检索结果-内蒙古大学图书馆

计算机科学 2025年第3期52卷 295-305页

作者：魏谦强赵书良张思漫河北师范大学计算机与网络空间安全学院石家庄050024 供应链大数据分析与数据安全河北省工程研究中心石家庄050024 河北省网络与信息安全重点实验室石家庄050024 海南师范大学教育学院海口571158

知识库问答是一个具有挑战性的热门研究方向。目前,基于嵌入的方法通过隐式推理得到问题的答案而不能产生完整的推理路径,基于可微知识图谱的模型只需要将问题答案对作为弱监督信号就可以产生可解释的结果。基于可微知识图谱,提出了一... 详细信息

知识库问答是一个具有挑战性的热门研究方向。目前,基于嵌入的方法通过隐式推理得到问题的答案而不能产生完整的推理路径,基于可微知识图谱的模型只需要将问题答案对作为弱监督信号就可以产生可解释的结果。基于可微知识图谱,提出了一个端到端编码器-解码器模型。编码器使用多头注意力机制和LSTM对问题进行细粒度顺序建模,生成能更好地表示问题每一跳语义特征的查询向量;解码器使用前馈神经网络实现问题多跳推理的注意力机制,能更好地表示问题每一跳在整个问题中的权重。所提模型解决了以前粗粒度非顺序建模方法存在的信息丢失问题。在5个数据集MetaQA-1hop,MetaQA-2hop,MetaQA-3hop,WebQSP和CWQ上进行实验,模型分别取得了97.5%,100%,100%,77.8%和51.4%的准确率。消融实验表明,各个模块都对模型整体性能的提高有贡献。

关键词：多跳知识库问答可微知识图谱编码器-解码器

来源：评论

学校读者我要写书评

暂无评论

多视角层次聚类下的无线网络入侵检测算法

引用

计算机科学与探索 2022年第12期16卷 2752-2764页

作者：董新玉解滨赵旭升高新宝河北师范大学计算机与网络空间安全学院石家庄050024 河北师范大学河北省网络与信息安全重点实验室石家庄050024 河北师范大学供应链大数据分析与数据安全河北省工程研究中心石家庄050024

针对现有基于监督学习的无线网络入侵检测算法误检率高、难以发现未知类型攻击行为、获取带标记网络数据代价大的问题,提出一种基于多视角层次聚类的无监督无线网络入侵检测算法。该算法基于无监督学习,不需要为参与分类器学习的大量无... 详细信息

针对现有基于监督学习的无线网络入侵检测算法误检率高、难以发现未知类型攻击行为、获取带标记网络数据代价大的问题,提出一种基于多视角层次聚类的无监督无线网络入侵检测算法。该算法基于无监督学习,不需要为参与分类器学习的大量无线网络数据进行人工标记,具有易获取训练数据集和发现未知类型攻击行为的优势,同时该算法引入多视角余弦距离作为层次聚类中无线网络数据对象间相似性度量,使聚类结果更加合理,对网络数据行为的判定更加准确,在一定程度上降低了入侵检测的误检率。选用公开无线网络攻击数据集(AWID)进行实验,通过主成分分析法对实验数据集进行降维处理,很大程度上降低了入侵检测算法的时间复杂度。实验结果表明,与传统的无线网络入侵检测算法相比,提出的多视角层次聚类下的无线网络入侵检测算法在检测率、误检率和发现未知攻击类型等性能上都有显著提升。

关键词：多视角层次聚类无线网络入侵检测主成分分析(PCA)

来源：评论

学校读者我要写书评

暂无评论

一种结合自适应近邻与密度峰值的加权模糊聚类算法

引用

小型微型计算机系统 2023年第9期44卷 1974-1982页

作者：张春昊解滨张喜梅徐童童河北师范大学计算机与网络空间安全学院石家庄050024 河北师范大学供应链大数据分析与数据安全河北省工程研究中心石家庄050024 河北师范大学河北省网络与信息安全重点实验室石家庄050024

传统的模糊C均值(fuzzy c-means,FCM)算法的聚类结果容易受到随机选取初始聚类中心的影响,且在聚类过程中忽视了样本的不同特征和样本本身的重要程度对聚类结果产生的影响.针对这一系列问题,提出了一种结合自适应近邻与密度峰值的基于... 详细信息

传统的模糊C均值(fuzzy c-means,FCM)算法的聚类结果容易受到随机选取初始聚类中心的影响,且在聚类过程中忽视了样本的不同特征和样本本身的重要程度对聚类结果产生的影响.针对这一系列问题,提出了一种结合自适应近邻与密度峰值的基于信息熵加权的模糊聚类算法(ANNDP-WFCM).首先,结合自适应近邻的密度峰值算法(ANNDP)实现初始聚类中心的自动搜索,针对不同规模、不同结构的数据集可以自适应的找到每个样本的近邻集合,根据近邻信息定义样本的局部密度,搜索和发现数据集中的密度峰值点作为初始聚类中心.然后通过信息熵赋权区分不同特征在聚类过程中的重要程度,同时利用样本之间距离的倒数对样本本身进行加权,重新定义目标函数中的模糊聚类中心.最后针对目标函数,利用拉格朗日乘子法交替寻优,对最终的隶属度矩阵去模糊化得到聚类结果.通过不同公共数据集的对比实验,验证了ANNDP-WFCM算法具有较少的迭代次数和较高的聚类准确性.

关键词： FCM 密度峰值自适应信息熵

来源：评论

学校读者我要写书评

暂无评论

基于相似网络和联合注意力的图嵌入模型

引用

河南师范大学学报（自然科学版） 2024年第6期52卷 36-44页

作者：王静红李昌鑫杨家腾于富强河北师范大学计算机与网络空间安全学院石家庄050024 河北师范大学河北省网络与信息安全重点实验室石家庄050024 河北师范大学供应链大数据分析与数据安全河北省工程研究中心石家庄050024 河北工程技术学院人工智能与大数据学院石家庄050020

图注意力网络(graph attention network, GAT)将注意力机制与图神经网络融合,但模型只关注节点的一阶邻域节点,缺乏对高阶相似节点的考虑,同时在计算注意力分数时缺乏对节点结构特征的关注.为此提出一种基于相似网络和联合注意力的图嵌... 详细信息

图注意力网络(graph attention network, GAT)将注意力机制与图神经网络融合,但模型只关注节点的一阶邻域节点,缺乏对高阶相似节点的考虑,同时在计算注意力分数时缺乏对节点结构特征的关注.为此提出一种基于相似网络和联合注意力的图嵌入模型.首先计算网络中的节点相似性,并将高相似度且未连接的节点对构建新边以形成相似网络.其次,引入结构相关性和内容相关性的概念,分别用于表征节点之间的结构关系和内容特征.通过融合两种相关性得分计算得到联合注意力分数.最后使用联合注意力分数对节点特征加权聚合,得到最终的节点嵌入表示.将本文所提算法在Cora、Citeseer和Pubmed 3个数据集上进行节点分类任务,准确率分别达到85.70%、74.30%、84.10%,与原始图注意力网络模型相比分别提高了2.70%、3.94%和2.60%.可见,所提出的算法可以得到更好的节点嵌入表示.

关键词：图嵌入图注意力网络节点相似性相似网络节点分类

来源：评论

学校读者我要写书评

暂无评论

基于拉格朗日对偶的小样本学习隐私保护和公平性约束方法

引用

计算机科学 2024年第7期51卷 405-412页

作者：王静红田长申李昊康王威河北师范大学计算机与网络空间安全学院石家庄050024 河北师范大学河北省网络与信息安全重点实验室石家庄050024 河北师范大学供应链大数据分析与数据安全河北省工程研究中心石家庄050024 河北工程技术学院人工智能与大数据学院石家庄050020

小样本学习旨在利用少量数据训练并大幅提升模型效用,为解决敏感数据在神经网络模型中的隐私与公平问题提供了重要方法。在小样本学习中,由于小样本数据集中往往包含某些敏感数据,并且这些敏感数据可能有歧视性,导致数据在神经网络模型... 详细信息

小样本学习旨在利用少量数据训练并大幅提升模型效用,为解决敏感数据在神经网络模型中的隐私与公平问题提供了重要方法。在小样本学习中,由于小样本数据集中往往包含某些敏感数据,并且这些敏感数据可能有歧视性,导致数据在神经网络模型的训练中存在隐私泄露的风险和公平性问题。此外,在许多领域中,由于隐私或安全等,数据很难或无法获取。同时在差分隐私模型中,噪声的引入不仅会导致模型效用的降低,也会引起模型公平性的失衡。针对这些挑战,提出了一种基于Rényi差分隐私过滤器的样本级自适应隐私过滤算法,利用Rényi差分隐私以实现对隐私损失的更精确计算。进一步,提出了一种基于拉格朗日对偶的隐私性和公平性约束算法,该算法通过引入拉格朗日方法,将差分隐私约束和公平性约束加到目标函数中,并引入拉格朗日乘子来平衡这些约束。利用拉格朗日乘子法将目标函数转化为对偶问题,从而实现同时优化隐私性和公平性,通过拉格朗日函数实现隐私性和公平性的平衡。实验结果证明,该方法既提升了模型性能,又保证了模型的隐私性和公平性。

关键词：小样本学习隐私与公平 Rényi差分隐私公平性约束拉格朗日对偶

来源：评论

学校读者我要写书评

暂无评论

双路自编码器的属性网络表示学习

引用

计算机应用 2023年第8期43卷 2338-2344页

作者：王静红周志霞王辉李昊康河北师范大学计算机与网络空间安全学院石家庄050024 河北省网络与信息安全重点实验室(河北师范大学) 石家庄050024 供应链大数据分析与数据安全河北省工程研究中心(河北师范大学) 石家庄050024 河北工程技术学院石家庄050091

属性网络表示学习的目的是在保证网络中节点性质的前提下,结合结构和属性信息学习节点的低维稠密向量表示。目前属性网络表示学习方法忽略了网络中属性信息的学习,且这些方法中的属性信息与网络拓扑结构的交互性不足,不能高效融合网络... 详细信息

属性网络表示学习的目的是在保证网络中节点性质的前提下,结合结构和属性信息学习节点的低维稠密向量表示。目前属性网络表示学习方法忽略了网络中属性信息的学习,且这些方法中的属性信息与网络拓扑结构的交互性不足,不能高效融合网络结构和属性信息。针对以上问题,提出一种双路自编码器的属性网络表示学习(DENRL)算法。首先,通过多跳注意力机制捕获节点的高阶邻域信息;其次,设计低通拉普拉斯滤波器去除高频信号,并迭代获取重要邻居节点的属性信息;最后,构建自适应融合模块,通过结构和属性信息的一致性及差异性约束来增加对重要信息的获取,并通过监督两个自编码器的联合重构损失函数训练编码器。在Cora、Citeseer、Pubmed和Wiki数据集上的实验结果表明,与DeepWalk、ANRL(Attributed Network Representation Learning)等算法相比,DENRL算法在3个引文网络数据集上聚类准确率最高、算法运行时间最少,在Cora数据集上聚类准确率为0.775和运行时间为0.460 2 s;且DENRL算法在Cora和Citeseer数据集上链路预测精确率最高,分别达到了0.961和0.970。可见,属性与结构信息的融合及交互学习可以获得更强的节点表示能力。

关键词：属性网络网络表示学习自编码器交互学习注意力机制

来源：评论

学校读者我要写书评

暂无评论

结合共享近邻和流形距离的自适应谱聚类算法

引用

计算机科学 2023年第10期50卷 59-70页

作者：张喜梅解滨米据生徐童童张祎玲河北师范大学计算机与网络空间安全学院石家庄050024 河北师范大学供应链大数据分析与数据安全河北省工程研究中心石家庄050024 河北师范大学河北省网络与信息安全重点实验室石家庄050024 河北师范大学数学科学学院石家庄050024

谱聚类算法是建立在图论的基础上,将聚类问题转化为图的划分问题,能识别任意形状的类簇且易于实现,因此比传统聚类算法具有更强的适应性。然而,该算法中常用的距离度量不能同时考虑全局和局部一致性,且易受到噪声影响;聚类结果依赖由输... 详细信息

谱聚类算法是建立在图论的基础上,将聚类问题转化为图的划分问题,能识别任意形状的类簇且易于实现,因此比传统聚类算法具有更强的适应性。然而,该算法中常用的距离度量不能同时考虑全局和局部一致性,且易受到噪声影响;聚类结果依赖由输入数据构造的相似度矩阵,且通过特征分解得到松弛划分矩阵和离散化过程的两步独立策略难以得到一个共同最优解。因此,提出一种结合共享近邻和流形距离的自适应谱聚类算法(SNN-MSC),引入一种新的具有指数项和比例因子的流形距离,可以灵活调整同一流形内数据的相似度和不同流形之间数据的相似度之比,并将密度因子纳入流形距离度量中,以消除噪声影响;采用共享近邻重新定义相似度度量,能挖掘数据点之间的空间结构和局部关系;同时,对拉普拉斯矩阵施加秩约束,使相似度矩阵中的连通分量完全等于簇个数,能够在优化求解过程中自适应优化数据相似度矩阵和聚类结构,无须再进行离散化操作。在人工数据集和UCI真实数据集上的对比实验显示,所提算法在多个聚类有效性指标上能体现出更好的性能。

关键词：谱聚类流形距离共享近邻秩约束自适应

来源：评论

学校读者我要写书评

暂无评论

结合双流特征融合及对抗学习的图像显著性检测

引用

计算机辅助设计与图形学学报 2021年第3期33卷 376-384页

作者：张艺涵张朝晖霍丽娜解滨王秀青河北师范大学计算机与网络空间安全学院石家庄050024 河北省供应链大数据分析与数据安全工程研究中心石家庄050024 河北师范大学河北省网络与信息安全重点实验室石家庄050024

为实现图像显著区域或目标的低级特征与语义信息有意义的结合,以获取结构更完整、边界更清晰的显著性检测结果,提出一种结合双流特征融合及对抗学习的彩色图像显著性检测(SaTSAL)算法.首先,以VGG-16和Res2Net-50为双流异构主干网络,实... 详细信息

为实现图像显著区域或目标的低级特征与语义信息有意义的结合,以获取结构更完整、边界更清晰的显著性检测结果,提出一种结合双流特征融合及对抗学习的彩色图像显著性检测(SaTSAL)算法.首先,以VGG-16和Res2Net-50为双流异构主干网络,实现自底向上、不同级别的特征提取;之后,分别针对每个流结构,将相同级别的特征图送入卷积塔模块,以增强级内特征图的多尺度信息;进一步,采用自顶向下、跨流特征图逐级侧向融合方式生成显著图;最后,在条件生成对抗网络的主体框架下,利用对抗学习提升显著性检测结果与显著目标的结构相似性.以P-R曲线、F-measure、平均绝对误差、S-measure为评价指标,在ECSSD,PASCAL-S,DUT-OMRON以及DUTS-test 4个公开数据集上与其他10种基于深度学习的显著性检测算法的对比实验表明,SaTSAL算法优于其他大部分算法.

关键词：显著性检测双流特征融合对抗学习卷积塔条件生成对抗网络

来源：评论

学校读者我要写书评

暂无评论

基于IPSO-BiLSTM的网络安全态势预测

引用

计算机科学 2022年第7期49卷 357-362页

作者：赵冬梅吴亚星张红斌河北师范大学计算机与网络空间安全学院石家庄050024 河北师范大学河北省网络与信息安全重点实验室石家庄050024 河北科技大学信息科学与工程学院石家庄050018

针对复杂的网络安全态势预测问题,为了提高预测的收敛速度和预测精度,提出了一种基于改进粒子群优化双向长短期记忆(IPSO-BiLSTM)网络的网络安全态势预测模型。首先,针对所用数据集没有真实态势值的问题,采用了一种基于攻击影响的态势... 详细信息

针对复杂的网络安全态势预测问题,为了提高预测的收敛速度和预测精度,提出了一种基于改进粒子群优化双向长短期记忆(IPSO-BiLSTM)网络的网络安全态势预测模型。首先,针对所用数据集没有真实态势值的问题,采用了一种基于攻击影响的态势值计算方法,用于态势预测。其次,针对粒子群(PSO)算法易陷入局部最优值、搜索能力不均衡等问题,对惯性权重和加速因子进行改进,改进后的粒子群(IPSO)算法的全局和局部搜索能力平衡,收敛速度更快。最后,使用IPSO优化双向长短期记忆(BiLSTM)网络参数,提升预测能力。实验结果表明,IPSO-BiLSTM的拟合程度可达0.9946,其拟合效果和收敛速度均优于其他模型。

关键词：网络安全态势预测神经网络双向长短期记忆网络改进粒子群优化

来源：评论

学校读者我要写书评

暂无评论

一种融合胶囊网络的分类方法

引用

计算机应用研究 2022年第12期39卷 3574-3581,3586页

作者：王静红张戴鹏河北师范大学计算机与网络空间安全学院石家庄050024 河北师范大学河北省供应链大数据分析与数据安全工程研究中心石家庄050024 河北师范大学河北省网络与信息安全重点实验室石家庄050024

目前的ADMET分类方法在对具有多特征性和特征关联性的化合物数据进行ADMET分类时存在不足。而且,对ADMET分类结果不具备可解释性。针对上述问题,提出一种融合胶囊网络的分类模型(CapsMC)。CapsMC模型首先提出一种feature-to-image图像... 详细信息

目前的ADMET分类方法在对具有多特征性和特征关联性的化合物数据进行ADMET分类时存在不足。而且,对ADMET分类结果不具备可解释性。针对上述问题,提出一种融合胶囊网络的分类模型(CapsMC)。CapsMC模型首先提出一种feature-to-image图像转换算法。使用该算法将特征之间的关联关系和依赖关系作为考量纳入到分类依据中,实现特征的多层次提取。其次,探索胶囊网络的高级应用,提出一种认知推理机制。使用该机制对特征进行认知推理,实现ADMET的可解释性分类。模型在五种ADMET数据集上的实验结果表明,CapsMC模型可以高效实现ADMET的可解释性分类。

关键词： ADMET 图像转换胶囊网络认知推理机制可解释性分类

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：