新奇检测综述

能够对异常信息进行检测是智能控制系统的基础能力,新奇检测是一类特殊的异常检测方法,其充分利用了正常数据来构建模型,在诸多智能系统中发挥着重要作用。该领域的综述,能够方便科研人员快速了解新奇检测领域的发展情况,找到适合自己的方法进行应用研究。根据新奇检测方法的基本原理,从基于距离、基于概率、基于域和基于重构四个方面进行了阐述。此外,还介绍了各方法的具体应用以及在经典数据集上的性能表现,并在最后进行了总结分析。研究结果表明,新奇检测方法在工业制造、网络安全、医疗等领域得到了较多应用,具有较好的适应性和广阔的应用前景。

基于Hellinger距离与词向量的终身机器学习主题模型

与传统的机器学习方法相比,终身机器学习能够有效利用知识库中积累的知识来提高当前学习任务的学习效果。然而经典的终身主题模型(LTM)在领域选择时缺乏偏向性,且在计算目标词的相似性时不能充分利用目标词的上下文信息。从词语和主题选择的角度提出改进模型HW-LTM,利用Word2vec词向量的余弦相似度和主题之间的Hellinger距离寻找相似度较大的词语和领域,实现在迭代学习中对词语和领域的更优选择和更有效的知识获取,同时通过预加载词向量相似度矩阵的方式解决词向量余弦距离的重复计算问题,利用Hellinger距离计算主题相似度,加快模型收敛速度。在京东商品评论数据集上的实验结果表明,HW-LTM模型表现优于基线主题挖掘模型,相比LTM模型,其topic coherence指标提升48,耗时缩短43.75%。

基于语义相似度改进的少样本终身主题模型

对于终身主题模型而言,先验知识的正确性对后续的建模任务起到了至关重要的作用.因此,提出了一种基于语义相似度改进的少样本终身主题模型SS-AMC(Semantic Similarity-AMC),利用BERT获取共现词对的词向量,计算其语义相似度,通过设置相似度阈值进而优化知识库中的先验知识,以提升少样本终身主题模型的性能.在中英文数据集上的实验结果表明,SS-AMC模型的主题一致性较基线模型有了明显的提升.