基于多任务融合模型的用户属性推断

传统的用户属性推断方法主要基于机器学习及统计学习,其推断方法忽略了用户的整体表征及任务之间的相关性。本文提出一种基于多任务融合模型的用户属性推断方法,利用doc2vec独特的结构特性,加入文档向量以实现用户整体表征,避免人工提取特征的局限性。为实现用户多属性推断任务,本文提出基于关联学习的多任务融合推断框架,即在分别识别用户多个属性基础上赋予单用户多属性表征,在增强用户整体表征能力的同时,建立多个属性间的关联关系,提高单任务学习的区分度;然后采用模型融合技术,完成属性间关联学习,提高学习准确率及模型泛化能力,同时使用尽可能少的模型进行融合,提高模型运行效率。经实验比对,本文在多个数据集上的实验结果较其他算法有一定优势。

采用多任务特征融合的脑电情绪识别方法

特征选择与融合是提升脑电信号情绪解码精度的重要手段之一。然而,当前脑电情绪解码中的特征选择方法常忽略了脑电信号内在数据结构的隐含信息。该文提出一种基于近邻传播聚类的多任务特征融合方法,通过L_(2,1)范数约束实现稀疏特征选择,同时利用图拉普拉斯正则化保持不同子类间的潜在关系。该算法在不揭示真实样本标签的情况下,在子任务空间有效融合脑网络空间拓扑结构信息和微分熵信息,为高精度脑电信号情绪解码提供具有更高情绪表征能力的特征。DEAP和SEED数据集以及本实验室数据集的分析结果表明,该文提出的方法能显著提高脑电情绪解码的精度。

基于多任务特征融合算法的电力大数据增量式自组织映射方法

为了实现电力大数据精准映射,基于多任务特征融合算法研究电力大数据增量式自组织映射方法。对电力大数据进行分解,以线性组合形式划分特征类型;利用多任务特征融合算法设计候选分类类别数量,确定自组织映射目标;通过不同数据的语义长度对应所属类型,实现电力大数据的增量式自组织映射,完成增量式数据的自组织映射方法设计。以某省实际运行的电力公司为测试对象,对其一年内产生的电力大数据作为测试样本,分别将其按照具体的类型进行映射,验证新方法。实验结果表明,新方法可以实现精准的自组织映射,在整个过程中不会产生数据交换误差,具有应用价值。

基于知识图谱嵌入的多模型融合与多任务学习的工业软件组件推荐方法

随着物联网、云计算、工业互联网等的快速发展,工业软件系统逐渐向扁平化、松耦合、平台化、模块化与组件化的架构模式发展。工业软件组件已逐步演变为跨域、跨空间、跨平台的网络化协同新模式。然而,由于工业软件组件数量的不断的增加,为创建工业软件开发挑选合适的工业软件组件变得更加困难。为了解决这个问题,已经提出了各种方法来推荐工业软件组件以匹配子任务的需求。但目前的方法在特征融合与利用、文本需求理解、子任务与组件的类别等元数据信息利用等方面存在一些挑战。为了克服现有服务推荐模型推荐效率不高以及学习能力不强的问题,本文提出了一种新的基于知识图谱嵌入的多模型融合与多任务学习的工业软件组件推荐模型(KG-MTFM)。模型利用语义特征提取模块来提取子任务需求与工业软件组件描述文档的语义特征,获得语义特征向量。建立组件分类的知识图谱通过表示学习算法获得实体嵌入向量,将其与组件语义特征向量链接形成工业软件组件的特征向量后,引入特征交互模块来对子任务和工业软件组件之间的特征交互进行建模。实验结果表明,我们的方法优于目前流行的主要方法。

动态功能脑网络模型的多任务融合Lasso方法

目的传统的静息态功能性磁共振成像(f MRI)的功能脑网络(FBN)研究是基于在整个扫描过程中FBN固定不变的假设。但是,最近的研究表明FBN是动态变化的,而且其中蕴含着丰富的信息。本文提出一种多任务融合最小绝对值收缩和选择算子(Lasso)方法来构建静息态f MRI的动态FBN。方法提出的多任务融合Lasso方法可以在构建动态FBN时,保留网络的稀疏性及子序列的时间平滑性。具体来说,首先用滑动窗方法得到交叠的静息态f MRI子序列;然后用多任务融合Lasso方法联合地估计一个样本的所有子序列的功能连接从而构建动态FBN,用k均值聚类算法得到每类样本子序列的功能连接的聚类中心,并将所有类的聚类中心组成回归矩阵;最后根据回归矩阵求样本的回归系数,将其作为特征进行分类,验证多任务融合Lasso方法对动态FBN建模的有效性。结果采用公开的f MRI数据集来验证多任务融合Lasso模型构建动态FBN的分类效果。实验使用阿尔兹海默症神经影像学计划(ADNI)公开的f MRI数据集中的阿尔兹海默症患者、早期轻度认知功能障碍患者和健康被试3组数据,并用准确率、灵敏度和特异度来评估算法的分类性能。在3组二分类实验中,本文方法分别达到了92.31%、80.00%和84.00%的准确率。实验结果表明,与静态FBN模型和其他传统的动态FBN模型相比,本文方法能取得更好的分类效果。结论本文提出的多任务融合Lasso构建动态FBN的方法,能有效地保留网络的稀疏性和子序列的时间平滑性,同时提高算法的分类效果,在一定程度上为脑部疾病的诊断提供帮助。多任务融合Lasso模型可以用于动态FBN的构建,挖掘功能连接的动态信息,同时整个算法可以用于基于f MRI数据的脑部疾病的分类研究中。

基于改进分割决策网络的铝材表面凹坑缺陷检测

针对工业铝材表面缺陷检测准确度低、模型泛化性差的问题,提出了一种基于改进分割决策网络的多任务特征融合检测方法.首先针对工业上常见的凹坑缺陷,构造了本文的缺陷检测数据集;其次在原有分割检测模型的基础上添加铝材区域分割网络,从网络结构上减少了模型对样本的需求;并引入挤压激活(Squeeze-and-Excitation)模块,使得模型更聚焦于与铝材缺陷相关的维度特征,提升网络的检测精度.最后在铝材表面凹坑缺陷数据集上进行对比试验,结构表明,所提方法相较于原模型,分割精度提升了1.6%,分类精度提升了4.01%;相较于FCN、U-net网络在图像分割部分检测精度领先0.76%,相较于VGG、Resnet50网络在图像分类部分检测精度领先1.12%.实验证明,该方法在铝材表面凹坑缺陷检测上,具有足够的检测精度,并且稳定、高效.