随着电力系统、交通系统、通信系统等基础设施网络的广泛使用,提高复杂网络的鲁棒性具有重要意义。重连机制是一种高效且简洁的方法,常用于提高网络的鲁棒性。基于0阶零模型的重连机制通过对边的随机删除和创建操作来提高网络的鲁棒性,其尽管保持了网络的边数,但会引起节点的度值发生变化,如基于香农熵的重连算法;基于1阶零模型的重连机制通过随机选择两条边进行换边操作来提高网络的鲁棒性,其尽管保持了网络的度分布,但随机选边难以准确找到合适的节点,增加了算法的时间成本,如基于最大连通分支的重连算法。因此,为了保持网络的度分布且快速提高网络的鲁棒性,提出了一种基于1阶零模型的快速重连算法(Fast Rewiring Mechanism based on 1-order Null Model,FRM)。FRM算法通过比较每条边的两个端点度值的差异为边加权,根据边的权重优先选择权重较大的两条边,并创建度值相似节点之间的连边来提高网络的鲁棒性。在3个真实网络数据上与4种代表性重连算法相比,对比实验结果表明,FRM算法在度中心性、介数中心性和Page-Rank中心性攻击下最大连通分支中的节点比例s(Q)、基于最大连通分支的鲁棒性指标R和基于香农熵的鲁棒性指标I(G)的表现都更好。
目的基于知识可视化分析探讨2010~2020年机器学习在重症医学领域的应用情况。方法收集2010~2020年中国知网、万方数据和Web of Science(WOS)收录的机器学习方法在重症医学领域应用的相关文献。采用Cite Space软件对作者、国家、研究机...
详细信息
目的基于知识可视化分析探讨2010~2020年机器学习在重症医学领域的应用情况。方法收集2010~2020年中国知网、万方数据和Web of Science(WOS)收录的机器学习方法在重症医学领域应用的相关文献。采用Cite Space软件对作者、国家、研究机构、共被引文献和关键词进行提取,并对该领域的合作关系以及热点、前沿话题进行探讨。结果2010~2020年期间共检索出4889篇中文文献和8036篇英文文献,发文量呈逐年上升趋势。在英文文献的作者、国家和机构研究主体分析中,发文量前十的机构及发文量最大、H指数最高的作者均来自美国,而中国在此领域尚有明显差距。"危险因素(risk factor)"和"病死率(mortality)"分别是中英文文献中频次最高的关键词。同时"危重症(critical illness)"在WOS中的突增年份从2018年开始一直持续至今,并且该关键词在中文文献中突增年份持续最长,表明机器学习应用已成为当前重症医学界持续关注的研究热点。在对WOS核心数据库的共被引共现网络聚类中,"脓毒症"和"机器学习"是最活跃的两个聚类。被引次数最高的2篇文献来自于"脓毒症"聚类,均与脓毒症的定义有关。在"机器学习"的聚类中,高被引文献集中在公开重症监护数据库-Ⅲ(medical information mark for intensive care-Ⅲ,MIMIC-Ⅲ)的分析,可见数据对机器学习应用于重症医学的重要性。结论机器学习是重症医学领域当前的研究热点之一,重点关键词为危重病病死率、危险因素和结局判断,脓毒症、谵妄、急性肾损伤和COVID-19等是最受关注的危重疾病。未来应对这些热点问题进行深入研究,增加国内外学者的合作与交流。
暂无评论