检索结果-内蒙古大学图书馆

计算机研究与发展 2023年第12期60卷 2832-2843页

作者：赵兴旺张珧溥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

社区发现旨在挖掘复杂网络蕴含的社区结构,是复杂网络分析的重要任务之一.然而,现有的社区发现方法大多针对单层网络数据,对现实世界中广泛存在的多层网络数据的研究较少.针对多层网络的社区发现问题,提出了一个基于2阶段集成的社区发... 详细信息

社区发现旨在挖掘复杂网络蕴含的社区结构,是复杂网络分析的重要任务之一.然而,现有的社区发现方法大多针对单层网络数据,对现实世界中广泛存在的多层网络数据的研究较少.针对多层网络的社区发现问题,提出了一个基于2阶段集成的社区发现算法,以提高社区发现结果的准确性和可解释性.首先,在各层分别得到基社区划分;其次以各层社区划分结构信息为主并结合其他各层网络得到的基社区划分中最优的社区划分信息进行局部集成;再次,基于信息熵对各层局部社区划分中各个社区的稳定性进行度量,并通过其他层社区划分结果来对各个局部社区划分的准确性进行评价;最后,基于各个社区以及社区划分的重要性进行全局加权集成得到最终的社区划分结果.在人造多层网络和真实多层网络数据上与已有的多层网络社区发现算法进行了比较分析.实验结果表明,提出的算法在多层模块度、标准化互信息等评价指标上优于已有算法.

关键词：多层网络社区发现加权集成模块度复杂网络分析

来源：评论

学校读者我要写书评

暂无评论

基于在线集成的概念漂移自适应分类方法

引用

计算机研究与发展 2023年第7期60卷 1592-1602页

作者：郭虎升丛璐高淑花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

针对流数据中概念漂移发生后,在线学习模型不能对分布变化后的数据做出及时响应且难以提取数据分布的最新信息,导致学习模型收敛较慢的问题,提出一种基于在线集成的概念漂移自适应分类方法(adaptive classification method for concept ... 详细信息

针对流数据中概念漂移发生后,在线学习模型不能对分布变化后的数据做出及时响应且难以提取数据分布的最新信息,导致学习模型收敛较慢的问题,提出一种基于在线集成的概念漂移自适应分类方法(adaptive classification method for concept drift based on online ensemble,AC_OE).一方面,该方法利用在线集成策略构建在线集成学习器,对数据块中的训练样本进行局部预测以动态调整学习器权重,有助于深入提取漂移位点附近流数据的演化信息,对数据分布变化进行精准响应,提升在线学习模型对概念漂移发生后新数据分布的适应能力,提高学习模型的实时泛化性能;另一方面,利用增量学习策略构建增量学习器,并随新样本的进入进行增量式的训练更新,提取流数据的全局分布信息,使模型在平稳的流数据状态下保持较好的鲁棒性.实验结果表明,该方法能够对概念漂移做出及时响应并加速在线学习模型的收敛速度,同时有效提高学习器的整体泛化性能.

关键词：流数据概念漂移在线集成增量学习自适应模型

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

一种融合伴随信息的网络表示学习模型

引用

软件学报 2023年第6期34卷 2749-2764页

作者：杜航原王文剑白亮山西大学计算机与信息技术学院山西太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 山西太原030006

网络表示学习被认为是提高信息网络分析效率的关键技术之一,旨在将网络中每个节点映射为低维隐空间中的向量表示,并使这些向量高效的保持原网络的结构和特性.近年来,大量研究致力于网络拓扑和节点属性的深度挖掘,并在一些网络分析任务... 详细信息

网络表示学习被认为是提高信息网络分析效率的关键技术之一,旨在将网络中每个节点映射为低维隐空间中的向量表示,并使这些向量高效的保持原网络的结构和特性.近年来,大量研究致力于网络拓扑和节点属性的深度挖掘,并在一些网络分析任务中取得了良好应用效果.事实上,在这两类关键信息之外,真实网络中广泛存在的伴随信息,反映了网络中复杂微妙的各种关系,对网络的形成和演化起着重要作用.为提高网络表示学习的有效性,提出了一种能够融合伴随信息的网络表示学习模型NRLIAI.该模型以变分自编码器(VAE)作为信息传播和处理的框架,在编码器中利用图卷积算子进行网络拓扑和节点属性的聚合与映射,在解码器中完成网络的重构,并融合伴随信息对网络表示学习过程进行指导.该模型克服了现有方法无法有效利用伴随信息的缺点,同时具有一定的生成能力,能减轻表示学习过程中的过拟合问题.在真实网络数据集上,通过节点分类和链路预测任务对NRLIAI模型与几种现有方法进行了对比实验,实验结果验证了该模型的有效性.

关键词：网络表示学习伴随信息变分自编码器(VAE) 图卷积网络(GCN) 互信息

来源：评论

学校读者我要写书评

暂无评论

融入BioCopy机制的医疗报告抽取生成模型

引用

计算机工程与应用 2024年第6期60卷 155-162页

作者：刘岚谭红叶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

智慧医疗是融合了人工智能技术的新型健康医疗服务模式,其中医疗报告自动生成是智慧医疗领域的一项重要任务,该任务依据病人自述和医患对话,生成半结构化的医疗报告。医疗报告不仅包含主诉等多个子部分,而且包含大量来自原文的医疗术语... 详细信息

智慧医疗是融合了人工智能技术的新型健康医疗服务模式,其中医疗报告自动生成是智慧医疗领域的一项重要任务,该任务依据病人自述和医患对话,生成半结构化的医疗报告。医疗报告不仅包含主诉等多个子部分,而且包含大量来自原文的医疗术语。针对这些特点,采用了融入BioCopy机制的抽取与生成结合的摘要模型,模型首先对每个子部分进行关键句抽取,排除无关信息的干扰;然后在生成医疗报告时加入BioCopy机制以复制关键句中的医疗术语,保证结果的准确性。在CCL 2021相关数据集上的实验结果表明:该模型优于主要baseline,取得了较好的效果。

关键词：医疗报告自动生成抽取与生成 BioCopy

来源：评论

学校读者我要写书评

暂无评论

融合描述信息和结构特征的知识图谱链接预测

引用

计算机科学与探索 2024年第2期18卷 486-495页

作者：陈加兴胡志伟李茹韩孝奇卢江闫智超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

知识图谱普遍存在知识不完整的问题,这使得链接预测成为知识图谱的重要研究内容。现有模型仅关注三元组的嵌入表示,一方面,在模型的输入仅对实体和关系的嵌入表示进行随机初始化,并未融入实体及关系的描述信息,会缺失语义信息;另一方面... 详细信息

知识图谱普遍存在知识不完整的问题,这使得链接预测成为知识图谱的重要研究内容。现有模型仅关注三元组的嵌入表示,一方面,在模型的输入仅对实体和关系的嵌入表示进行随机初始化,并未融入实体及关系的描述信息,会缺失语义信息;另一方面,在解码时忽略三元组自身结构特征对链接预测结果的影响。针对上述问题,提出一种融合描述信息与结构特征的知识图谱链接预测模型BFGAT。BFGAT模型利用BERT预训练模型编码实体和关系的描述信息,并将描述信息融入到实体与关系的嵌入表示中,解决缺失语义信息的问题;在编码过程使用图注意力机制聚合邻接节点的信息,解决目标节点获得更为丰富信息的问题;在解码过程把三元组的嵌入表示拼接成矩阵,采用基于CNN卷积池化的方法,解决三元组结构特征的问题。该模型在公开数据集FB15k-237和WN18RR上进行了详细的实验,实验表明BFGAT模型能有效提高知识图谱链接预测的效果。

关键词：知识图谱链接预测 BERT 卷积神经网络(CNN)

来源：评论

学校读者我要写书评

暂无评论

面向节点分类任务的节点级自适应图卷积神经网络

引用

模式识别与人工智能 2024年第4期37卷 287-298页

作者：王鑫隆胡睿郭亚梁杜航原张槟淇王文剑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 山西警察学院网络安全保卫系太原030401

图神经网络通过对图中节点的递归采样与聚合以学习节点嵌入,而现有方法中节点采样与聚合的模式较固定,对局部模式的多样性捕获存在不足,从而降低模型性能.因此,文中提出节点级自适应图卷积神经网络(Node-Level Adaptive Graph Convoluti... 详细信息

图神经网络通过对图中节点的递归采样与聚合以学习节点嵌入,而现有方法中节点采样与聚合的模式较固定,对局部模式的多样性捕获存在不足,从而降低模型性能.因此,文中提出节点级自适应图卷积神经网络(Node-Level Adaptive Graph Convolutional Neural Network,NA-GCN).设计基于节点重要性的采样策略,自适应地确定各节点的邻域规模.同时,提出基于自注意力机制的聚合策略,自适应地融合给定邻域内的节点信息.在多个基准图数据集上的实验表明,NA-GCN在节点分类任务上具有较优性能.

关键词：自适应采样自适应聚合节点分类图神经网络(GNNs) 谱图理论

来源：评论

学校读者我要写书评

暂无评论

基于标签层次结构的视觉关系检测模型

引用

电子学报 2023年第12期51卷 3496-3506页

作者：王元龙雷鸣王智强张虎李茹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

视觉关系检测是在目标识别的基础上,进一步检测出目标之间的关系,属于视觉理解和推理的关键技术.然而,由于关系标签视觉上的相似性以及数据不平衡问题造成少样本的尾部关系检测召回率较低.为了提高尾部关系的检测效果,本文将关系标签进... 详细信息

视觉关系检测是在目标识别的基础上,进一步检测出目标之间的关系,属于视觉理解和推理的关键技术.然而,由于关系标签视觉上的相似性以及数据不平衡问题造成少样本的尾部关系检测召回率较低.为了提高尾部关系的检测效果,本文将关系标签进行粗细粒度划分构建了标签的层次结构表示,提出了基于标签层次结构的视觉关系检测模型.模型利用视觉关系之间的相似性以及数据带有的偏见性构建关系标签的层次结构表示,以此将关系区分为粗粒度关系和细粒度关系,使尾部关系在由粗粒度到细粒度的结构上获得更多的关注.同时,针对标签层次结构的性质设计其损失函数,该损失函数通过结构化信息逐层学习不同类别关系之间的差异,使模型更好的检测尾部细粒度关系.分别在公开数据集Visual Relationship Detection(VRD)和Visual Genome(VG)中验证了本文模型检测尾部关系的效果.与现有模型相比,在VRD数据集中平均召回率mR@20、mR@50和mR@100分别提高了0.62%、1.57%和2.47%;在VG数据集中,mR@20、mR@50和mR@100分别提高了0.67%、0.83%和1.15%.

关键词：视觉关系检测标签层次结构表示长尾分布粗粒度关系细粒度关系

来源：评论

学校读者我要写书评

暂无评论

基于二部图的联合谱嵌入多视图聚类算法

引用

软件学报 2024年第9期35卷 4408-4424页

作者：赵兴旺王淑君刘晓琳梁吉业山西大学计算机与信息技术学院山西太原030006 计算智能与中文信息处理教育部重点实验室(山西大学) 山西太原030006 中北大学计算机科学与技术学院山西太原038507

多视图聚类在图像处理、数据挖掘和机器学习等领域引起了越来越多的关注.现有的多视图聚类算法存在两个不足,一是在图构造过程中只考虑每个视图数据之间的成对关系生成亲和矩阵,而缺乏邻域关系的刻画;二是现有的方法将多视图信息融合和... 详细信息

多视图聚类在图像处理、数据挖掘和机器学习等领域引起了越来越多的关注.现有的多视图聚类算法存在两个不足,一是在图构造过程中只考虑每个视图数据之间的成对关系生成亲和矩阵,而缺乏邻域关系的刻画;二是现有的方法将多视图信息融合和聚类的过程相分离,从而降低了算法的聚类性能.为此,提出一种更为准确和鲁棒的基于二部图的联合谱嵌入多视图聚类算法.首先,基于多视图子空间聚类的思想构造二部图进而产生相似图,接着利用相似图的谱嵌入矩阵进行图融合,其次,在融合过程中考虑每个视图的重要性进行权重约束,进而引入聚类指示矩阵得到最终的聚类结果.提出的模型将二部图、嵌入矩阵与聚类指示矩阵约束在一个框架下进行优化.此外,提供一种求解该模型的快速优化策略,该策略将优化问题分解成小规模子问题,并通过迭代步骤高效解决.提出算法和已有的多视图聚类算法在真实数据集上进行实验分析.实验结果表明,相比已有方法,提出算法在处理多视图聚类问题上是更加有效和鲁棒的.

关键词：多视图聚类子空间聚类二部图谱嵌入矩阵聚类指示矩阵

来源：评论

学校读者我要写书评

暂无评论

学习驱动的图像压缩算法研究

引用

计算机工程 2025年第1期51卷 190-197页

作者：杨红菊吉昌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

目前,基于卷积神经网络(CNN)深度学习的图像压缩已经取得了优异的成果,但是CNN的感受野通常受限,不能学习到图像非局部区域内像素之间的上下文关系,缺少了长距离建模和感知能力,容易造成结果失真、伪影和压缩率较高等问题。针对以上问题... 详细信息

目前,基于卷积神经网络(CNN)深度学习的图像压缩已经取得了优异的成果,但是CNN的感受野通常受限,不能学习到图像非局部区域内像素之间的上下文关系,缺少了长距离建模和感知能力,容易造成结果失真、伪影和压缩率较高等问题。针对以上问题,提出2种解决办法:设计一种由CNN、多尺度注意力(MSA)机制和残差单元构成的对称编解码器架构,该架构在对图片进行通道变换和空间变换的同时引入多尺度注意力机制,能够对特征进行重新校准,减少潜在表示的冗余像素;设计一种基于U型框架的超先验网络,可以在不同层级上获取多尺度的上下文信息,在帮助提取高级语义特征的同时,保留详细的低级特征信息,能够更好地进行边界细化和细节恢复。在Kodak、Tecnick和CLIC这3种数据集上将所提方法与其他先进的图像压缩方法进行对比实验,结果表明,在相同比特率下,该方法相较对比方法在峰值信噪比(PSNR)指标上分别提高了约0.3 dB、0.6 dB、0.5 dB。所提方法在保证压缩率的同时,能够有效提高对非重复纹理特征和图像细节特征的重建效果。

关键词：深度学习图像压缩多尺度注意力机制超先验网络 Transformer

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：