基于变分高斯混合模型的图像分割算法(英文)

提出了一种基于变分推断的高斯混合模型的图像分割算法.该算法首先用贝叶斯混合高斯模型对图像的特征进行建模,并针对模型的参数学习问题,利用变分推断算法估计模型的参数及其后验概率;这种方法比采样法的计算量更少,而且能够根据图像数据自动优化混合个数,实现了模型的自动选择.最后,该算法在Berkeley的自然图像集上进行的实验结果与经典的图像分割算法进行了比较,结果表明此方法得到的图像分割结果精度较高,具有较好的性能.

基于期望-超额出行时间的道路系统最优均衡模型

为研究随机事件扰动下出行者的择路行为对交通分配的影响,同时考虑供需条件的随机变化,以期望-超额出行时间为出行者择路依据,利用边际成本收费原理,推导了边际成本收费值计算公式,建立用等价变分不等式表示的系统最优交通分配模型,并利用自适应投影收缩算法进行求解.算例表明:当OD需求系数为1.0、路段能力退化系数为0.5时,路径1边际成本收费值分别比使用期望出行时间和出行时间预算为择路依据时增加了11.27%和3.58%;当出行时间可靠度为0.9时,路径1边际成本收费值分别比使用期望出行时间和出行时间预算作为择路依据时增加了20.22%和4.30%.

图马尔可夫卷积神经网络半监督文本分类研究

随着卷积神经网络在图结构数据上的成功泛化,许多研究者将图卷积神经网络应用于文本分类;在上述方法中,以文档和单词为节点构造异构文本图网络,通过学习图节点的特征表示进行文本分类,未能有效利用节点标签的依赖关系。现提出了文本图马尔可夫卷积神经网络(TextGMCN)模型,模型利用异构图中未分类节点的条件联合分布建模节点标签的依赖性;模型利用图卷积神经网络通过端到端的训练,学习有效的文本节点表示。通过变分EM算法进行训练。在多个基准数据集上的实验结果表明,考虑文本节点标签依赖性的TextGMCN模型取得了更优的节点分类性能。

一种主动半监督大规模网络结构发现算法

在线变分期望最大(online variational expectation maximization,onlineVEM)算法可快速发现大规模网络的聚类模式,但在网络结构复杂时算法的处理结果稳定性和准确性欠佳.为更快更准地识别其聚类模式,提出一种主动半监督在线变分期望最大(active semi-supervised onlineVEM,ASonlineVEM)算法.算法首先自动选择代表节点,确定类的个数,并基于代表节点初始化模型;然后迭代执行3个任务:运行在线算法onlineVEM、主动选节点及模型更新,直至算法达到准确率的设定阈值或收敛.在不同结构的人工网络和真实网络上的实验结果表明,ASonlineVEM算法的准确性和效率均优于同类算法.ASonlineVEM算法利用主动选择的节点先验信息提高了网络聚类模式发现的稳定性及准确性,提高了在线算法的运行效率.

MIMO-OFDM系统中基于变分Bayes EM算法的联合符号检测与鲁棒Kalman信道跟踪

基于变分Bayes期望最大化VBEM(variational Bsayes expectation maximization)算法和Turbo原理,提出了快时变信道条件下MIMO-OFDM系统中的联合符号检测与信道估计算法.在VBEM框架下,信号检测和信道估计分别由修正的列表球形译码算法和软输入Kalman算法完成,检测器和估计器分别考虑了信道和检测信号的估计误差协方差矩阵.当信道时变剧烈时,存在较大检测误差的数据在软输入Kalman算法中引入异常值(outliers),由于Kalman算法对于异常值的敏感性,系统会在错误传播的影响下出现误码平台.为削弱异常值的影响,利用鲁棒统计理论设计了VBEM框架下改进的鲁棒软输入Kalman算法,该算法能在出现异常值的条件下保持较好的信道跟踪能力.仿真结果表明:在快速时变多径信道条件下,文中设计的鲁棒VBEM算法优于传统的VBEM算法和EM算法.

基于概率模型的大规模网络结构发现方法

随着万维网和在线社交网站的发展,规模大、结构复杂、动态性强的大规模网络应用而生.发现这些网络的潜在结构,是分析和理解网络数据的基本途径.概率模型以其灵活的建模和解释能力、坚实的理论框架成为各领域研究网络结构发现任务的有效工具,但该类方法存在计算瓶颈.近几年出现了一些基于概率模型的大规模网络结构发现方法,主要从网络表示、结构假设、参数求解这3个方面解决计算问题.按照模型参数求解策略将已有方法归为两类:随机变分推理(stochastic variational inference)方法和在线EM(online expectation maximazation)方法,详细分析各方法的设计动机、原理和优缺点.定性和定量地对比、分析典型方法的特点和性能,并提出大规模网络结构发现模型的设计原则.最后,概括该领域研究的核心问题,展望未来发展趋势.

结合深度学习的监督主题模型

无监督主题模型在降维过程中缺少标签信息的指导,丢失一些具有判别性的文本特征,导致最终的分类结果不理想.因此,文中提出结合深度学习的监督主题模型,利用深度网络强大的非线性拟合能力建立文档主题分布与标签之间的映射,利用变分期望最大化(EM)和深度网络训练方法共同完成贝叶斯框架下模型参数的更新,通过改变网络结构和激活函数的类型,用于分类和回归任务.实验表明文中模型既能保持无监督主题模型隐含主题的提取能力,还能更好地完成分类和回归任务.