结合三元组重要性的知识图谱补全模型

知识图谱是人工智能方向的一个热门研究领域。知识图谱补全是在给定头实体或者尾实体以及相应关系的条件下,补全缺失实体。基于翻译的模型如TransE,TransH和TransR是最常用的一类知识图谱补全方法。然而,大多数现有的补全模型在补全过程中都忽略了知识图谱中三元组重要性的特征。文中提出了一种新型的知识图谱补全模型ImpTransE,该模型考虑了三元组中的重要性特征,设计了实体重要性排序方法KGNodeRank和多粒度关系重要性估计方法MG-RIE,分别对实体重要性和关系重要性进行估计。具体来说,KGNodeRank通过同时考虑关联结点的重要性及其重要性传递方向的概率来估计实体结点的重要性排名。MG-RIE则同时考虑了关系的一阶重要性和高阶重要性,从而对关系的总体重要性进行合理估计。ImpTransE同时考虑了三元组的实体重要性和关系重要性特征,使其在学习过程中对于不同的三元组信息可赋予不同的关注程度,提高了模型的表示学习性能,从而达到了更好的补全效果。实验结果表明,在两类知识图谱数据集中与5种对比模型相比,ImpTransE模型在大部分指标上均具有最佳的补全性能,对不同数据集的补全效果获得了一致的提升。

面向多畸变稳健性的图像归因算法

随着多媒体编辑软件和生成式神经网络的发展,数字图像的可信度正在不断削弱。作为一种新兴的溯源式取证技术,图像归因回溯需分析图像的可信源和可视化图像的编辑性改变,因而能够有效对抗恶意篡改并辅助群体和个人对图像信息形成正确判断。但是目前的图像归因方法对网络空间中常见的几何变形和信号压缩表现不够稳定,特别是对于图像同时包含多种畸变的情况。为此,文章提出一种多畸变稳健的图像归因方法,该方法基于一种正交且协变的图像局部表征策略,具有对多种几何变换和信号损失的稳健性,同时设计了面向稀疏域和稠密域表征任务的两种快速计算方案。由此形成的图像归因方法能够有效回溯可信数据库中的近重复图像源,矫正待分析图像的几何姿态,并可视化潜在的图像篡改区域。该方法对网络空间中的多种良性变换具有稳健性,同时保持对恶性内容篡改的敏感性。仿真结果表明,该方法具有更优的篡改检测稳健性和综合检测精度,同时具有更优的特征紧凑性和实现成本。

基于通道间相关性的图像重着色检测

图像重着色是一种新兴的图像编辑技术,通过篡改像素值达到改变图像颜色风格的目的。随着社交网络和图像编辑技术的快速发展,重着色图像已经严重阻碍了信息传达的真实性。然而,专门为重着色而设计的工作少之又少,现有的重着色检测方法在传统重着色场景下仍有很大提升空间,在应对手工重着色图像时效果不佳。为此,提出了一种基于通道间相关性的重着色图像检测方法,该方法适用于重着色任务中的传统重着色和手工重着色场景。基于相机成像和重着色图像生成方式之间存在显著差异这一现象,提出重着色操作或许会破坏自然图像的通道间相关性这一假设。通过数值分析说明,通道间相关性差异可作为区分重着色图像和自然图像的重要鉴别度量。基于上述先验知识,所提方法通过提取差分图像的一阶微分残差的通道共生矩阵,获得图像的通道间相关性特征集。此外,根据实际情况,假设了3种检测场景,包括训练-测试数据之间匹配、不匹配以及手工重着色场景。实验结果表明,所提方法能够准确识别重着色图像,在假设的3种场景下均优于现有方法,取得了较高的检测精度。除此之外,所提方法对训练数据量的依赖性较小,在训练数据有限的情况下,能实现相当精确的预测结果。