基于邻域关系感知图神经网络的DDI预测

研究药物的相互作用DDI有助于临床用药与新药研发。现有的研究技术没有充分考虑药物知识图谱中药物实体与其他药物、靶标和基因等实体的拓扑结构,以及实体之间不同关系的语义重要性。针对这些问题,提出基于邻域关系感知的图神经网络模型NRAGNN预测药物的相互作用。首先,使用图注意力学习不同关系边的权重与特征表示,强化药物实体的语义特征;然后,生成药物实体周围不同层的邻域表示,捕获药物实体的拓扑结构特征;最后,将2种药物特征表示向量进行逐元素相乘得到药物相互作用分数。实验预测结果表明,提出的NRAGNN模型在KEGG药物数据集上的ACC、AUPR、AUC-ROC和F1指标分别达到了0.8994,0.9444,0.9567和0.9023,优于当前的其他模型。

顾及邻域相关关系的改进PointNet++网络点云分类应用

机载扫描系统可以快速准确地获取大范围地物坐标,具有无可比拟的优势。机载点云具有其自身的特点,而采用PointNet++网络处理时未能依据机载点云的特点进行设计,其分类精度仍有待提高。鉴于此,提出了一种改进PointNet++网络,该网络将邻域点特征和邻域点间关系特征进行采集,并采用CRF算法对预测值进行全局优化用以增强空间一致性。通过选用ISPRS三维语义分割数据集对改进模型进行了测试,实验结果表明,改进PointNet++网络丰富了机载点云特征的描述,具有较高的分类精度。该成果可为三维地理信息提取提供有力保障。

基于邻域关系模糊粗糙集的医学图像分类研究

对医学图像进行分类时,特征选择是影响分类准确率的非常重要的因素。针对医学图像的特殊性,以及目前提出的特征选择算法在应用于医学图像分类时效果不够理想等问题,提出一种基于邻域关系的模糊粗糙集模型,基于该模型给出特征选择算法,并将其应用于乳腺X光图像。实验结果表明,同已有的算法相比,该方法能有效选择特征,分类精度有较大的提升。

基于邻域关系的知识粒度增量式属性约简算法

为了在邻域型信息系统下进行增量式属性约简的研究,采用邻域知识粒度构造出一种邻域型信息系统的增量式属性约简算法.首先将信息系统的知识粒度在邻域型信息系统下进行推广,提出了邻域知识粒度;然后针对属性增加的情形,研究了邻域知识粒度的增量式更新机制;最后基于这种机制设计出了相应的增量式属性约简算法.实验分析表明所提出的增量式算法具有较高的动态属性约简性能.

基因表达数据在邻域关系中的特征选择

基因特征选择是基因表达数据分析中的一种重要方法。粗糙集是一种处理不确定性、不一致性、不精确性数据的有效分类工具,其特点是保持基因表达数据集的分类能力不变,进行基因特征选择。为了避免传统粗糙集特征选择方法所必需的离散化过程带来的信息损失,将邻域粗糙集特征选择方法应用于基因的特征选取,提出了基于邻域粗糙集的基因选择方法。该方法从所有特征出发,根据特征重要度逐步删除冗余的特征,最后得到关键特征组进行分类研究。在2个标准的基因表达数据集上进行特征选取,并进行了分类实验,实验结果表明该方法是有效可行的。

基于邻域关系矩阵的电力大数据增量式属性约简研究

电力大数据具有规模大、生成速度快和动态性等特点,数据之间的邻域关系难以界定,导致运算量增加,因此提出基于邻域关系矩阵的电力大数据增量式属性约简方法。将邻域关系集合转换为邻域关系矩阵,结合排序思想和邻域关系矩阵自身的特性优化单属性邻域关系矩阵,在此基础上设置矩阵启发信息。计算各属性邻域关系矩阵,逐次添加条件属性并对属性相关程度进行计算,结合属性重要程度选择属性放至约简子集合,迭代整个过程,一直到重要程度不再发生变化,实现电力大数据增量式属性约简。实验结果显示,研究方法的约简运算时间短,约简效果更好,更具可靠性。

基于邻域关系的网络入侵检测特征选择

入侵检测数据集具有数据量大、特征数众多、连续型数据的特点。粗糙集是一种有效处理不确定性、不一致性、海量数据的有效分类工具,其特点是保持入侵检测数据集的分类能力不变,进行特征选择。为了避免传统粗糙集特征选择方法所必需的离散化过程带来的信息损失,引入邻域粗糙集模型,提出基于邻域关系的网络入侵检测数据特征选择方法。该方法从所有特征出发,根据特征重要度逐步删除冗余的特征,最后得到关键特征组进行分类研究。在CUP99入侵检测数据集上进行特征选择,并进行了分类实验,实验结果表明该方法是有效可行的。

基于邻域关系模糊粗糙集的分类新方法

针对目前模糊等价关系所诱导的模糊粗糙集模型不能准确地反映模糊概念范畴中数值属性描述的决策问题,提出一种基于邻域关系的模糊粗糙集模型NR-FRS,给出了该粗糙集模型的相关定义,在讨论模型性质的基础上进行模糊化邻域近似空间上的推理,并分析特征子空间下的属性依赖性;最后在NR-FRS的基础上提出特征选择算法,构建使得模糊正域增益优于具体阈值的特征子集,进而剔除冗余特征,保留分类能力强的属性。采用UCI标准数据集进行分类实验,使用径向基核函数(RBF)支持向量机作为分类器。实验结果表明,同基于邻域粗糙集的快速前向特征选择方法以及核主成分分析方法(KPCA)相比,NR-FRS模型特征选择算法所得特征子集中特征数量依据参数变化更加平缓、稳定。同时平均分类准确率提升最好可以达到5.2%,且随特征选择参数呈现更加平稳的变化。

TransREF:一种改进的基于邻域信息的知识表示模型

近年来,知识表示学习在智能推荐、智能问答,以及智能检索方面发挥了关键性作用,受到了广泛关注。知识表示学习旨在借助实体与关系的低维嵌入,将语义信息向量化,通过数学公式进行知识的推理。在众多知识表示学习模型中,TransE由于评分函数参数较少、计算复杂度低、计算效率高,被认为是最有前途的模型。然而,TransE在处理除一对一以外的复杂关系时,存在一定的局限性。为了解决这个问题所带来的困扰,提高知识嵌入的质量,本文提出了一种改进的基于翻译模型的知识表示模型TransREF。首先,借助关系矩阵投影,实现对实体和关系的嵌入;其次在原有向量的基础上加入关系邻域,增强模型的学习能力。在模型被训练期间,对于语义相似度高的实体,通过概率法实现对头实体与尾实体的替换,进而生成的较高质量的负例三元组,并且在选择关系邻域节点时采用五点随机法。最后,选择英文词典WordNet的子集WN18和Freebase子集FB15K上进行相关链接预测实验,之后在3个公开数据集WN11、FB13、FB15K开展三元组分类的实验。结果表明,相较于TransE、TransH,TransREF在MeanRank、Hits@10,以及ACC指标上都有较好的性能改善,证明了TransREF的有效性。

基于注意力机制和多关系事件的时序知识图谱推理

时序知识图谱推理是将时序信息引入知识表征学习和知识推理任务中,旨在推断事件在未来的演变趋势.针对大多数时序知识图谱推理方法存在跨时间实体与关系推理能力有限的问题,提出基于多关系事件和注意力机制的时序知识图谱推理模型(Attention Events Network,Attn-Net).为利用时序知识图谱中推理任务与时序事件的关联信息,往往需要设计专门的、复杂度高的时序编码器.然而循环神经网络作为最常用的一类序列编码器,忽略了序列节点与任务之间的关联程度,并不能很好适用于知识推理.文中提出了使用自注意力机制序列编码模型来融合序列的历史信息,计算推理任务与时序历史信息的注意力标量,从而得到更准确的历史事件关联信息编码.在此基础上,使用注意力机制优化多关系邻域聚合器,根据不同关系下事件关注程度计算得到实体的邻域表示,从而获得更准确的事件编码,最终获取了更准确的实体邻域向量表示.在WIKI和YAGO数据集上实验表明,Attn-Net的效果分别提升了1.5%和2%,且有效提高了时序知识图谱推理的能力.

广义邻域关系下不完备混合决策系统的约简

为了能够直接处理不完备的、数值和符号混合的数据,对相容关系和相对邻域关系进行广义化表示,提出一种新的广义邻域关系。在广义邻域关系下,基于信息熵提出一种适用于不完备混合决策系统的条件熵,并证明基于该条件熵的属性重要性包含基于正区域的属性重要性,进而构造基于该条件熵的启发式属性约简算法。采用UCI数据库中6组混合型属性数据集进行仿真实验,通过对比约简后的属性数目、分类精度和运行时间,验证了该约简算法比同类型的其它算法更准确有效。

基于限制邻域关系的不完备混合决策系统属性约简

针对经典粗糙集不能直接处理决策系统中既含有属性值缺失的不完备问题又同时具有名义型属性和数值型属性的混合数据问题,提出一种限制邻域关系,并给出了一套不完备混合决策系统属性约简算法。该算法以条件熵作为启发因子,弥补将决策正域作为启发因子时可能会出现选不出第一个最重要属性的不足,并利用所提的限制邻域关系直接处理不完备混合型数据,从而省去了对不完备数据进行数据补齐或删除和对数值型数据进行离散化的过程,以减少这些数据预处理所带来的不确定性,最后通过对UCI的不完备混合型数据集进行仿真实验,从而验证了该算法在保持或改善分类能力的情况下可以有效地约简冗余属性,并且讨论了在限制邻域关系中的阈值选择对分类结果的影响。

一种基于邻域关系和模糊决策的特征选择方法

数据特征空间的高维性使得学习过程耗费了相对较多的时间,而且可能影响分类性能.邻域粗糙集模型可以用来解决特征选择问题,但该模型未能描述现实存在的样本的模糊性,可能导致信息的丢失.因此,建立了一种新的单标记特征选择模型,采用两种不同的隶属度计算方法获得样本对等价类的模糊隶属度,将每个等价类中最小隶属度值作为隶属度阈值.然后利用邻域样本隶属度与阈值的关系重新定义邻域粗糙上、下近似,进而通过衡量决策属性对特征子集依赖度的大小进行特征选择.在七个公开的UCI数据集上进行了实验,实验结果表明,与已有的几种特征选择方法相对比,分类准确度得到了进一步提高,选择的特征数目明显减少.

共现邻域关系下的属性约简研究

在邻域粗糙集的研究中,往往借助给定的半径来约束样本之间的相似性进而实现邻域信息粒化,需要注意的是,若给定的半径较大,则不同类别的样本将落入同一邻域中,易引起邻域中信息的不精确或不一致.为改善这一问题,已有学者给出了伪标记邻域的策略,然而无论是传统邻域还是伪标记邻域,都仅仅使用样本间的距离来度量样本之间的相似性,忽略了邻域信息粒内部不同样本所对应的邻域之间的结构关系.鉴于此,通过引入邻域距离度量,提出一种共现邻域的信息粒化机制,并构造了新型的共现邻域以及伪标记共现邻域粗糙集模型,在此基础上使用前向贪心搜索策略实现了所构造的两种模型下的约简求解.实验结果表明,与传统邻域关系以及伪标记邻域关系所求得的约简相比,利用共现邻域方法求得的约简能够在不降低分类器准确率的前提下产生更高的约简率.

基于邻域关系矩阵的属性约简算法

对邻域决策系统属性约简,针对邻域决策误差率最小化准则不能准确反映各类分布均匀时样本邻域信息粒中决策信息的问题,结合样本邻域信息粒及其决策分布提出一种能反映条件属性子集与决策属性相关性的度量.首先,用邻域关系矩阵将邻域关系间的集合运算转为矩阵运算;其次,证明新度量的粒化单调性,结合排序思想与邻域关系矩阵对称性改进计算单属性的邻域关系矩阵算法(SANRM),构建了基于邻域关系矩阵的启发式属性约简算法(NRMAR);最后,UCI数据集上实验分析表明,NRMAR能够有效选择属性且保持或改善数据集分类能力.

一种顾及体元邻域关系的行道树提取方法

文章提出了一种基于车载激光扫描数据的行道树点云自动化提取方法。首先,对原始点云进行预处理,建立三维规则格网;其次,计算非空体元的回波反射强度与曲率特征,对体元进行空间邻域分析,获取完整树干点云;然后,建立树冠分层点云投影面积理论模型,聚类搜索疑似树冠点云,在理论模型的约束下对树冠点云进行判别与提取,进一步去除路灯噪点。实验结果表明,在城市道路场景下,该方法不受邻近地物的影响,能够自动化提取道路两侧完整的行道树点云,具有较强的应用价值。

邻域等价关系诱导的改进ID3决策树算法

经典ID3决策树算法适用于离散型数据分类,但用于连续处理时需要数据离散化容易导致信息损失。提出邻域等价关系从而诱导邻域ID3(NID3)决策树算法,NID3算法改进了ID3决策树算法,能够直接实施连续预测并获取更好的分类效果。在邻域决策系统中,挖掘一种邻域等价关系;基于邻域等价粒化,构建邻域信息度量;基于邻域信息增益,设计NID3决策树算法。实例分析与数据实验均表明,NID3算法具有连续数据分类预测有效性,在分类机器学习中优于ID3算法。

基于邻域关系粗糙集和不确定性的增量属性约简方法

当数据集发生变化时,基于粗糙集的增量方法可以对属性约简进行快速更新。考虑样本增加的动态情况,现有方法对添加的全部样本进行增量计算,时间消耗仍然较大。该文考虑样本的重要程度,认为不同区域的样本对约简更新的贡献程度不同,只选取贡献度大的样本参与约简的更新,从而有效降低计算量。在邻域粗糙集框架下,该文针对分类问题的连续值信息系统,根据样本的分布提出了基于不确定性和邻域关系粗糙集的增量属性约简方法。首先,利用不确定性和分类器结果对样本的贡献程度进行度量和类型划分;然后,针对不同类型的新增样本设计相应的处理策略,在此基础上提出新的增量属性约简算法;最后,在11个UCI数据集上进行大量实验,结果表明该方法与现有方法相比进一步降低了时间耗费,并保持了良好的分类精度和约简能力。

邻域关系下的覆盖粗糙集及其模糊性度量

对邻域关系下的覆盖粗糙集的矩阵描述及模糊性度量进行分析和研究。首先,给出了一种新的邻域关系的覆盖粗糙集上、下近似的定义。其次,在邻域关系下的覆盖近似空间引入了一类新的模糊集,得覆盖近似空间的模糊性度量,最后通过实例给出直观解释。

基于邻域互信息的高维时序数据特征选择

特征选择作为一种数据预处理方法,主要目的是消除冗余和不相关属性,保留性能显著的属性,从而提高模型精度且降低计算复杂度。传统的特征选择方法多基于截面数据,对于实际生活中大量存在的高维时序数据的研究较少。现有特征选择算法并未考虑属性间相互依赖的影响,导致分类性能下降。为此,提出基于邻域互信息的高维时序数据特征选择方法。构建时序信息系统,提出时序邻域关系,并引入该关系下的时序邻域熵、时序邻域联合熵、时序邻域互信息等信息度量。在最近最远邻特征选择算法(算法1)中引入高维时序数据,定义属性重要度,以确定分类性能较优的特征,通过引入累计重要度贡献率控制特征选择规模。设计最近最远邻邻域互信息特征选择算法(算法2),根据阈值得到分类能力强的初始特征集,进一步由时序邻域互信息定义属性冗余度,去除初始特征集中重要度最低、依赖程度最大的属性,得到最终特征子集。在UCR数据集上的实验结果表明,相比原始数据和所提算法1,所提算法2在最佳取值范围和分类精度上分别平均提升13.69%和6.70%,对于处理高维时序数据的特征选择具有一定的有效性和优越性。