检索结果-内蒙古大学图书馆

计算机应用 2021年第1期41卷 67-73页

作者：张增辉姜高霞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

分类学习任务中,在获取数据的过程中会不可避免地产生噪声,特别是标签噪声的存在不仅使得学习模型更复杂,而且容易造成过拟合并导致分类器泛化能力的下降。标签噪声过滤算法虽然在一定程度上可以解决上述问题,但是仍然存在噪声识别能力... 详细信息

分类学习任务中,在获取数据的过程中会不可避免地产生噪声,特别是标签噪声的存在不仅使得学习模型更复杂,而且容易造成过拟合并导致分类器泛化能力的下降。标签噪声过滤算法虽然在一定程度上可以解决上述问题,但是仍然存在噪声识别能力较差、分类效果不够理想以及过滤效率低等问题。针对这些问题,提出一种基于标签置信度分布的局部概率抽样方法来进行标签噪声过滤。首先利用随机森林分类器对样本的标签进行投票,从而获取每个样本的标签置信度;然后根据标签置信度的大小,将样本划分为易识别样本和难识别样本;最后分别采用不同的过滤策略对样本进行过滤。实验结果表明,在标签噪声存在的情况下,所提方法在大多数案例上能够保持较高的噪声识别能力,并且在分类泛化性能上也具有明显优势。

关键词：标签噪声局部概率抽样噪声过滤随机森林置信度估计

来源：评论

学校读者我要写书评

暂无评论

一种特征值区间划分的模型决策树加速算法

引用

小型微型计算机系统 2021年第6期42卷 1136-1143页

作者：高虹雷门昌骞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

目前对决策树(Decision Tree,DT)分类问题的相关研究已取得了很多成果,但仍存在一些问题,如决策树在寻找最优切分点时需要遍历特征的所有取值,当数据集规模较大时,递归构建决策树所需时间将会很长,因此在保证分类精度的前提下加速决策... 详细信息

目前对决策树(Decision Tree,DT)分类问题的相关研究已取得了很多成果,但仍存在一些问题,如决策树在寻找最优切分点时需要遍历特征的所有取值,当数据集规模较大时,递归构建决策树所需时间将会很长,因此在保证分类精度的前提下加速决策树的构建具有重要意义.本文首先根据数据的不同分布,给出两种特征值区间的分割方法,即等精度特征值区间划分和变精度特征值区间划分,然后计算各选定区间的基尼指数,寻找最优特征及最优切分点,最后递归生成模型决策树.实验表明,算法在构造决策树时可有效减小计算代价,在保证分类精度的同时加速决策树的构造,且在一定程度上能够避免过拟合现象的发生.

关键词：决策树基尼指数模型决策树等精度特征值区间划分变精度特征值区间划分

来源：评论

学校读者我要写书评

暂无评论

有限理性下基于多粒度概率粗糙集的三支球型模糊多属性群决策

引用

模糊系统与数学 2022年第6期36卷 12-25页

作者：张晶晶张超陈炜哲李德玉庞继芳王彦婕山西大学计算机与信息技术学院山西太原原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 山西省信息产业技术研究院有限公司山西太原030012

本文为应对多粒度概率粗糙集在信息融合方面的局限性以及决策者固有的有限理性,在三支决策的框架下,结合可调多粒度球型模糊概率粗糙集和前景理论,提出了面向多属性群决策问题的多粒度球型模糊三支群决策模型和方法。首先,本文结合球型... 详细信息

本文为应对多粒度概率粗糙集在信息融合方面的局限性以及决策者固有的有限理性,在三支决策的框架下,结合可调多粒度球型模糊概率粗糙集和前景理论,提出了面向多属性群决策问题的多粒度球型模糊三支群决策模型和方法。首先,本文结合球型模糊集和多粒度粗糙集,建立了可调多粒度球型模糊概率粗糙集模型。然后,本文在三支决策的框架下,依据前景理论对三支决策中的阈值进行集成,建立了多粒度球型模糊三支多属性群决策方法。最后,通过空气质量评估的实例验证了本文所提出的模型和方法的可行性与有效性。

关键词：多粒度多属性群决策球型模糊集三支决策前景理论

来源：评论

学校读者我要写书评

暂无评论

结合标记相关性的特征选择算法

引用

模式识别与人工智能 2020年第8期33卷 716-723页

作者：吕月姣李德玉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

在多标记分类问题中,每个样本可以同时与多个标记类别相关,其中一些标记之间可能具有相关性,充分利用这些标记相关性,可优化分类性能.因此,文中利用标记的频繁项集对标记相关性进行挖掘,提出针对基于邻域粗糙集的多标记属性约简算法进... 详细信息

在多标记分类问题中,每个样本可以同时与多个标记类别相关,其中一些标记之间可能具有相关性,充分利用这些标记相关性,可优化分类性能.因此,文中利用标记的频繁项集对标记相关性进行挖掘,提出针对基于邻域粗糙集的多标记属性约简算法进行改进的特征选择算法,并进一步将训练样本根据特征之间的相似性进行聚类,结合局部样本上的标记相关性,进行属性约简及分类.在5个多标记分类数据集上的实验验证文中算法的有效性.

关键词：多标记学习特征选择标记相关性邻域粗糙集

来源：评论

学校读者我要写书评

暂无评论

近邻感知的标签噪声过滤算法

引用

模式识别与人工智能 2020年第6期33卷 518-529页

作者：姜高霞樊瑞宣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

基于k近邻的标签噪声过滤对近邻参数k的选取较敏感.针对此问题,文中提出近邻感知的标签噪声过滤算法,可有效解决二分类数据集的类内标签噪声的问题.算法分开考虑正类样本和负类样本,使分类问题中的标签噪声检测问题转化为两个单类别数... 详细信息

基于k近邻的标签噪声过滤对近邻参数k的选取较敏感.针对此问题,文中提出近邻感知的标签噪声过滤算法,可有效解决二分类数据集的类内标签噪声的问题.算法分开考虑正类样本和负类样本,使分类问题中的标签噪声检测问题转化为两个单类别数据的离群点检测问题.首先通过近邻感知策略自动确定每个样本的个性化近邻参数,避免近邻参数敏感的问题.然后根据噪声因子将样本分为核心样本与非核心样本,并把非核心样本作为标签噪声候选集.最后结合候选样本的近邻标签信息,进行噪声的识别与过滤.实验表明,文中方法的噪声过滤效果和分类预测性能均较优.

关键词：标签噪声过滤近邻感知个性化k近邻离群点检测噪声因子

来源：评论

学校读者我要写书评

暂无评论

持续记忆的流图神经网络

引用

小型微型计算机系统 2025年第4期46卷 818-824页

作者：郭虎升孙玉杰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

流图的节点和边以流的形式持续产生,导致整个图结构随着时间推移而不断演化.图神经网络作为图嵌入技术的一种,在捕获流图的动态信息以及快速适应流图持续演化等方面仍然面临着巨大的挑战.为解决这些问题,本文提出了持续记忆的流图神经网... 详细信息

流图的节点和边以流的形式持续产生,导致整个图结构随着时间推移而不断演化.图神经网络作为图嵌入技术的一种,在捕获流图的动态信息以及快速适应流图持续演化等方面仍然面临着巨大的挑战.为解决这些问题,本文提出了持续记忆的流图神经网络(CMSGNN).该模型能够根据流图持续的演化充分学习历史信息,通过增量学习的方式更新已记忆的历史信息,并且能够自适应地调整模型以适应流图的变化程度,以获得更符合当前信息的流图嵌入.该模型将历史信息与当前信息相结合使得模型能够获得更准确的流图嵌入,从而提高下游任务的准确率.实验结果表明,本文提出的CMSGNN在现实生活中的多个数据集上执行多个任务上均有更好的性能.

关键词：流图图神经网络历史信息增量更新当前信息自适应聚合

来源：评论

学校读者我要写书评

暂无评论

面向数据表示的Cauchy非负矩阵分解

引用

计算机科学 2021年第6期48卷 96-102页

作者：段菲王慧敏张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

非负矩阵分解(Non-negative Matrix Factorization, NMF)是一类广泛应用于数据挖掘和机器学习领域的重要矩阵分解模型,可从一组高维非负向量中提取出低维、稀疏和有意义的特征。标准NMF利用Frobenius范数的平方度量重建误差,虽然在一些... 详细信息

非负矩阵分解(Non-negative Matrix Factorization, NMF)是一类广泛应用于数据挖掘和机器学习领域的重要矩阵分解模型,可从一组高维非负向量中提取出低维、稀疏和有意义的特征。标准NMF利用Frobenius范数的平方度量重建误差,虽然在一些应用场景中表现出一定的有效性,但对非高斯噪声和离群点较为敏感。由于现实世界中的真实数据不可避免地包含各种噪声,因此有必要对非高斯噪声和离群点较为稳健的非负矩阵分解模型进行研究。为此,文中提出用Cauchy估计函数取代标准NMF中的平方形式的残差。在度量样本重建误差时,充分考虑样本特征不同维度之间的相关性,以样本的重建误差作为基本的重建误差度量单元。此外,基于半二次规划推导了高效的乘性更新规则,用于求解所提出的模型。在3个真实人脸图像库上的聚类实验中验证了所提模型和算法的有效性。实验结果表明,所提算法对人脸姿态、光照和表情变化均表现出一定的稳健性,且聚类结果对参数的依赖性较小。

关键词：非负矩阵分解 Cauchy损失函数聚类数据表示

来源：评论

学校读者我要写书评

暂无评论

利用邻域k元节点组信息的节点结构相似性判定方法

引用

山西大学学报(自然科学版) 2024年第5期47卷 993-1003页

作者：杨贵韦兴宇郑文萍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) 山西大学智能信息处理研究所

复杂网络中的节点往往形成一些频繁出现且具有特定局部连接模式的高阶子结构，利用这些高阶子结构可以更好地刻画网络的拓扑特征及相关功能模块。通过度量节点间的结构相似性，有助于研究拓扑结构中节点之间的交互模式，理解复杂网络的... 详细信息

复杂网络中的节点往往形成一些频繁出现且具有特定局部连接模式的高阶子结构，利用这些高阶子结构可以更好地刻画网络的拓扑特征及相关功能模块。通过度量节点间的结构相似性，有助于研究拓扑结构中节点之间的交互模式，理解复杂网络的局部结构和功能。为更充分利用节点邻域的高阶结构信息，提出了一种利用节点邻域内的k元节点组标签信息的结构相似性判定方法GANNLI(Group-based Aggregated Neighborhood Label Information)。该方法首先将k元节点组形成的非同构子图作为其组标签，再利用WL方法对k元节点组的邻域组标签信息进行聚合和更新，统计节点所构成的不同k元组的标签信息以得到节点表示，并利用余弦相似度计算节点间的结构相似性。与仅考虑节点度、接近中心性等低阶信息的方法相比，本方法利用高阶k元组结构信息更有效地度量了节点间的结构相似性。在真实网络数据集上的实验结果表明，所提出的GANNLI算法能更有效地计算节点间的结构相似性，在节点分类任务中的性能相比Struc2vec提高了2%至6%，相比Node2vec提高了8%至14%。

关键词：复杂网络结构相似性 k元组高阶结构 Weisfeiler-Lehman方法

来源：评论

学校读者我要写书评

暂无评论

一种基于符号关系图的快速符号数据聚类算法

引用

计算机科学 2021年第4期48卷 111-116页

作者：张岩金白亮山西大学计算机与信息技术学院太原030006 山西大学计算机智能与中文信息处理教育部重点实验室太原030006

由于在实际应用中有大量的符号数据生成,符号数据聚类成为了聚类分析的一个重要研究领域。目前,已有许多符号数据聚类算法被提出,但将它们应用于大数据环境时,仍然存在计算成本高、运行速度慢等问题。文中提出了一种基于符号关系图的快... 详细信息

由于在实际应用中有大量的符号数据生成,符号数据聚类成为了聚类分析的一个重要研究领域。目前,已有许多符号数据聚类算法被提出,但将它们应用于大数据环境时,仍然存在计算成本高、运行速度慢等问题。文中提出了一种基于符号关系图的快速符号数据聚类算法。该算法使用符号关系图替代原始数据,缩小数据集的规模,有效地解决了这一问题。大量的实验分析显示新算法相比其他算法是有效的。

关键词：符号数据相似性度量关系图数据挖掘聚类

来源：评论

学校读者我要写书评

暂无评论

基于深度神经网络和门控循环单元的动态图表示学习方法

引用

计算机应用 2021年第12期41卷 3432-3437页

作者：李慧博赵云霄白亮计算机智能与中文信息处理教育部重点实验室(山西大学) 太原030006 山西大学计算机与信息技术学院太原030006

学习图中节点的潜在向量表示是一项重要且普遍存在的任务,旨在捕捉图中节点的各种属性。大量工作证明静态图表示已经能够学习到节点的部分信息,然而,真实世界的图是随着时间的推移而演变的。为了解决多数动态网络算法不能有效保留节点... 详细信息

学习图中节点的潜在向量表示是一项重要且普遍存在的任务,旨在捕捉图中节点的各种属性。大量工作证明静态图表示已经能够学习到节点的部分信息,然而,真实世界的图是随着时间的推移而演变的。为了解决多数动态网络算法不能有效保留节点邻域结构和时态信息的问题,提出了基于深度神经网络(DNN)和门控循环单元(GRU)的动态网络表示学习方法DynAEGRU。该方法以自编码器作为框架,其中的编码器首先用DNN聚集邻域信息以得到低维特征向量,然后使用GRU网络提取节点时态信息,最后用解码器重构邻接矩阵并将其与真实图对比来构建损失。通过与几种静态图和动态图表示学习算法在3个数据集上进行实验分析,结果表明DynAEGRU具有较好的性能增益。

关键词：动态网络表示学习深度神经网络自编码器门控循环单元链路预测

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：