基于全流程并行遗传算法的贝叶斯网络结构学习

为解决海量数据情况下学习贝叶斯网络(Bayesian network,BN)结构的算法性能急剧降低问题,基于Spark框架设计了一种全流程并行遗传算法用于BN结构学习(简称为SparkGA-BN)。SparkGA-BN包含互信息计算并行化、遗传算子并行化和适应度评分并行化3个部分。互信息并行计算可以高效减少搜索空间;在演化前增加对种群信息与选择信息的广播来对全种群执行选择操作。选择与交叉算子共用选择信息以并行执行,从而高效演化并减少数据落盘时间。对约束和评分两阶段产生的中间数据作记忆化存储,提升数据复用率和全局执行效率。实验结果表明,所提算法在执行效率和学习准确率方面均优于对比算法。

结合扩散模型图像编辑的图文检索后门攻击

深度神经网络在模型训练阶段易受到后门攻击,在训练图文检索模型时,如有攻击者恶意地将带有后门触发器的图文对注入训练数据集,训练后的模型将被嵌入后门。在模型推断阶段,输入良性样本将得到较为准确的检索结果,而输入带触发器的恶意样本会激活模型隐藏后门,将模型推断结果恶意更改为攻击者设定的结果。现有图文检索后门攻击研究都是基于在图像上直接叠加触发器的方法,存在攻击成功率不高和带毒样本图片带有明显的异常特征、视觉隐匿性低的缺点。提出了结合扩散模型的图文检索模型后门攻击方法(Diffusion-MUBA),根据样本图文对中文本关键词与感兴趣区域(ROI)的对应关系,设计触发器文本提示扩散模型,编辑样本图片中的ROI区域,生成视觉隐匿性高且图片平滑自然的带毒训练样本,并通过训练模型微调,在图文检索模型中建立错误的细粒度单词到区域对齐,把隐藏后门嵌入到检索模型中。设计了扩散模型图像编辑的攻击策略,建立了双向图文检索后门攻击模型,在图-文检索和文-图检索的后门攻击实验中均取得很好的效果,相比其他后门攻击方法提高了攻击成功率,而且避免了在带毒样本中引入特定特征的触发器图案、水印、扰动、局部扭曲形变等。在此基础上,提出了一种基于目标检测和文本匹配的后门攻击防御方法,希望对图文检索后门攻击的可行性、隐蔽性和实现的研究能够抛砖引玉,推动多模态后门攻防领域的发展。

人工智能技术赋能大型仪器设备开放共享研究

为提高大型仪器设备开放共享的智能化水平和开放共享效益,充分发挥人工智能技术的赋能作用,该文提出“测力”“测据”“测法”概念。在大仪开放共享的全生命周期,借助人工智能技术形成包括基于机器学习的大仪平台布局、虚拟现实融合的大仪培训体系、自然语言处理的大仪标准操作规程、知识图谱赋能的测试方法应用创新,结合工作实践验证了该方法论的效能、适用性和体系贡献。

基于聚类锦标赛与父代匹配的遗传规划算法

在遗传规划算法中,种群多样性在避免早熟收敛方面有重要作用,通过控制种群多样性改进算法是遗传规划算法的研究热点。从多样性角度改进算法的选择机制,提出一种基于聚类锦标赛与父代匹配的遗传规划算法。通过聚类将种群划分为多个子种群,从而调整算法的选择压力以维持种群多样性,提高算法的搜索能力。此外,提取个体的二进制特征,利用局部匹配对父代进行针对性交叉操作,从父代成对多样性的角度实现算法在探索和开发之间的较好平衡。对不同基准问题进行了多个对比实验,实验结果表明所提算法在种群多样性上有较大改善,在寻优能力和收敛速度上均取得了较好的提升。

一种基于相关性特征融合的乳腺图像感兴趣区域检测方法

乳腺图像的感兴趣区域(region of interest,ROI)检测是计算机辅助诊断乳腺疾病的第一步,检测效果的提升对减小误诊率有重要的作用.传统方法往往提取单独的视觉特征来描述乳腺图像,通过分类的方法找出包含肿块的区域.然而由于乳腺图像内容丰富结构复杂,使用单一的底层视觉容易忽视特征间的相互联系.提出基于相关性特征融合的乳腺图像ROI检测框架(multi-cue integration detection,MCID),通过引入乳腺图像的相关性特征,并与乳腺图像局部视觉特征相融合,辅助乳腺图像ROI的检测,以提高检测准确性.乳腺图像ROI检测实验表明,MCID可提高肿块检测的准确性.

面向网络社交媒体的少样本新冠谣言检测

在社交媒体上发布和传播有关新冠的谣言对民生、经济、社会等都产生了严重影响,因此通过机器学习和人工智能技术开展新冠谣言检测具有重要的研究价值和社会意义。现有谣言检测研究,一般假定进行建模和预测的事件已有充足的有标签数据,但对于新冠这类突发事件,由于可训练样本较少,所以此类模型存在局限性。该文聚焦少样本谣言检测问题,旨在使用极少的有标签样例训练可检测突发事件的谣言检测模型。该文以新浪微博的新冠谣言为研究对象,构建适用于少样本谣言检测的新浪微博新冠谣言数据集,提出基于元学习的深度神经网络少样本谣言检测模型。在少样本机器学习场景下,该模型在新冠谣言数据集、PHEME公共数据集上的实验结果均有显著的性能提升。

基于差分进化邻域自适应的大规模多目标算法

对于大规模决策变量给求解大规模多目标优化问题带来的难以收敛及解集分布不均匀问题,通过分析变量特征将其分类再分别优化是当前较为有效的求解方法,但存在变量分类不够准确、变量处理不够有针对性等不足。对此,提出一种基于差分进化邻域自适应策略的大规模多目标优化算法。首先,通过分析扰动解的支配关系将混合变量分为多样性变量和收敛性变量,使变量分类更为准确。其次,通过对收敛性变量主成分分析降噪,降低计算成本,并设计种群的交替进化策略及差分进化的邻域自适应更新操作以提升种群进化过程中的收敛性。实验结果表明,所提算法在收敛速度和解集的分布均匀性上表现出良好的性能。

基于多起点和Mask策略的深度强化学习算法求解覆盖旅行商问题

覆盖旅行商问题(covering salesman problem,CSP)是旅行商问题的变体,在防灾规划、急救管理中有着广泛应用.由于传统方法求解问题实例耗时严重,近年来深度神经网络被提出用于解决该类组合优化问题,在求解速度和泛化性上有明显的优势.现有基于深度神经网络求解CSP的方法求解质量较低,特别在大规模实例上与传统的启发式方法相比存在较大差距.针对上述问题,提出一种新的基于深度强化学习求解CSP的方法,由编码器对输入特征进行编码,提出新的Mask策略对解码器使用自注意力机制构造解的过程进行约束,并提出多起点策略改善训练过程、提高求解质量.实验结果表明,所提方法对比现有基于深度神经网络的求解方法进一步缩小了最优间隙,同时有着更高的样本效率,在不同规模和不同覆盖类型的CSP中展现出更强的泛化能力,与启发式算法相比在求解速度上有10~40倍的提升.