和图神经网络结合,提出了基于强化学习的多变量时序数据缺失值补全方法(reinforcement learning based missing value completion method for multivariate time series data,RL-CFMTS)。具体地,设计了一个图神经网络模块,用于预测最终的缺失值。同时,该模块还为强化学习模块提供状态向量和奖励,指导强化学习为目标时序节点挑选其认为最相似的b个节点来建立时序关系,以减少误差的引入。在3个真实世界数据集上的实验结果表明,RL-CFMTS在插补准确性方面优于近年来的多变量时序数据缺失值填补方法,在天气、股票和疫情数据集中平均绝对误差(mean absolute error,MAE)指标分别提升了12.78%、15.80%和55.73%。

关键词：时序数据缺失值填补强化学习误差累积

来源：评论

学校读者我要写书评

暂无评论

基于深度主动学习的智能胎心监护模型研究

引用

生物医学工程学杂志 2025年第1期42卷 57-64页

作者：全斌黄雅静李艳芳陈沁群张洪来李丽刘桂清魏航广州中医药大学医学信息工程学院广州510006 深圳大学大数据系统计算技术国家工程实验室广东深圳518060 广州中医药大学第一附属医院广州510405 广州中医药大学智能中医研究院广州510006 广州中医药大学中医症候全国重点实验室广州510006 广州三瑞医疗器械有限公司广州510620 暨南大学附属第一医院天河区人民医院广州510630

胎心宫缩监护图(CTG)是一种无侵入式的产前胎儿窘迫诊断的重要工具。面向基于深度学习的智能胎心监护需求,本文提出了基于三支决策理论(TWD)和多目标优化主动学习(MOAL)的深度主动学习算法(TWD-MOAL)。在卷积神经网络(CNN)分类模型的训... 详细信息

胎心宫缩监护图(CTG)是一种无侵入式的产前胎儿窘迫诊断的重要工具。面向基于深度学习的智能胎心监护需求,本文提出了基于三支决策理论(TWD)和多目标优化主动学习(MOAL)的深度主动学习算法(TWD-MOAL)。在卷积神经网络(CNN)分类模型的训练周期过程中,该算法结合TWD理论,在粒度批处理模式下选择高置信度样本作为伪标记样本,同时参考由产科专家标注的低置信度样本,在课题组整理的16355条产前CTG信号数据集上进行验证。实验结果显示,本文所提算法仅利用40%的已标注样本,就已经达到80.63%的准确率;从各项指标综合来看,都优于其他框架下的主动学习算法。研究表明,本文所提出的基于TWDMOAL的智能胎心监护模型合理可行,明显减少产科专家标注样本所耗费的时间和精力,有效解决了临床CTG信号数据不平衡问题,这对于辅助临床医师判读以及实现胎心监护模型的智能化具有重要意义。

关键词：智能胎心监护深度主动学习三支决策多目标优化卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

面向推荐系统中有偏和无偏一元反馈建模的三任务变分自编码器

引用

信息安全学报 2021年第5期6卷 110-127页

作者：林子楠刘杜钢潘微科明仲深圳大学大数据系统计算技术国家工程实验室深圳中国518060 人工智能与数字经济广东省实验室(深圳) 深圳中国518060 深圳大学计算机与软件学院深圳中国518060

一元反馈建模在推荐系统中的应用非常广泛,例如点击预测和购买预测等。然而,推荐系统作为一个闭环的反馈系统,在用户与系统的交互过程中可能存在着多种偏置问题,例如位置偏置、流行偏置等,进而导致用户的反馈数据存在有偏性。现有的大... 详细信息

一元反馈建模在推荐系统中的应用非常广泛,例如点击预测和购买预测等。然而,推荐系统作为一个闭环的反馈系统,在用户与系统的交互过程中可能存在着多种偏置问题,例如位置偏置、流行偏置等,进而导致用户的反馈数据存在有偏性。现有的大部分推荐模型都只基于这样的有偏数据进行构建,忽略了偏置的影响,进而导致推荐结果是次优的。目前已有的偏置消除方法大致可以分为基于反事实学习的方法、基于启发式的方法和基于无偏数据增强的方法。其中,基于无偏数据增强的方法通常被认为在稳定性和准确性方面表现较好。本文重点研究了推荐系统中一元反馈的偏置问题,通过引入由一种特定策略收集的无偏数据,结合有偏数据进行联合建模,从而得到更准确和无偏的推荐模型。具体而言,本文从多任务学习的角度对问题进行建模,将有偏数据、无偏数据以及它们的并集当作三种相互关联的信号,并设计了三个不同但相关的学习任务。变分自编码器是目前最先进的一元反馈建模方法之一,有着独特的建模方式,从而使得它在很多问题中取得了优越的推荐效果。本文基于变分自编码器提出了一种新的推荐模型,即三任务变分自编码器(Tri-VAE)。该模型包含三个变分自编码器,分别对三种信号进行重构。三个变分自编码器之间共享同一个编码器和同一个解码器。此外,本文还设计了特征校正模块和标签增强模块以加强任务之间的关联。其中,特征校正模块用来校正用户的潜在特征,得到更无偏的潜在特征,进而从潜在特征的角度缓解偏置的影响。标签增强模块用于生成可靠性较高的伪标签并加以利用,进而更有效地利用无偏数据中的信息。在Yahoo!R3和Coat Shopping两个公开数据集上的实验结果表明,所提出的模型相比于目前最新的基线模型在绝大多数情况下取得了显著的效果提升。为了进一步研究所提出的模型,本文进行了消融实验、超参数敏感性分析和收敛性分析,还对特征校正模块的有效性进行了探讨。

关键词：偏置问题联合建模多任务学习变分自编码器推荐系统

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

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

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：