检索结果-内蒙古大学图书馆

计算机工程与应用 2024年第9期60卷 172-180页

作者：张俊三肖森高慧邵明文张培颖朱杰中国石油大学(华东)计算机科学与技术学院山东青岛266580 河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室河北保定071002

近年来,图神经网络(GNN)成为解决协同过滤的主流方法之一。它通过构建用户-物品图,模拟用户与物品的交互关系,并用GNN学习它们的特征表示。尽管现有在模型结构上的研究已取得了较大进展,但如何在图结构上更有效地进行负采样仍未有效解... 详细信息

近年来,图神经网络(GNN)成为解决协同过滤的主流方法之一。它通过构建用户-物品图,模拟用户与物品的交互关系,并用GNN学习它们的特征表示。尽管现有在模型结构上的研究已取得了较大进展,但如何在图结构上更有效地进行负采样仍未有效解决。为此,提出一种基于邻域采样的多任务图推荐算法。该算法提出了一种基于GNN的邻域采样策略,该策略以每个用户为中心构建子图,将次高阶物品作为用户邻域采样的负样本,可以更有效地挖掘强负样本并提高采样质量。通过GNN对图结点进行信息聚合与特征提取,得到结点的最终嵌入表示。设计一种余弦边际损失来过滤部分冗余负样本,以有效减少采样过程中的噪声数据。同时,该算法引入了多任务策略对模型进行联合优化,以增强模型的泛化能力。在3个公开数据集上进行的大量实验表明,该算法在大多数情况下明显优于其他主流算法。

关键词：图神经网络协同过滤负采样邻域采样余弦边际损失多任务策略

来源：评论

学校读者我要写书评

暂无评论

多准则分类问题中近似集的增量更新方法

引用

计算机科学 2016年第12期43卷 71-78页

作者：李艳靳永飞吴婷婷郭娜娜于群河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室保定071002

在优势关系粗糙集方法(DRSA)的框架下,优势关系可用于处理带有序关系属性(准则)的数据,并且已经被广泛用于处理多准则决策问题。然而在实际应用中,当属性集和对象集发生变化时,信息系统会随之不断更新。在这种动态环境下,DRSA中用于属... 详细信息

在优势关系粗糙集方法(DRSA)的框架下,优势关系可用于处理带有序关系属性(准则)的数据,并且已经被广泛用于处理多准则决策问题。然而在实际应用中,当属性集和对象集发生变化时,信息系统会随之不断更新。在这种动态环境下,DRSA中用于属性约简、规则提取以及决策制定的近似集需要得到相应的更新。针对对象集发生变化时(增加或删除一个对象)的多准则分类问题,采用增量方法来更新近似集并提出两种相应的更新算法DRSA1和DRSA2。同时,对不同情况下的更新原则进行了讨论并给出了相关的理论结果与详细的证明。最后给出算例,并在UCI数据集上进行大量的实验,与非增量的方法(传统的DRSA)进行对比,结果充分体现了所提增量方法的有效性与可扩展性。

关键词：优势关系粗糙集多准则分类信息系统近似集增量更新

来源：评论

学校读者我要写书评

暂无评论

全弧搜索广义拟阵的构造

引用

河北大学学报（自然科学版） 2010年第2期30卷 133-136页

作者：毛华谢利伟河北大学数学与计算机学院河北保定071002 河北省数学研究中心河北石家庄050016 河北省机器学习与计算智能重点实验室河北保定071002

根据图论中有向树的性质,在此构造了一个由有向树中弧生成的广义拟阵——全弧搜索广义拟阵.另外还给出了一个构造此广义拟阵的方法——全弧搜索法.此法是根据深度优先来构造的,其可行集由两部分组成.第一部分是由从有向树的根到该有向... 详细信息

根据图论中有向树的性质,在此构造了一个由有向树中弧生成的广义拟阵——全弧搜索广义拟阵.另外还给出了一个构造此广义拟阵的方法——全弧搜索法.此法是根据深度优先来构造的,其可行集由两部分组成.第一部分是由从有向树的根到该有向树各个顶点的路上的弧集组成,另一部分是由第1部分中任意不同集合的并集组成.最后以实例说明了当所给的是一个非树的图时,由全弧搜索法生成的数学结构不是一个广义拟阵.

关键词：广义拟阵关联入弧

来源：评论

学校读者我要写书评

暂无评论

基于无监督学习视觉特征的深度聚类方法

引用

南京航空航天大学学报 2021年第5期53卷 718-725页

作者：陈俊芬赵佳成翟俊海李艳河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室保定071002 北京师范大学珠海分校应用数学学院珠海519087

基于自编码器的特征提取技术广泛应用于图像聚类分析,在较简单的图像集上取得了令人满意的聚类结果,但自编码器的特征表示能力有限,很难捕捉到复杂低质图像的局部特征。本文提出一种基于非对称结构卷积自编码器(Convolutional auto-enco... 详细信息

基于自编码器的特征提取技术广泛应用于图像聚类分析,在较简单的图像集上取得了令人满意的聚类结果,但自编码器的特征表示能力有限,很难捕捉到复杂低质图像的局部特征。本文提出一种基于非对称结构卷积自编码器(Convolutional auto-encoder with an asymmetric structure,ASCAE)的学习视觉特征的深度聚类方法,其中非对称结构的卷积自编码器用于学习特征表示,然后使用K-means算法对特征数据进行聚类分析。为进一步提高特征表示能力,ASCAE方法的网络采用变步长的卷积层和全连接的重构误差正则约束网络的重构误差。在7个公开图像集上的实验结果表明该网络有很好的特征表示能力,并且使得K-means算法能提供很好的聚类结果。在COIL-20和MNIST图像集上,聚类方法ASCAE的聚类精度分别为0.754和0.918,优于同类型的4种深度聚类方法(AEC、IEC、DEC和DEN)。

关键词：图像聚类卷积自编码器特征表示 K-means算法聚类精度

来源：评论

学校读者我要写书评

暂无评论

3-李代数T的结构

引用

吉林大学学报（理学版） 2021年第4期59卷 769-776页

作者：白瑞蒲刘培河北大学数学与信息科学学院河北省机器学习与智能计算重点实验室河北保定071002

利用三元可微函数构造一种无限维3-李代数T,并讨论T的结构.证明T是非3-可解的非单3-李代数,T的内导子代数ad T是不可分解的非可解李代数,且ad T的理想只有极大理想V的导系列V^((n))(n∈0x0E0xFF瘙0x01綄0x0F且n≥0).

关键词： 3-李代数 3-可解性内导子代数

来源：评论

学校读者我要写书评

暂无评论

结合降噪和自注意力的深度聚类算法

引用

计算机科学与探索 2021年第9期15卷 1717-1727页

作者：陈俊芬张明赵佳成谢博鋆李艳河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室河北保定071002 北京师范大学珠海分校应用数学学院广东珠海519087

近几年,联合聚类划分和表示学习的深度聚类方法提供了出色的聚类性能,但随着图像质量的下降(比如噪声图像),聚类结果还不能令人满意。为此,提出一种新的深度聚类算法(DDC)。深度卷积降噪自编码器学习噪声数据的特征表示;自注意力机制提... 详细信息

近几年,联合聚类划分和表示学习的深度聚类方法提供了出色的聚类性能,但随着图像质量的下降(比如噪声图像),聚类结果还不能令人满意。为此,提出一种新的深度聚类算法(DDC)。深度卷积降噪自编码器学习噪声数据的特征表示;自注意力机制提高网络捕获局部关键信息的能力;端到端的联合训练得到合适的特征表示并完成聚类分配;对数据点和类中心的相似度赋予不同的权重,扩大同类和异类之间的差异。在公开图像数据集上的实验表明DDC算法的聚类性能更高;并与其他深度聚类算法进行对比,例如在COIL-20上DDC的聚类精度是0.803,而DEC算法仅是0.597。总之,结合自注意力和深度卷积降噪自编码器的DDC算法能对噪声图像进行更有效的聚类分析,扩大了图像聚类的应用范围。

关键词：深度聚类特征表示卷积降噪自编码器自注意力机制聚类精度

来源：评论

学校读者我要写书评

暂无评论

三支半概念的广义结构及粗糙集近似算子

引用

模糊系统与数学 2022年第6期36卷 89-101页

作者：毛华马经泽牛振华张植明杨兰珍河北大学数学与信息科学学院河北保定071002 河北大学河北省机器学习与计算智能重点实验室河北保定071002

随着形式概念分析理论的发展,经典半概念理论也受到了广泛关注。三支半概念是将经典半概念与三支决策相结合而产生的新理论,也是一个知识发现与数据挖掘的有效工具。本文主要对三支半概念的结构和性质两个方面进行研究,首先将三支半概... 详细信息

随着形式概念分析理论的发展,经典半概念理论也受到了广泛关注。三支半概念是将经典半概念与三支决策相结合而产生的新理论,也是一个知识发现与数据挖掘的有效工具。本文主要对三支半概念的结构和性质两个方面进行研究,首先将三支半概念拓广到了广义三支半概念——OE-半概念和AE-半概念,给出了寻找二者的算法,接下来分别针对两种广义三支半概念构建了纯双布尔代数结构。此外,研究了三支半概念与经典半概念之间的关系,分别证明了它们之间的保运算以及序同构关系。最后利用粗糙集理论分别构建了经典半概念的两对算子,给出该算子的相关性质,并证明这两对算子为粗糙集近似算子。

关键词：三支半概念广义三支半概念三支决策纯双布尔代数粗糙集近似算子

来源：评论

学校读者我要写书评

暂无评论

基于双自编码器和Transformer网络的异常检测方法

引用

计算机应用 2023年第1期43卷 22-29页

作者：周佳航邢红杰河北大学数学与信息科学学院河北保定071002 河北省机器学习与计算智能重点实验室(河北大学) 河北保定071002

基于自编码器(AE)的异常检测方法利用重构误差判断待测样本是正常数据还是异常数据。然而,上述方法在正常数据与异常数据上产生的重构误差非常接近,导致部分异常数据很容易被错分为正常数据。为解决上述问题,提出一种由两个并行的AE和一... 详细信息

基于自编码器(AE)的异常检测方法利用重构误差判断待测样本是正常数据还是异常数据。然而,上述方法在正常数据与异常数据上产生的重构误差非常接近,导致部分异常数据很容易被错分为正常数据。为解决上述问题,提出一种由两个并行的AE和一个Transformer网络组成的异常检测方法——DATN-ND。首先,Transformer网络利用输入样本的瓶颈特征生成伪异常数据的瓶颈特征,从而在训练集中增加异常数据信息;其次,双AE将带有异常数据信息的瓶颈特征尽可能地重构为正常数据,增加异常数据与正常数据的重构误差差别。与记忆增强自编码器(MemAE)相比,DATN-ND在MNIST、Fashion-MNIST、CIFAR-10数据集上ROC曲线下面积(AUC)分别提升6.8、12.0和2.5个百分点。实验结果表明,DATN-ND能够有效扩大正常数据和异常数据在重构误差上的差别。

关键词：异常检测自编码器重构误差单类分类 Transformer网络

来源：评论

学校读者我要写书评

暂无评论

耦合变分自编码器及其在图像对生成中的应用

引用

小型微型计算机系统 2021年第12期42卷 2626-2631页

作者：侯璎真翟俊海申瑞彩河北大学数学与信息科学学院河北保定071002 河北大学河北省机器学习与计算智能重点实验室河北保定071002

随着深度学习的发展,图像生成技术有了长足的进展,但大多数图像生成模型只能生成单一图像.针对这一问题,本文提出了一种耦合变分自编码器,它可以生成具有不同属性的人脸元组.现有的方法需要训练集的不同域中存在对应图像的元组,但是本... 详细信息

随着深度学习的发展,图像生成技术有了长足的进展,但大多数图像生成模型只能生成单一图像.针对这一问题,本文提出了一种耦合变分自编码器,它可以生成具有不同属性的人脸元组.现有的方法需要训练集的不同域中存在对应图像的元组,但是本文提出的方法不需要任何对应图像的元组,就可以生成具有不同属性的图像元组.本文的方法是在耦合生成对抗网络的灵感下提出的,与原有方法不同,它通过训练耦合变分自编码器模型来学习不同属性的特征表示,以生成对应图像元组.相比较原方法,它可以通过学习高级特征表示更精确的生成图像元组.此外,本文还用耦合变分自编码器实现了无监督人脸属性转换以及人脸的相互转换.将提出的方法应用于多个学习任务,包括生成不同属性的人脸元组、无监督的人脸属性转换以及图像相互转换.

关键词：深度学习变分自编码器元组高级特征属性转换

来源：评论

学校读者我要写书评

暂无评论

MapReduce和Spark两种框架下的大数据极限学习机比较研究

引用

小型微型计算机系统 2020年第7期41卷 1381-1388页

作者：宋丹丹翟俊海李艳齐家兴河北大学数学与信息科学学院河北保定071002 河北大学河北省机器学习与计算智能重点实验室河北保定071002

对MapReduce和Spark两种框架下的大数据极限学习机进行了比较研究.具体地,从程序运行时间、任务的同步次数、分类器的泛化性能和需要读写的文件数目4个方面进行了比较.得出了如下结论:1)在程序运行时间上,基于Spark的大数据极限学习机... 详细信息

对MapReduce和Spark两种框架下的大数据极限学习机进行了比较研究.具体地,从程序运行时间、任务的同步次数、分类器的泛化性能和需要读写的文件数目4个方面进行了比较.得出了如下结论:1)在程序运行时间上,基于Spark的大数据极限学习机明显优于MapReduce的大数据极限学习机,通过理论分析以及对比不同平台的并行指标speed Up和sizeUp证明了这一结论,而且随着隐含层节点个数的增多,这一优势越发明显;2)在任务的同步次数上,基于MapReduce大数据极限学习机的性能优于基于Spark大数据极限学习机;3)在分类器的泛化性能上,基于MapReduce的大数据极限学习机与基于Spark大数据极限学习机并无本质的差别;4)在需要读写的文件数目上,基于MapReduce的大数据极限学习机需要读写的文件数目与M ap任务个数有关,而基于Spark的大数据极限学习机需要读写的文件数目与分区数有关.这些结论对从事相关研究的人员,特别是从事大数据机器学习研究的人员具有较高的参考价值.

关键词：大数据机器学习极限学习机并行计算任务同步

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：