一种基于垂直分布的多决策表全局属性核求解算法

针对分布式环境下粗糙集理论研究的重要性,引入全局决策表和局部决策表的概念,并提出一种基于垂直分布的多决策表全局属性核求解算法.该算法可充分利用求得的局部不一致对象和局部差别矩阵,有效提高垂直分布的多决策表全局属性核求解效率.分析结果表明本文算法是有效的,可行的.

一种基于水平分布的多决策表全局属性核求解算法

针对全局决策表一致和不一致情况,探讨了全局属性核与局部属性核之间的关系,提出一种基于水平分布的多决策表全局属性核求解算法.该算法充分利用各局部属性核,且通过传送压缩的局部决策表可有效地减少网络通讯量,从而提高全局属性核求解的效率.算法分析结果表明,该算法是有效且可行的.

基于全局属性注意力神经过程模型的数据补全研究

注意力神经过程(Attentive Neural Process, ANP)模型采用生成模型的方法,以样本的任意局部上下文点为输入,输出整个样本的分布函数,从而模仿高斯过程回归完成数据补全任务。样本的属性信息可以为样本的生成提供重要信息,然而ANP模型忽略了对属性信息的使用。受条件变分自动编码机(CVAE)模型以标签为条件控制样本生成的启发,文中提出了全局属性注意力神经过程(Global-attribute Attentive Neural Process, GANP),将样本属性嵌入到编码器网络,从而使浅层变量隐含样本属性信息。同时,在解码器网络中加入样本属性作为特征,使模型的生成样本更为准确,特别是当输入上下文点数量稀少时,属性信息能够帮助模型生成更清晰、准确的样本。最后,从定性和定量两个方面证明了GANP性能的优越性,可以看出该模型扩展了NP家族模型的应用范围,从而更灵活、快速、准确地解决只有部分上下文信息时整个样本的数据补全问题。

基于代理训练集的属性推理攻击防御方法

本文首次提出针对属性推理攻击的有效防御方法.属性推理攻击可以揭示出用于训练公开模型的原始私有数据集中的隐私属性信息.现有研究已经针对不同的机器学习算法提出了多种属性推理攻击.这些攻击很难防御,一方面原因是训练有素的模型总是会记住训练数据集中的显性和隐性全局属性,另一方面原因在于模型提供者无法事先知道哪些属性将受到攻击从而难以有针对性地进行防御.为了解决这个问题,本文提出了一种通用的隐私保护模型训练方法,名为PPMT(Privacy Preserving Model Training).它以迭代的方式工作.在每次迭代中,PPMT构建一个代理数据集,并在该数据集而不是私有数据集上训练模型.虽然每次迭代会同时导致隐私性的提升和功能性的降低,但隐私性的提升呈快速指数级,而功能性的降低则是缓慢线性的.经过多次迭代,PPMT在模型功能性的约束下最大化全局属性的隐私性,并生成最终的模型.本文选择了两种代表性的机器学习算法和三个典型的数据集来进行实验评估PPMT所训练出模型的功能性、隐私性和鲁棒性.结果显示,使用PPMT训练出的模型,在全局属性上会以不同速度朝不同方向改变,在功能性上的平均损失为1.28%,在超参数α保密的情况下被可能攻击倒推的成功率仅有22%~33%.这说明,PPMT不仅能保护私有数据集的全局属性隐私性,而且能保证模型有足够的功能性,以及面对可能攻击的鲁棒性.

基于非对称变邻域粗糙集模型的属性约简

在分析邻域粗糙集模型弊端的基础上,提出了非对称变邻域粗糙集模型,并以全局属性重要度为启发条件,构造了基于非对称变邻域粗糙集模型的属性约简的启发式算法。利用6个UCI标准数据集与现有算法进行了比较分析,结果表明,该模型不仅可以选择较少的属性个数,而且还能保持较高的分类能力。

垂直分布多决策表下基于条件信息熵的近似约简

目前粗糙集理论研究主要针对单个决策表,而有关分布式环境下的核求解和属性约简研究的报道不多,为此提出垂直分布多决策表下基于条件信息熵的近似约简算法.该算法在各局部站点并行求相应的条件信息熵,并通过传送部分等价类的策略,可有效降低通讯代价,提高垂直分布多决策表下基于条件信息熵的近似约简效率.算法分析和实验结果表明,所提出的算法是有效可行的.

网络药理学研究中的网络分析技术

网络分析技术是网络药理学研究中的核心技术,通过整合多种学科理论技术对网络药理学研究中相关的分子网络进行多角度多层次的信息挖掘,以准确、客观地查询出能够产生特定药理作用的成分或成分组合、药物或药物组合,以及具有特定生理功能的关键节点、模块等,从而为新药研发、药物作用机制揭示、疾病机制阐释、生物标志物指明等提供有指导价值的信息,尤其对于以阿尔茨海默病为代表的复杂性疾病研究意义更加突出。本文对近年来网络药理学研究中常用的网络分析技术进行了综述。

面向复杂产品的智能设计及成本估算模型

针对基于实例设计方法应用于复杂产品时难以实现相似实例搜索、修改和产品成本估算的问题,提出一种通过建立产品的全局特征属性建立产品功能属性与全局特征属性映射关系的方法。全局特征属性包括产品结构的几何属性、材料属性和制造属性。基于多级神经网络建立功能属性与全局特征属性之间的映射模型,并在此基础上建立了适合复杂产品的智能设计和成本估算模型,实现了复杂物理结构相似性评价、适应性修改方案自动生成和新产品的成本估算。论述了全局特征属性的描述方法、映射模型的构建方法和基于距离的相似实例搜索方法。结合实例验证了模型的可行性,为复杂产品智能设计提供了技术支持。

粗集特征选择的人脸识别算法

提出基于粗糙集理论属性全局重要度的特征选择方法改进人脸识别中的特征向量的表征能力。以PCA方法得到的特征向量为基础,给出粗糙集的单个特征和特征子集的属性类间分类重要度和属性类内相似重要度的概念。提出基于属性类间分类重要度的属性约简方法,并用属性类内相似重要度进行最后的特征选择,得到进行人脸图像识别分类器的特征向量。新的特征提取方法完全依赖数据本身的先验知识,可选择出最优的特征组合,提高人脸识别率。实验结果表明,与其他方法相比该方法是有效的。

基于条件循环生成对抗网络的人脸姿态重建

人脸姿态重建对于解决由于人脸姿态导致的人脸识别率降低的问题有重要意义,由于自遮挡,缺少大部分的人脸特征,重建正面人脸存在很大困难。近年来运用生成对抗网络的图像生成方法得到学界深入的研究,受生成对抗网络在人脸肤色,头发等属性变换等方面研究工作的启发,将人脸偏转角度作为人脸的一种全局姿态属性进行基于生成对抗机制的互换训练,提出了一种基于条件循环生成对抗网络(CC-GAN)的姿态重建方法,在FERET数据库上生成的人脸图像结构相似度达到了0.75,峰值信噪比达到了23.27 dB,均优于当前的其他方法,取得了良好的人脸重建效果。