浮动利率房贷提前还款的损失度量

住房抵押贷款是银行一项重要业务和资产。随着利率的波动和其他因素的影响,借款人有可能提前还款从而影响银行的收益。准确地度量提前还款给银行带来的损失有助于商业银行更好地管理这类经营风险。在具有均值回复特性的随机市场利率和服从纯跳跃过程的浮动住房贷款利率条件下,以最常见的每月等本金还款方式为基础,根据对利率的预测,使用求期望的办法估算出银行房贷总收益的预期值,然后将该预期值折现到提前还款发生时刻,从而构造出借款人在合同期间提前偿还房贷给银行造成的利息损失度量模型。

基于险度函数的装备供应链库存风险损失度量

目前,对供应链库存风险损失的定量研究比较少,而定量研究中鲜有对风险偏好变化问题的研究,因此首先分析了各种风险度量方法,通过比较采用了险度函数作为对装备供应链风险损失的度量方法;然后,结合装备供应链实际,提出了定常风险偏好特性险度函数和可变风险偏好特性险度函数的适用范围,以及装备供应链库存风险损失度量的损失水平值,并给出了装备供应链库存风险损失度量函数;最后,通过算例进行了验证。实验结果表明:行为人的不同风险偏好特性会对同一事态产生不同的预判,进而可能影响对风险的决策,这是符合客观现实的。

基于险度函数的无人机备件库存量风险损失度量

针对无人机备件库存量风险可能产生的潜在损失,在分析比较各种风险度量方法的基础上,利用险度函数构建了一种新的用于定量分析无人机备件库存量风险损失的函数模型,确立了模型满足险度函数的条件(线性风险度量公理系统),探讨了行为人在定常风险偏好特性和可变风险偏好特性时任意一型备件潜在损失的计算方法。最后,对3个仓库的无人机某型备件库存量风险进行了仿真实验。算例验证了函数模型合理有效,为各种仓储方案风险评估提供了量化参考。

一类新的参数估计信息损失度量

１９６５年，Ｃ．Ｒ．Ｒａｏ给出了参数估计中运用简单最小二乘估计而不蒙受任何信息、损失的条件，见文［１］，但在实际中它是很难满足的．文［２］给出了一种信息损失度量．本文借助于文［３］建议的一个结果，讨论了另一类信息损失度量，并指出了文［３］的结果实际上是一类新的Ｋａｎｔｏｒｏｖｉｃｈ不等式，最后本文建立了比文［３］的结果更一般的不等式（１４）．

一种基于排序代理锚损失的深度度量学习算法

深度度量学习根据特定的度量损失函数对神经网络进行不同的训练,直接学习原始图像空间到语义特征嵌入空间的非线性投影.针对现有代理锚损失函数在不考虑数据分布的情况下,将同一类正样本压缩到嵌入空间中的某个代理锚点,而造成同类样本相似结构丢失的问题,本文提出了一种新的基于排序驱动策略的代理锚损失函数.该损失函数使用了排序列表损失中对样本对进行排序的思想,将正样本排在负样本之前,并通过约束正样本对的距离小于阈值来尽可能地保留同类内部的相似结构.最后,在两个标准数据集上的实验证明了本文所提方法在图像分类问题上的有效性和优越性.

基于度量正则化的红外与可见光跨模态行人重识别算法

红外与可见光跨模态行人重识别对提升智能视频监控系统的全天作战能力具有重要作用。现有跨模态行人重识别方法通常专注于特征对齐,未重视多模态度量对齐,导致重识别对模态变化不够鲁棒。为此,提出一种基于度量正则化的红外与可见光跨模态行人重识别算法。首先,设计度量正则化损失函数,用于约束不同模态检索模式下匹配行为的差异,提升算法的鲁棒性。其次,考虑到实际监控场景中红外图像的数量少于可见光图像的数量,利用模态数据比例修正交叉熵损失函数,减少模态数据不平衡对模型训练的不利影响。实验结果证明了所提算法的优越性,例如在RegDB数据集由可见光检索红外图像的首位识别率达到89.52%。

酒店运营风险的损失预测——以A酒店为例

酒店的风险管理决策要依赖于酒店对将来风险事故损失的预测。预测风险损失,首先要收集酒店过往风险事件的损失数据,然后利用这些数据建立概率分布,再根据概率分布的性质来推算酒店将来可能出现的各类风险事件导致的损失期望值。此外,要对酒店运营风险损失进行具体度量,还得掌握各类风险事件损失度量的范围和方法。

高分辨率光学遥感场景分类的深度度量学习方法

针对高分辨率光学遥感影像场景具有同类型内部差异大、不同类型间相似度高导致部分场景识别困难的问题,本文提出了一种深度度量学习方法。首先在深度学习模型的特征输出层上为每类预设聚类中心,其次基于欧氏距离方法设计均值中心度量损失项,最后联合交叉熵损失项以及权重与偏置正则项构成模型的损失函数。该方法的目标是在特征空间上使同类型特征聚集并扩大类型间的距离以提高分类准确率。试验结果表明,本文方法有效地提升了分类准确率。在RSSCN7、UC Merced和NWPU-RESISC45数据集上,与现有方法相比,分类准确率分别提高了1.46%、1.09%和2.51%。

基于去偏置项SoftMax和紧致度量损失函数的牛脸识别方法

为了实现精准畜牧业生产及畜牧业保险理赔中牛只身份的准确识别,试验提出了基于去偏置项SoftMax和紧致度量损失函数的牛脸识别方法,即采用深度卷积神经网络(deep convolutional neural networks,DCNNs)模型提取特征,利用去偏置项SoftMax损失函数优化特征空间中的特征分布,提高特征线性可分辨性,解决特征归一化后在投影超平面上的重叠问题;采用紧致度量损失函数结合去偏置项SoftMax损失函数联合监督模型训练,使同类特征与类内特征的平均距离最小化,提高特征聚类的紧凑性和可辨识性,同时兼顾了类内样本分布的多样性;最后试验将本算法(去偏置项SoftMax和紧致度量损失函数联合监督算法)与ArcFace损失函数、标准SoftMax损失函数、去偏置项SoftMax损失函数、标准SoftMax损失函数结合紧致度量损失函数进行了性能对分分析。结果表明:本算法的识别准确率在所有模型中最高,为97.61%;且能对高相似度牛脸正确识别。说明基于去偏置项SoftMax和紧致度量损失函数的牛脸识别方法可满足牧场牛只身份识别要求。

组合信用损失分布的蒙特卡洛模拟

组合损失分布的确定是测量各种组合信用风险的一个先决条件.本文通过对信用风险损失理论进行分析的基础上,分析阐述了利用蒙特卡罗方法模拟组合信用损失的原理和方法,并基于Matlab语言结合实际问题进行仿真实验,实验结果表明该模拟方法能较好地反映组合信用损失的分布特征,具有有效性和实用性.

基于损失量的G-O漏洞预测模型及其改进

分析了度量漏洞的各个指标,提出了强安全性的数学定义,并使用损失量度量和预测漏洞,解决了软件可信性统一量纲问题。同时,讨论了损失量出现规律和漏洞数量发现规律之间的相似性,确定使用预测软件缺陷的模型来预测损失量。通过借鉴经典的G-O模型,建立了软件损失量的预测模型,即提出了基于损失量的G-O漏洞预测模型,并通过使用实际漏洞库中的数据检验了模型的准确性和实用性。

开放场景下短时语音说话人识别系统的优化设计

为适应开放场景下说话人识别短时语音的应用需要,本文对说话人识别模型进行优化,提升了模型的准确率和鲁棒性.为了实现对重要频率特征的筛选,提出基于重加权的特征增强层及网络,起到增强特征表达的作用.将人脸识别领域的误分类样本损失函数首次引入到说话人识别领域,提高对困难样本的挖掘能力.提出基于误分类样本挖掘的分类损失与基于小样本学习框架的余弦角度原型损失的组合损失函数,解决了分类损失函数与说话人识别实际评测需求不匹配和度量函数对采样策略依赖性强的问题.实验结果显示,与基准模型相比,性能指标等误率(EER)降低12.45%,最小检测代价函数(minDCF)降低14.09%,取得现有说话人识别领域的优异效果。

基于属性熵的隐私匿名信息保护研究与应用

针对当前隐私匿名保护中存在的只对准标识符属性与敏感属性进行保护,而未考虑两者之间的平衡性问题,结合当前的智能算法,提出了一种基于权重属性熵的匿名分类方法。首先提出了方法的思路,然后引入权重属性熵的方式,对元素损失度量模型和分类匿名数据保护模型各自所占的权重进行计算,进行找到损失度量和匿名保护之间的平衡点。最后通过试验验证的方式,验证了本文提出的算法虽然执行时间多,但是可实现数据匿名保护和精度之间的平衡,具有一定的可行性。

基于多语义线索的跨模态视频检索算法

针对现有的大多数跨模态视频检索算法忽略了数据中丰富的语义线索,使得生成特征的表现能力较差的问题,设计了一种基于多语义线索的跨模态视频检索模型,该模型通过多头目自注意力机制捕捉视频模态内部对语义起到重要作用的数据帧,有选择性地关注视频数据的重要信息,获取数据的全局特征;采用双向门控循环单元(GRU)捕捉多模态数据内部上下文之间的交互特征;通过对局部数据之间的细微差别进行联合编码挖掘出视频和文本数据中的局部信息。通过数据的全局特征、上下文交互特征和局部特征构成多模态数据的多语义线索,更好地挖掘数据中的语义信息,进而提高检索效果。在此基础上,提出了一种改进的三元组距离度量损失函数,采用了基于相似性排序的困难负样本挖掘方法,提升了跨模态特征的学习效果。在MSR-VTT数据集上的实验表明:与当前最先进的方法比较,所提算法在文本检索视频任务上提高了11.1%;在MSVD数据集上的实验表明:与当前先进的方法比较,所提算法在文本检索视频任务上总召回率提高了5.0%。

SCGAN:合成单类别表格数据的生成对抗网络

为了提升合成表格数据的质量,提出一种简单的方法生成每个类的数据,使用度量损失控制每一类结构化数据的生成,将此方法命名为SCGAN。文章用此方法在二分类问题上进行了尝试。使用三种不同的度量损失在三个真实的数据集上训练生成对抗网络:逐次对每一类数据进行合成,利用合成数据训练分类器模型,使用gmean来评估模型的性能。结果表明,单独生成每一类数据能够提升模型的分类性能。

双分辨率注意力网络行人重识别

行人重识别(ReID)任务在提取身份相关特征时可能会丢失一些信息,导致判别依据减少并影响模型性能。为此,提出了基于双分辨率特征及通道注意力机制的行人重识别方法。首先,在ResNet基础上增加了高分辨率特征分支,通过在不同分辨率的特征图上应用池化层,生成了对应着8种不同区域的特征向量。然后根据特征向量的情况设计了一个通道注意模块,增强了其中有效部分的表达能力。最后利用批归一化处理来协调分类损失和度量损失。消融实验中,算法内各步骤的运用都有效提升了模型的性能。在Market-1501、DUKEMTMC-REID、CUHK03等数据集上进行的对比实验中,该算法相比近几年具有代表性的其他算法,平均准确率和Rank-1都有所提升。实验结果表明,该方法能结合更丰富的特征,提高行人重识别准确度。