检索结果-内蒙古大学图书馆

小型微型计算机系统 2025年

作者：郭虎升申聪夏浩森王文剑山西大学计算机与信息技术学院山西大学计算智能与中文信息处理教育部重点实验室

概念漂移是数据流挖掘中不可避免的难点问题，其典型特征是数据分布随时间可能发生改变。针对现有模型处理数据流分类任务时出现过拟合的问题，本文提出了一种目标解耦驱动的在线深度网络(Online Deep Network driven by Target Decoupl... 详细信息

概念漂移是数据流挖掘中不可避免的难点问题，其典型特征是数据分布随时间可能发生改变。针对现有模型处理数据流分类任务时出现过拟合的问题，本文提出了一种目标解耦驱动的在线深度网络(Online Deep Network driven by Target Decoupling， ODNTD)。首先，该模型从历史数据流中学习一个任务未知型特征提取器，实现了对任务的无偏见表示学习，从而增强了模型的泛化能力；其次，模型利用任务特定的权重调整，使得任务未知的通用特征表示能够适应具体任务，通过这种目标任务的权重学习进一步提升了模型的适应性。实验结果表明，所提出的方法对含概念漂移的数据流有良好的泛化性能。

关键词：概念漂移表示学习权重学习自适应深度网络特征表示蒸馏

来源：评论

学校读者我要写书评

暂无评论

基于后悔理论和可调多粒度复模糊概率粗糙集的三支群决策

引用

山西大学学报(自然科学版) 2025年第3期48卷 492-504页

作者：张嘉辉张超李德玉庞继芳山西大学计算机与信息技术学院计算智能与中文信息处理教育部重点实验室(山西大学)

本文针对传统的三支决策方法面临的三个关键挑战进行了深入研究。首先，传统方法需要明确定义主观阈值，这限制了其在不同场景下的适用性。其次，传统方法在信息融合方面缺乏强解释性，难以提供清晰的决策依据。因此，本文利用复模糊集... 详细信息

本文针对传统的三支决策方法面临的三个关键挑战进行了深入研究。首先，传统方法需要明确定义主观阈值，这限制了其在不同场景下的适用性。其次，传统方法在信息融合方面缺乏强解释性，难以提供清晰的决策依据。因此，本文利用复模糊集构建可调多粒度复模糊信息系统，并结合基于决策的三支决策方法客观获取分类阈值，构造了可调多粒度复模糊概率粗糙集。最后，决策者常常受制于有限理性，这在实际决策中不可避免。基于此，本文在行为决策理论下，将决策者在决策过程中心理因素对结果的影响展现出来。综上所述，本文提出了一种基于复模糊集和后悔理论的多粒度三支决策模型，旨在解决复杂多属性群决策问题。进一步地，本文利用共享单车租赁数据集进行了详细的实验分析，验证了该模型在求解复模糊环境下蕴含决策风险和有限理性的决策问题时的可行性和有效性。同时，在容错能力和专家经验所发挥的效能上，都获得了较大提升。

关键词：决策智能行为决策多粒度智能交通系统

来源：评论

学校读者我要写书评

暂无评论

随时间持续演化的流图神经网络

引用

计算机科学 2025年

作者：郭虎升张旭飞孙玉杰王文剑山西大学计算机与信息技术学院计算智能与中文信息处理教育部重点实验室(山西大学)

流图在现实应用中广泛存在，其节点特征和结构特征会随时间推移而动态变化。尽管图神经网络（Graph Neural Network，GNN）在静态图节点分类中表现卓越，但其难以直接应用于流图，流图的持续演化会导致信息滞后和遗漏问题，所以模型难... 详细信息

流图在现实应用中广泛存在，其节点特征和结构特征会随时间推移而动态变化。尽管图神经网络（Graph Neural Network，GNN）在静态图节点分类中表现卓越，但其难以直接应用于流图，流图的持续演化会导致信息滞后和遗漏问题，所以模型难以准确提取流图特征。针对上述挑战，提出了一种随时间持续演化的流图神经网络（Continuously Evolution Streaming Graph Neural Network，CESGNN），以解决流图节点分类问题。该方法首先通过持续更新的图卷积网络（Continuous Updates Graph Convolutional Network，CU-GCN）增量地更新参数，以适应流图节点特征的变化，缓解信息滞后问题，然后自适应扩展的图神经网络（Adaptive Deepening Graph Neural Network，AD-GNN）通过将聚合和更新操作解耦，以挖掘流图深层特征，从而缓解信息遗漏问题。CESGNN通过有机地融合原始特征、CU-GCN提取的浅层特征和AD-GNN提取的深层特征，获得更准确和全面的流图特征表示。实验结果表明，CESGNN模型对流图具有良好的适应性和稳定性，提高了流图节点分类的准确率。

关键词：流图图神经网络增量更新聚合与更新解耦特征融合

来源：评论

学校读者我要写书评

暂无评论

基于路径感知邻域的节点分类算法

引用

数据采集与处理 2025年第1期40卷 134-146页

作者：郑文萍王晓敏韩兆荣山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 太原030006 山西大学智能信息处理研究所太原030006

图卷积神经网络通过将相似性高的邻居节点信息进行聚合以得到节点表示,为节点选择合适邻域并进行有效聚合是图卷积网络的关键。现有的图卷积神经网络大多直接将多跳邻域内的节点信息聚合,没有考虑到不同跳数邻域的聚合权重对网络中不同... 详细信息

图卷积神经网络通过将相似性高的邻居节点信息进行聚合以得到节点表示,为节点选择合适邻域并进行有效聚合是图卷积网络的关键。现有的图卷积神经网络大多直接将多跳邻域内的节点信息聚合,没有考虑到不同跳数邻域的聚合权重对网络中不同节点的差异性。针对此,提出了一种基于路径感知邻域的节点分类算法(Path connectivity based neighbor-awareness node classification algorithm,PCNA),通过网络中的路径连通信息确定节点邻域,并自适应地感知不同长度路径对节点间相似性计算的影响权重,指导图卷积神经网络的邻域聚合过程。PCNA由邻域感知器和节点分类器组成,邻域感知器基于强化学习机制自适应地获取每个节点的聚合邻域及不同长度路径的影响权重,再利用节点间的路径连通信息得到相似性矩阵;节点分类器利用所得相似性矩阵进行邻域聚合得到节点表示,并进行节点分类。在8个真实数据集上与10种经典算法的对比实验表明了所提算法在节点分类任务上有较好的性能。

关键词：图卷积神经网络邻域聚合强化学习节点相似性节点分类

来源：评论

学校读者我要写书评

暂无评论

显著性引导的目标互补隐藏弱监督语义分割

引用

中国图象图形学报 2024年第4期29卷 1041-1055页

作者：白雪飞卢立彬王文剑山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 太原030006

目的图像级弱监督语义分割方法利用类别标签训练分割网络,可显著降低标注成本。现有方法大多采用类激活图定位目标物体,然而传统类激活图只能挖掘出物体中最具辨识性的区域,直接将其作为伪标签训练的分割网络精度较差。本文提出一种显... 详细信息

目的图像级弱监督语义分割方法利用类别标签训练分割网络,可显著降低标注成本。现有方法大多采用类激活图定位目标物体,然而传统类激活图只能挖掘出物体中最具辨识性的区域,直接将其作为伪标签训练的分割网络精度较差。本文提出一种显著性引导的弱监督语义分割算法,可在获取更完整类激活图的基础上提高分割模型的性能。方法首先通过显著图对目标进行互补随机隐藏,以获得互补图像对,然后融合互补图像对的类激活图作为监督,提高网络获取完整类激活图的能力。其次引入双重注意力修正模块,利用全局信息修正类激活图并生成伪标签训练分割网络。最后使用标签迭代精调策略,结合分割网络的初始预测、类激活图以及显著图生成更精确的伪标签,迭代训练分割网络。结果在PASCAL VOC 2012(pattern analysis,statistical modeling and computational learning visual object classes 2012)数据集上进行类激活图生成实验与语义分割实验,所生成的类激活图更加完整,平均交并比有10.21%的提升。语义分割结果均优于对比方法,平均交并比提升6.9%。此外在COCO 2014(common object in context 2014)数据集上进行了多目标的语义分割实验,平均交并比提升0.5%。结论该算法可获得更完整的类激活图,缓解了弱监督语义分割中监督信息不足的问题,提升了弱监督语义分割模型的精度。

关键词：深度学习弱监督语义分割显著性引导类激活图(CAM) 注意力机制

来源：评论

学校读者我要写书评

暂无评论

大语言模型故事理解能力评价数据集

引用

中文信息学报 2025年第2期39卷 52-62页

作者：闫国航郭亚鑫谭红叶张虎山西大学计算机与信息技术学院山西太原030006 山西大学计算智能与中文信息处理教育部重点实验室山西太原030006

故事包含大量的社会、物理等常识,同时蕴含深刻的道理,是知识传播、文化传承、价值塑造的重要载体。故事理解是NLP中的一项重要任务。近几年,研究者对大语言模型(LLMs)的语言理解能力进行了很多评估与分析,但由于现有的故事理解数据集... 详细信息

故事包含大量的社会、物理等常识,同时蕴含深刻的道理,是知识传播、文化传承、价值塑造的重要载体。故事理解是NLP中的一项重要任务。近几年,研究者对大语言模型(LLMs)的语言理解能力进行了很多评估与分析,但由于现有的故事理解数据集大多为答案出现于原文的实体类问题,因此对LLMs故事理解能力的评价与分析非常有限。为此,该文构建了一个寓言故事理解数据集CRMUS,并基于人类故事理解的认知过程:先进行常识推理,然后理解故事寓意,设计了两个任务来评价模型的相应能力。基于CSMUS数据集,该文对多个代表性的LLMs进行了评估,发现LLMs已经可以较好地理解故事中的常识并进行推理,但在理解故事寓意方面还存在很大提升空间。此外,该文使用项目反应理论(IRT)对数据集进行了质量分析,表明该数据集是高质量的,可以有效评估LLMs。

关键词：故事理解常识推理数据集项目反应理论

来源：评论

学校读者我要写书评

暂无评论

基于混合注意力Seq2seq模型的选项多标签分类

引用

计算机工程与应用 2023年第4期59卷 104-111页

作者：陈千韩林王素格郭鑫山西大学计算机与信息技术学院太原030006 山西大学计算智能与中文信息处理教育部重点实验室太原030006

选项多标签分类是高考文学类阅读理解选择题解答任务中的重要一环,对不同标签类型的选项调用不同的答题引擎,可以有效提高选择题答题准确率。由于选项类型复杂多样,一个选项可能有多个类别特征,将其看作多标签分类任务。传统多标签分类... 详细信息

选项多标签分类是高考文学类阅读理解选择题解答任务中的重要一环,对不同标签类型的选项调用不同的答题引擎,可以有效提高选择题答题准确率。由于选项类型复杂多样,一个选项可能有多个类别特征,将其看作多标签分类任务。传统多标签分类算法仅考虑到文本与标签间相关性,忽略了标签间相关性,且选项内部存在着强语义关联性,对最终的标签预测产生较大影响。为了充分利用选项内相关性,提出一种基于混合注意力的Seq2seq模型,同时考虑选项标签间相关性和选项内相关性。采用Bi-LSTM获得选项到标签的相互信息,利用多头自注意力获得选项内关联语义。为获取标签间语义相关性,使用标签嵌入方式进行隐式融合。在高考文学类阅读理解选择题数据集上的实验结果表明,对多种相关性建模能有效提升选项多标签分类精度。

关键词：阅读理解多标签文本分类自注意力选项相关性

来源：评论

学校读者我要写书评

暂无评论

基于g^(nn)和X-Net融合的ITE估计方法

引用

南京大学学报(自然科学版) 2024年第5期60卷 753-762页

作者：赵延新原泽鹏翟岩慧牛瑞琪李德玉山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室山西大学太原030006

因果推断可以帮助人们制定更加合理的决策方案,在电子商务和精准医学等领域有广泛的应用,其性能严重依赖对个体因果效应(Individual Treatment Effect,ITE)的准确估计,观察数据中存在的选择偏差与样本数量不一致问题都会影响ITE估计的... 详细信息

因果推断可以帮助人们制定更加合理的决策方案,在电子商务和精准医学等领域有广泛的应用,其性能严重依赖对个体因果效应(Individual Treatment Effect,ITE)的准确估计,观察数据中存在的选择偏差与样本数量不一致问题都会影响ITE估计的准确性.对于选择偏差问题,现有的深度学习方法主要通过平衡所有协变量来进行缓解,但平衡协变量中与处理无关的噪声变量会导致对个体因果效应的估计不准确.对于样本数量不一致问题,这些方法主要通过在损失函数中添加样本权重来进行缓解,但其不能有效提升模型预测的准确性.提出一种基于深度表示学习的方法,通过g^(nn)和IPM(Integral Probability Metric)网络共同诱导神经网络得到协变量中非噪声变量的平衡共享表示,然后引入X-Net来缓解样本数量不一致问题.在半合成与真实数据集上的实验结果表明,提出的算法可以通过缓解样本选择偏差与样本数量不一致问题来提高模型ITE估计的准确性.

关键词：潜在结果模型个体因果效应深度表示学习选择偏差样本数量不一致

来源：评论

学校读者我要写书评

暂无评论

融入模体信息的多层网络社区发现算法

引用

南京大学学报(自然科学版) 2024年第6期60卷 954-969页

作者：赵兴旺张超梁吉业山西大学计算机与信息技术学院太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 太原030006

多层网络社区发现算法旨在揭示复杂网络中蕴含的社区结构,近年来得到了广泛关注,然而现有算法在度量节点相似度的过程中往往只关注网络中的低阶结构信息,忽略了高阶结构信息,而且,在对不同层网络进行融合的过程中也没有考虑不同层之间... 详细信息

多层网络社区发现算法旨在揭示复杂网络中蕴含的社区结构,近年来得到了广泛关注,然而现有算法在度量节点相似度的过程中往往只关注网络中的低阶结构信息,忽略了高阶结构信息,而且,在对不同层网络进行融合的过程中也没有考虑不同层之间的差异性.针对以上问题,提出一种融入模体信息的多层网络社区发现算法.首先,各层分别计算融入模体的高阶邻接矩阵,通过与低阶邻接矩阵融合得到重构矩阵,进而基于邻居重要性对重构矩阵进行提升,得到节点相似度矩阵;其次,基于重构矩阵计算各层网络的重要性,再加权融合得到统一的相似度矩阵;最后,基于统一的相似度矩阵得到节点的影响力,通过节点嵌入表示方法,对节点的向量表示进行迭代更新,得到节点的最终嵌入表示.与已有的传统多层网络社区发现算法进行了对比实验,结果表明,提出的算法的多层模块度和标准化互信息等评价指标均优于已有算法.

关键词：多层网络社区发现高阶信息节点相似度嵌入表示

来源：评论

学校读者我要写书评

暂无评论

基于协同训练的半监督图文关系抽取方法

引用

南京理工大学学报 2024年第4期48卷 451-459页

作者：王亚萍王智强王元龙梁吉业山西大学计算机与信息技术学院山西太原030006 山西大学计算智能与中文信息处理教育部重点实验室山西太原030006

为克服获取大量关系标记样本的昂贵代价,提出基于协同训练的半监督图文关系抽取模型,以利用大量无标记的数据来提升图文关系抽取的准确性。首先,基于图像和文本2种模态构建图像视图和文本语义视图,在标记数据集上训练2种不同视图的分类... 详细信息

为克服获取大量关系标记样本的昂贵代价,提出基于协同训练的半监督图文关系抽取模型,以利用大量无标记的数据来提升图文关系抽取的准确性。首先,基于图像和文本2种模态构建图像视图和文本语义视图,在标记数据集上训练2种不同视图的分类器;然后,将2种视图下的数据分别交叉输入另一视图的分类器,充分挖掘标记数据和未标记数据的信息,输出更准确的分类结果;最后,2种视图下的分类器对未标记数据进行预测,以输出一致的结果。在公开数据集VRD和VG上的实验结果显示,与6种较新的关系检测方法相比,该文方法图像视图和语义视图参数在VRD数据集上分别提升了2.24%、1.41%,在VG数据集上提升了3.59%。

关键词：协同训练半监督多模态关系抽取视觉关系检测

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：