InterDroid:面向概念漂移的可解释性Android恶意软件检测方法

针对Android恶意软件检测存在特征引入过程主观性高、特征选择过程可解释性差、训练模型检测效果不具备时间稳定性的问题,提出了一种面向概念漂移的可解释性Android恶意软件检测方法InterDroid,该方法首先通过高质量的人工Android恶意软件分析报告引入权限、API包名、意图、Dalvik字节码4种特征.并通过自动化机器学习算法TPOT(tree-based tipeline optimization tool)获得InterDroid训练及对比算法,从而摒弃传统方法中繁复的模型选择与参数调整过程.其后,融入模型解释算法SHAP(shapley additive explanations)改进传统的特征包装方法,从而获得对分类结果具有高贡献度的特征组合用于检测模型训练.最后,通过曼惠特尼U(Mann-Whitney U,MWU)与机器学习模型的双重检验证明概念漂移现象在Android恶意软件检测中的存在性.并基于联合分布适配(joint distribution adaptation,JDA)算法提高检测模型对新时期Android恶意软件的检测准确率.实验表明:InterDroid筛选出的特征组合具备稳定性与可解释性.同时,InterDroid中的特征迁移模块可将自身对2019年、2020年新兴Android恶意软件的检测准确率分别提高46%,44%.

一种基于局部分类精度的概念漂移数据流分类算法

概念漂移数据流分类是一个极具挑战性的问题。当新概念出现时,该概念下的学习样本过少,无法对分类器进行及时调整,进而导致分类精度不高。为了解决该问题,本文提出一种基于局部分类精度的概念漂移数据流分类算法——LA-MS-CDC。第一,LA-MS-CDC将k-means聚类和局部分类精度算法结合,从分类器池中挑选出最优源领域分类器;第二,将最优源领域分类器与目标领域分类器加权集成,进而对样本分类;第三,根据分类样本的真实标签分别计算各分类器的损失,并对目标领域和源领域的分类器权重进行更新;第四,再利用该分类样本对目标领域分类器、最优源领域分类器进行更新;最后,完成分类器池的更新。在公开数据集上的实验结果表明,LA-MS-CDC能够有效地将源领域知识迁移到目标领域,与现有方法相比,其分类效果具有显著性提升。算法代码可在https://gitee.com/ymw12345/LAMSCDC上获取。

迁移学习研究进展

近年来,迁移学习已经引起了广泛的关注和研究.迁移学习是运用已存有的知识对不同但相关领域问题进行求解的一种新的机器学习方法.它放宽了传统机器学习中的两个基本假设:(1)用于学习的训练样本与新的测试样本满足独立同分布的条件;(2)必须有足够可利用的训练样本才能学习得到一个好的分类模型.目的是迁移已有的知识来解决目标领域中仅有少量有标签样本数据甚至没有的学习问题.对迁移学习算法的研究以及相关理论研究的进展进行了综述,并介绍了在该领域所做的研究工作,特别是利用生成模型在概念层面建立迁移学习模型.最后介绍了迁移学习在文本分类、协同过滤等方面的应用工作,并指出了迁移学习下一步可能的研究方向.

基于在线迁移学习的重现概念漂移数据流分类

随着大数据时代的到来,数据流分类被应用于诸多领域,如:垃圾邮件过滤、市场预测及天气预报等.重现概念是这些应用领域的重要特点之一.针对重现概念的学习与分类问题中的"负迁移"和概念漂移检测的滞后性,提出了一种基于在线迁移学习的重现概念漂移数据流分类算法——RC-OTL.RC-OTL在检测到概念漂移时存储刚学习的一个基分类器,然后计算最近的样本与存储的各历史分类器之间的领域相似度,以选择最适合对后续样本进行学习的源分类器,从而改善从源领域到目标领域的知识迁移.另外,RC-OTL还在概念漂移检测之前根据分类准确率选择合适的分类器对后续样本分类.初步的理论分析解释了RC-OTL为什么能有效克服"负迁移",实验结果进一步表明:RC-OTL的确能有效提高分类准确率,并且在遭遇概念漂移后能更快地适应后续样本.

审美概念学习效应与迁移的逻辑线路探究

以 49名小学四年级学生和 30名大学教师及研究生为实验对象 ,采用SMSD模式进行审美概念学习 ,结果发现这两组被试的审美理解和感受水平都有显著提高。对大学教师研究生组再作前审美概念 (已学概念 )之于后审美概念 (未学概念 )各因素影响情况的回归分析 ,得到四个回归方程 ,据此绘制出SMSD模式审美概念学习迁移模型图 ,归纳出平行迁移、纵向迁移、交叉迁移、小巡回迁移、大巡回迁移等若干逻辑线路。

医学图像语义概念识别方法研究

医学图像语义概念识别是医学图像知识表示的重要技术环节。研究医学图像语义概念识别方法,有助于机器理解和学习医学图像中的潜在医学知识,在影像辅助诊断和智能读片等应用中发挥重要作用。将医学图像的高频概念识别问题转化为多标签分类任务,利用基于卷积神经网络的深度迁移学习方法,识别有限数量的高频医学概念;同时利用基于图像检索的主题建模方法,从给定医学图像的相似图像中提取语义相关概念。国际跨语言图像检索论坛ImageCLEF于2018年5月组织ImageCLEFcaption 2018评测,其子任务'概念检测'的目标是给定222 314张训练图片和9 938张测试图片,识别111 156个语义概念。上述两种方法的实验结果已被提交。实验结果表明,利用基于卷积神经网络的深度迁移学习方法识别医学图像高频概念,F1值为0.092 8,在提交团队中排名第二;基于图像检索的主题模型可召回部分低频相关概念,F1值为0.090 7,然而其性能依赖于图像检索结果的质量。基于卷积神经网络的深度迁移学习方法识别医学图像高频概念的鲁棒性优于基于图像检索方法的鲁棒性,但在大规模开放语义概念的识别技术研究上仍需进一步完善。

古诗英译中意境美的再现——以翻译美学为视角

翻译与美学的结合已成为翻译研究的一种方向。在翻译美学理论的指导下,从审美主体,审美客体、审美再现三方面论述中国古典诗歌中的意境美如何在英译中得到完美呈现。

英国人的语言审美与“移位修饰语”的语用语境

运用"移位修饰语"修辞手法是英国人语言审美追求的表达方式之一,英国人追求语言中的意境含蓄美、形象动感美、简洁明了美、情感丰富美和意外创新美。"移位修饰语"的运用给英语语言增添了无穷色彩。

改进概念相似度的本体迁移学习

提出了一种改进候选相似概念集选取方法,滤除了没有计算意义的概念.进而根据本体中概念的特点和信息内容提出了一种改进概念相似度计算方法,最后使优化本体能够迁移学习.实验结果证明了该方法对概念相似度的计算有效,本体能够成功迁移学习.

从复制主义到寓学于美:视听学习资源开发观的异化与回归

我国视听学习资源开发领域显现出一种复制主义的观念异化倾向,这种异化对资源开发过程、资源呈现方式以及资源利用效率等方面产生了一些负面影响。同时,这种异化还引发了资源评价的片面化、开发主体的边缘化、技术价值的消解等深层次危机。因此,有必要反思视听学习资源开发观,将其回归至肇始之初的感性教育理念。提出建构"寓学于美"的视听学习资源开发美育观:通过实施"寓学于美"的资源开发途径,实现创制具有"学美与共"属性的视听学习资源。

面向概念漂移的数据流分类研究分析

随着大数据、物联网技术应用不断深入,数据流产生场景逐渐增多,对数据流分类挖掘成为研究热点.数据流具备时序特性,存在概念漂移现象,导致传统数据流分类模型无法直接迁移到新环境.文中首先分析集成学习、增量学习在具有概念漂移的数据流分类中的应用研究,同时讨论了如何利用主动学习、半监督学习和迁移学习解决数据流分类中样本标注难题.最后对具有概念漂移的数据流分类存在问题及发展趋势进行分析,提出进一步研究方向.

基于语义感知的图像美学质量评估方法

当前图像美学质量评估的研究主要基于图像的视觉内容来给出评价结果,忽视了美感是人的认知活动的事实,在评价时没有考虑用户对图像语义信息的理解。为了解决这一问题,提出了一种基于语义感知的图像美学质量评估方法,将图像的物体类别信息以及场景类别信息也用于图像美学质量评估。运用迁移学习的思想,构建了一种可以融合图像多种特征的混合网络。对于每一幅输入图像,该网络可以分别提取出其物体类别特征、场景类别特征以及美学特征,并将这三种特征进行高质量的融合,以达到更好的图像美学质量评估效果。该方法在AVA数据集上的分类准确率达到89.5%,相对于传统方法平均提高了19.9%,在CUHKPQ数据集上的泛化性能也有了很大提升。实验结果表明,所提方法在图像美学质量评估问题上,能够取得更好的分类性能。

概念漂移数据流分类中的多源在线迁移学习算法

现有概念漂移处理算法在检测到概念漂移发生后,通常需要在新到概念上重新训练分类器,同时"遗忘"以往训练的分类器。在概念漂移发生初期,由于能够获取到的属于新到概念的样本较少,导致新建的分类器在短时间内无法得到充分训练,分类性能通常较差。进一步,现有的基于在线迁移学习的数据流分类算法仅能使用单个分类器的知识辅助新到概念进行学习,在历史概念与新到概念相似性较差时,分类模型的分类准确率不理想。针对以上问题,文中提出一种能够利用多个历史分类器知识的数据流分类算法——CMOL。CMOL算法采取分类器权重动态调节机制,根据分类器的权重对分类器池进行更新,使得分类器池能够尽可能地包含更多的概念。实验表明,相较于其他相关算法,CMOL算法能够在概念漂移发生时更快地适应新到概念,显示出更高的分类准确率。

审美感性水平对中学生审美概念学习及迁移的影响

本研究运用科学实证的方法探讨了审美感性水平的高低对中学生审美概念学习及迁移的影响作用,即审美感性对于审美理性的影响作用。结果表明:(1)中学生审美感性水平的高低显著影响了审美概念的学习及迁移;(2)审美感性的"审美联想"因子是普遍影响中学生审美概念学习和迁移的显著因子,而"审美想象"因子则是对中学生审美概念的迁移效应有显著影响的因子。

基于迁移学习的数据流分类研究综述

数据流分类作为数据挖掘领域中的一个重要分支,能够获取数据流中有价值的信息,已成为当下研究热点之一.由于数据流固有特性导致传统的数据流分类方法面临较多难题,如样本标注和概念漂移等.本文分析了增量式和集成式的数据流传统分类方法的优缺点,在此基础上阐述迁移学习在数据流分类中的可行性和当前的研究进展,归纳出基于迁移学习的数据流分类研究的主要关键问题,指出进一步研究方向.

视觉概念学习方法研究进展

计算机视觉的核心问题是寻找视觉概念的层次化与结构化表示.以深度学习为代表的连接主义方法能够学习到输入图像数据的分层表示,这个表示具有优异的类内不变性与类间区分性,带来了视觉目标分类问题的突破式进展.而以图像随机语法模型为代表的逻辑主义方法试图基于先验知识和输入图像数据得到视觉概念的层次化与结构化表示,进而实现像人类一样的概念迁移学习,从更一般的意义上解释视觉现象.综述了两类方法各自的一些代表性工作,分析了其主要思路与各自的优缺点.分析认为,两类方法具有明显的互补性,在概率图模型框架下将两类方法综合是未来视觉概念学习的一个重要发展方向.

深度卷积神经网络嵌套fine-tune的图像美感品质评价

针对使用卷积神经网络对图像美感品质研究中图像数据库过小的问题,使用fine-tune的迁移学习方法,分析卷积神经网络结构和图像内容对图像美感品质评价的影响。在按图像内容进行美感品质评价研究时,针对图像数据再次减小的问题,提出连续两次fine-tune的嵌套fine-tune方法,并在数据库Photo Quality上进行试验。试验结果表明,嵌套fine-tune方法得到的美感品质评价正确率比传统提取人工设计特征方法平均高出5.36%,比两种深度学习方法分别平均高出3.35%和2.33%,有效解决了卷积神经网络在图像美感品质研究中因图像数据库过小而带来的训练问题。