基于概念分解的显隐空间协同多视图聚类算法

多视图聚类通过整合不同视图的特征以提升聚类性能.现有的多视图聚类更多地关注数据不同的低维表示方式和其在隐式空间的几何结构,而忽略数据样本在不同空间的结构关系,未同时考虑不同空间的聚类.为此,文中提出基于概念分解的显隐空间协同多视图聚类算法.首先,通过概念分解获取不同视图在隐式空间中的一个共同的低维特征表示,并利用图拉普拉斯正则化约束保持原始数据的局部结构不变.然后,将数据在显式空间中的聚类和隐式空间中的聚类整合到一个共同的框架中,进行协同学习和优化,得到最终的聚类结果.在8个真实数据集上的实验表明文中算法性能较优.

“党的自我革命制度规范体系”概念阐释——基于概念分解法的分析

党的二十大报告首次完整提出“党的自我革命制度规范体系”概念,概念分解法具有逻辑上的严谨性和方法上的科学性,是对其进行概念阐释的一种可行方法,由概念拆解和概念合取构成。从概念拆解看,“党的自我革命制度规范体系”由“党的自我革命”“制度”“规范”“体系”组成,“党的自我革命”指向党的革命性锻造,在其限定之下“制度”“规范”特指党的自我革命制度和党的自我革命规范,两者刚柔并济、动静相宜,“体系”则是两者走向系统集成、协同高效的标志。从概念合取看,作为全面从严治党和全面依法治国共同作用的产物,“党的自我革命制度规范体系”是中国共产党和国家立法机关在习近平总书记关于党的自我革命战略思想的指导下制定的、规范各级党组织在党的自我革命中的活动和全体党员在党的自我革命中的行为、由党的纪律和国家强制力保障实施的党内法规制度体系和法律规范体系的总称。其外延用公式表述为:“党的自我革命制度规范体系=党的自我革命党内法规制度体系+党的自我革命法律规范体系+两者的交互影响”。

一种基于概念分解的政策精化方法

提出了一种基于概念分解的政策精化方法,将政策的精化归结为对概念的分解,依据本体论中的概念结构将政策中较高层的概念转换为较低层的概念,从而实现政策的精化。给出了该精化算法的步骤,并通过一个案例演示了该方法的执行过程,最后与其他几种政策精化算法进行对比分析,指出该算法的优缺点。

基于稀疏约束的流形正则化概念分解算法

流形学习算法在构造图模型时假设观测数据来自一个光滑的流形采样,但实际高维数据中由于各种因素经常存在噪声或异常值.针对概念分解算法无法有效地处理数据中存在的噪声问题,同时未考虑数据间的几何结构信息问题,提出一种基于稀疏约束的流形正则化概念分解算法.该算法通过l2,1范数对目标函数进行稀疏约束,得到具有鉴别能力的特征向量;同时构建拉普拉斯图正则项获得数据的流形结构信息,提高算法的鉴别能力.最后对文中算法的目标函数进行求解并证明了其收敛性;在PIE人脸库、AT&T人脸库、Reuters文本库和TDT2文本库上的实验结果表明,该算法提高了聚类的准确率和归一化互信息.

结合新概念分解和频繁词集的短文本聚类

针对传统文本聚类忽略词与词之间的语义关系和数据高维的问题,提出了一种结合新概念分解和频繁词集的短文本聚类.该算法首先对短文本进行频繁词集的挖掘,接着使用挖掘的频繁词集来表示每个短文本,然后将每个文本进行向量表示.为了提高聚类的性能和解决概念分解的限制,提出了一种具有对偶连通约束的正则化概念分解算法,最后使用该算法进行短文本聚类.该算法不仅能对处理后的文本的维度起到很好的降低作用,还可以很好的关联短文本集中的文本,使文本之间的关系不再是独立的.在搜狐新闻和微博短文本数据集上的实验验证了该算法的有效性.

基于超图正则化受限的概念分解算法

针对概念分解(Concept Factorization,CF)算法没有同时考虑样本中存在的类别信息及数据间多元几何结构信息的问题,该文提出一种基于超图正则化受限的概念分解(Hyper-graph regularized Constrained Concept Factorization,HCCF)算法。HCCF算法通过构建一个无向加权的拉普拉斯超图正则项,提取数据间的多元几何结构信息,克服了传统图模型只能表达数据间成对关系的缺陷;同时采用硬约束的方式使样本的类别信息在低维空间中保持一致,充分利用了标记样本的类别信息。该文采用乘性迭代的方法求解HCCF算法的目标函数并证明了其收敛性。在TDT2库、Reuters库和PIE库上的实验结果表明,HCCF算法提高了聚类的准确率和归一化互信息,验证了算法的有效性。

基于对偶超图正则化的概念分解算法及其在数据表示中的应用

针对概念分解算法没有同时考虑数据空间和特征属性空间中的高阶几何结构信息的问题,提出了一种基于对偶超图正则化的概念分解算法。该算法通过分别在数据空间和特征属性空间中构建无向加权的拉普拉斯超图正则项,分别反映了数据流形和特征流形的多元几何结构信息,弥补了传统图模型只能表达数据间成对关系的缺陷。采用交替迭代的方法求解算法的目标函数并证明了算法的收敛性。在3个真实数据库(TDT2、PIE、COIL20)上的实验表明,该方法在数据的聚类表示的效果方面优于其他方法。

基于全局融合的多核概念分解算法

非负矩阵分解(NMF)算法仅能用于对原始非负数据寻找低秩近似,而概念分解(CF)算法将矩阵分解模型扩展到单个非线性核空间,提升了矩阵分解算法的学习能力和普适性。针对无监督环境下概念分解面临的如何设计或选择合适核函数这一问题,提出基于全局融合的多核概念分解(GMKCF)算法。同时输入多种候选核函数,在概念分解框架下基于全局线性权重融合对它们进行学习,以得出质量高稳定性好的聚类结果,并解决概念分解模型面临核函数选择的问题。采用交替迭代的方法对新模型进行求解,证明了算法的收敛性。将该算法与基于核的K-均值(KKM)、谱聚类(SC)、KCF(Kernel Concept Factorization)、Coreg(Co-regularized multi-view spectral clustering)、RMKKM(Robust Multiple KKM)在多个真实数据库上的实验结果表明,该算法在数据聚类方面优于对比算法。

基于图正则化概念分解的网络入侵检测研究

作为一种有效的主动探测网络恶意攻击防护措施,入侵检测在变电站信息系统安全防护中得到了广泛的应用.但实际网络入侵数据类型的多样性、非负性和高维度性等特点使得现有方法存在检测率低、误报率高等不足.基于非负矩阵分解的方法在入侵检测上取得了较好的效果,却忽略了嵌入在数据局部的几何结构和标记信息.为此,本文提出一种基于图正则化约束的概念分解算法.通过将数据的几何结构和标记信息同时作为约束条件,建立了一种新的概念分解模型,并提出了迭代更新求解算法.通过在网络入侵数据集KDD99上的实验验证,其结果展示了所提算法的有效性和鲁棒性.

图正则化的模糊局部坐标编码概念分解模型

现有的基于矩阵分解聚类模型训练过程大多需要两个独立的步骤,一是通过自身的模型对数据集进行训练获得系数矩阵,二是对得到的系数矩阵进一步使用K-means方法来获得最终的聚类结果.这种两阶段模式一方面增加了计算消耗,也会因为K-means对初始聚类中心的敏感,会对聚类效果产生一定的影响.针对此问题,本文提出了一种图正则化的模糊局部坐标编码概念分解模型.该模型通过对系数矩阵添加约束使得系数矩阵行和为1,从而避免了再次使用K-means方法进行二次训练,而直接由系数矩阵获得聚类结果.另外,由于此系数矩阵的约束.该模型实现了模糊聚类,增强了聚类结果的可解释性.本文通过对人工合成数据的测试,验证了该模型的模糊性与可解释性;同时在常用的标准数据集上,通过与现有的聚类方法相比较,同样获得了较好的聚类效果.

基于对偶图正则化的多层概念分解算法

为了进一步挖掘数据间的隐藏信息,在多层概念分解算法的框架下,考虑每一层分解下的数据流形和特征流形,提出了一种基于对偶图正则化的多层概念分解算法。该算法通过对数据的逐层分解,以分层的方式学习,并在每一层分解数据中构建数据空间和特征属性空间的拉普拉斯图,用于反映数据流形和特征流形的多元几何结构信息,从而能够更好地从复杂数据中提取出更有效的特征。采用交替迭代的方法求解算法的目标函数并证明了算法的收敛性。通过在三个真实数据库(TDT2、PIE、COIL20)上的实验表明,该方法在数据的聚类表示效果方面优于其他方法。

带有局部坐标约束的半监督概念分解算法

概念分解(CF)算法是一种有效的图像表示算法,目前已经广泛应用于维数约简、特征提取、数据挖掘等机器学习领域中。然而,传统CF算法不能利用有效的标签信息,也不能学习数据的稀疏表示。为此,将局部坐标约束和数据有限的标签信息融入到CF模型中,提出了一种带有局部坐标约束的半监督的概念分解(SLCF)算法。SLCF算法利用局部坐标约束学习数据的稀疏性,数据标签约束矩阵能够保证同类标签的数据映射到低维空间中拥有相同的标签,从而提高了不同类间数据的识别能力。利用交替迭代更新方法对SLCF算法的模型进行求解,证明了算法的收敛性。在COIL20、Yale B以及MNIST数据库上的数值实验表明提出的SLCF算法是有效的,其聚类性能优于其他比较的算法。

基于稀疏约束和对偶图正则化的受限概念分解算法及在数据表示中的应用

概念分解算法(CF)是一种经典的数据表达方式,已经被广泛使用于机器视觉、模式识别等领域。基本的CF方法是一种无监督的学习算法,无法利用数据中存在的先验知识,没有考虑数据空间流形和特征空间流形的几何结构信息,同时分解结果也不具有稀疏性。为了解决以上缺陷,本文提出了一种基于稀疏约束和对偶图正则化的受限概念分解算法(DCCFS)。该算法通过保持样本数据空间和特征空间中内蕴的几何结构信息不变,使得算法可以更加有效提取数据的特征,增强了算法的数据表达能力;利用数据中天然存在的类别性息,增强算法的鉴别能力;添加LP平滑范数提高了算法的稀疏性,使得分解结果更加准确、平滑。在COIL20图像数据集、PIE人脸数据集以及TDT2文本数据集上的聚类实验证明本文提出的DCCFS的聚类性能优于其他同类算法。

基于超图正则化的概念分解及在数据表示中的应用

针对传统图模型的流形学习无法准确表达数据间多元几何结构信息的问题,提出一种基于超图正则化的概念分解(HRCF)算法.该算法用一组具有相似属性的数据子集构建超边,建立数据间高阶关系的超图模型.通过在概念分解算法中增加超图正则项,保持数据间多元几何流形结构,提高了算法的鉴别性.在Yale库、USPS库和TDT2库上的实验表明,HRCF算法明显提高了聚类的准确率和归一化互信息,验证了算法的有效性.

信息技术学科大概念的内涵特征与学习路径

本文提出,在教学中,教师只有真正把握学科大概念的本质内涵,以大概念为主线,理顺知识背后蕴含的内在关联和逻辑依据,形成以大概念为统领的结构化知识,才能对学生的思维进程进行引导,让学生在内容连贯的整体中构建知识,优化自己的知识结构,真正促进浅表学习到深度学习的转变,把所学的内容转化为解决问题的思路与方法,从而实现从知识到素养的转化。

用分解法降低极限概念的学习难度

极限概念是微积分的核心问题,理解掌握极限概念是学好高等数学的关键。由于极限概念极为抽象,学生难以理解,所以,极限概念始终是高等数学的教学难点。本文从极限概念的本质特征入手,分析极限概念的深层内涵,提出一种分解极限概念的教学方法,降低极限概念的抽象程度,使学生更容易理解掌握极限概念。

基于多元化理念下的初中生物重点概念教学策略分析

本研究针对初中生物教学中重要概念的理解和建构,探讨并实践了多元化有效措施。结合课堂实际,设计多元化的学习实践活动,如分解概念,引入本土资源和真实情境,以及主动探究等方式,帮助学生逐步构建次位概念,并深化对重要概念的理解。这些策略同时提升了学生的生物学核心素养,如观察、思考和解决问题能力。研究结果显示,此类多元化教学策略在重要概念的教学中具有显著效果。

借助概念“双线”推动 组建类文对比阅读

在统编教材“双线组元”背景下,借助“大概念”建构类文阅读的层级框架,利用“单元主题+任务群”分解概念,整合学习情境与学习任务,实现层级推进清晰,体现学生真实起点的教学评一致的教学设计。本文以统编高中语文必修下册《在<人民报>创刊纪念会上的讲话》《在马克思墓前的讲话》教学为例,探究“双线组元”背景下的大概念类文阅读教学策略。

谈中学思想政治课中的概念教学

概念是整个思想政治课的基石。在教学中,通过采用分解提炼、比较分析、举例说明、多角度讲解等多种方法帮助学生准确、完整、深入地理解和掌握概念,从而提高分析问题和解决问题的能力。

小学阶段生命科学领域核心概念解析

详细解析小学阶段生命科学领域的六个核心概念:同一性、多样性、适应性、能量、进化和稳态。根据小学教师和小学生的不同情况,列出它们的分解概念以及这些概念在小学科学课程中涵盖的事实性知识,为小学教师从核心概念的角度理解生命科学领域的知识并进行教学提供依据。