基于聚合多阶邻域信息的细化方法的多粒度网络表示学习

多粒度网络表示学习方法因其在学习节点表示过程中可以保留网络的多粒度特征而受到越来越多的关注.该类方法主要经过粗化和细化两个阶段.现有的工作侧重于设计粗化策略以压缩网络规模获得网络的多粒度结构.但是如何保留这种多粒度结构,将粗粒度空间的节点表示细化回原始网络仍具有挑战.本文提出一种基于聚合多阶邻域信息的细化方法的多粒度网络表示学习方法NRAM(Network Refinement based on Aggregating Multi-neighboring information).首先,对于粗化阶段生成的多粒度网络,仅利用现有的网络表示学习方法学习最粗粒度网络的表示;然后将从粗粒度网络继承的节点表示和细粒度网络的结构信息相融合得到细粒度网络的初始嵌入;最后通过聚合节点多阶邻域信息的方式得到细粒度网络的节点表示,迭代该过程直到获得原始网络的节点向量.在3个公共数据集上节点分类的结果证明了NRAM的有效性.

不确定域特征表示的鲁棒性情感分析模型

文本数据在情感分类时往往会出现一些较难分类的模糊数据,这些模糊数据因其不确定性在模型训练时易出现过拟合现象,影响模型的鲁棒性。三支决策理论将初始样本划分为确定域和不确定域,模糊数据所在的不确定域如何选取合适特征表示以便下游任务,是目前三支决策情感分析模型面临的挑战。针对此挑战,提出一个基于三支决策不确定域特征表示的鲁棒性情感分析模型(UFR-SA)。首先,基于三支决策理论划分确定域和不确定域,针对不确定域中的模糊样本,定义异类样本点对,构造多粒度特征表示。其次,设计多特征融合模型,将多粒度特征表示送入多层感知网络,以融合各粒度特征优势。最后,对于确定域和不确定域的测试样本采用分而治之的策略,确定域数据用原始特征表示,不确定域中的模糊数据用融合后的鲁棒性特征表示。在SST-2、SST-5以及CR数据集上的实验结果表明,UFR-SA有效降低了模糊数据对模型的干扰,优于目前最好的模型性能。

基于边缘异常候选集的迭代式主动多元时序异常检测算法

无监督多元时间序列(MTS)异常检测方法因标注成本低而广受关注,但传统方法一般基于两个假设:1)服从独立同分布(IID)假设,即假设时序数据样本之间和属性之间不存在依赖关系;2)高净度启动假设,即假设可拥有完全正常态的时序数据集进行训练。以上假设在实际场景中往往难以满足。为此,提出一种基于边缘异常候选集的迭代式主动多元时序异常检测算法(EraseMTS)。首先,利用一种多粒度时序特征学习方法捕捉子序列内和子序列间的依赖关系,并在此基础上对原始多元时间序列进行再表示;其次,提出一种利用边缘异常候选集的选择策略,以子序列异常得分为基础,同时考虑异常程度,选择待人工交互的范围;最后,提出一种迭代式子序列权重更新机制,将异常反馈信息融入无监督异常检测模型的训练过程中,通过迭代方式不断优化初始训练模型性能。在UCR时间序列库中的4个数据集和1个人工合成数据集上对所提算法的检测性能、可扩展性和稳定性进行验证,实验结果表明该算法能够有效且稳定运行。