基于生成式对抗网络和正类无标签学习的知识图谱补全算法

随着知识图谱的应用越来越广泛,绝大多数真实世界的知识图谱通常具有不完备性,限制了知识图谱的实际应用效果。因此,知识图谱补全成为了知识图谱领域的热点。然而,现有方法大多集中在评分函数的设计上,少部分研究关注了负样本抽样策略。在改善负样本抽样的知识图谱补全算法的研究中,基于生成式对抗网络的方法取得了不错的进展。然而,现有研究并没有关注到负样本存在假阴性标签的问题,即生成的负样本中可能包含真实的事实。为了缓解假阴性标签问题,提出了一种基于生成式对抗网络和正类无标签学习的知识图谱补全算法。该方法利用生成式对抗网络生成无标签样本,并使用正类无标签学习缓解假阴性标签问题。在基准数据集上进行的大量实验证明了所提算法的有效性与准确性。

非洲猪瘟病毒无标签p35蛋白的制备及间接ELISA抗体检测方法的建立

为了进一步提高非洲猪瘟病毒(ASFV)间接酶联免疫吸附试验(ELISA)抗体检测方法的特异性,本研究构建了类弹性蛋白(ELP)标签与ASFV p35融合表达载体,利用相变循环分离纯化融合蛋白后,用烟草蚀纹病毒蛋白酶(TEVP)切除ELP标签,制备获得无标签p35蛋白,以此为包被抗原,通过一系列的条件摸索和优化,建立ASFV间接ELISA抗体检测方法。结果显示,ELP-p35融合蛋白的相对分子质量大小约为80000;制备获得的无标签p35蛋白能够被非洲猪瘟阳性血清所识别;抗原包被最佳质量浓度为2.00μg/ml,待检血清最佳稀释比例为1∶200,二抗最佳稀释比例为1∶10000,阴性和阳性判定阈值OD450为0.171;与口蹄疫病毒(FMDV)、猪圆环病毒2型(PCV2)、猪繁殖与呼吸综合征病毒(PRRSV)、猪瘟病毒(CSFV)和伪狂犬病毒(PRV)等阳性血清无交叉反应,特异性好;批内、批间试验结果显示变异系数都小于5.000%,重复性好;可检测400倍稀释的血清,敏感性较高;与商品化检测试剂盒(ING)检测结果的符合率高达100%。结果表明,用本研究制备的ASFV无标签p35蛋白作为包被抗原建立的间接ELISA方法可用于ASFV抗体的检测,为该病的进一步精准检测提供了技术手段。

面向属性情感分类的无标签数据增强位置感知网络

在现有的属性情感分类研究中,训练模型时大多完全依赖标签数据或需要引入文本级标签数据作为补充,很少关注无标签数据对模型性能的提升。提出一种基于无标签数据增强的位置感知网络(UDE-PAN)。引入交叉可视训练(CVT)的半监督训练算法,使模型能够同时利用无标签数据。CVT算法在标签数据和无标签数据中交替训练模型来提升表征学习能力,使模型在无标签数据中学习到额外知识。此外,基于语义相对距离(SRD)嵌入层和动态特征加权(CDW)层捕获属性词和上下文的关系:SRD嵌入层显式地将位置信息建模成特征向量,使上下文特征包含特定的属性信息;CDW层通过动态设置权重系数来感知上下文中与属性词更密切的部分。在SemEval14的2个公开数据集上的实验结果表明:UDE-PAN的准确率分别达到76.23%、82.47%,Macro-F1值分别达到72.13%、73.97%,优于对比的主流模型,验证了模型的有效性;借助CVT算法,无标签数据的训练对模型的准确率平均提升1%,Macro-F1平均提升2%,验证了无标签数据可以有效增强模型性能。

基于支持向量数据描述的无标签数据多类分类

为解决支持向量机(SVM)在处理无标签数据多类分类上的难题,提出了一种基于支持向量数据描述(SVDD)的无标签数据多类分类算法.该方法只需要建立一个分类模型就可以实现多类聚类分类.首先采用主成分分析作数据预处理,提取输入数据的统计特征值,得到主成分特征指标输入到SVDD分类器进行多类聚类分类.以珠三角地区物流中心城市分类评价为研究对象,实证结果表明,采用主成分分析降低了数据维度,有效浓缩了评估信息,SVDD分类器很好地区分了各中心城市,实现了多类分类的目的.

非洲猪瘟病毒无标签重组K205R抗原制备与应用

为建立敏感、特异的非洲猪瘟病毒(ASFV)抗体检测方法,将ASFV K205R基因与类弹性蛋白多肽(ELP)进行融合表达,用相变循环纯化ELP-K205R融合蛋白,用烟草蚀纹病毒(TEV)蛋白酶活性包涵体切除ELP标签,用相变循环回收K205R蛋白,用抗体阳性血清对重组K205R蛋白进行ELISA鉴定。结果表明:重组大肠埃希菌能正确表达ELP-K205R融合蛋白,相变循环纯化的融合蛋白纯度大于80%;TEV蛋白酶活性包涵体能有效切割ELP标签,回收的重组K205R蛋白纯度大于95%,能被特异抗体阳性血清识别;重组K205R抗原与抗体阴性猪血清反应阴性,与抗体阳性猪血清反应阳性,D450nm值与血清稀释倍数具有线性相关性。用重组K205R抗原对已知猪血清进行ELISA检测,结果显示24份ASFV抗体阳性血清为检测阳性,24份ASFV抗体阴性血清为检测阴性,检测符合率为100%。这一研究提示制备的无标签重组K205R抗原可用于ASFV抗体检测。

利用带无标签数据的双支持向量机对恒星光谱分类

恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进,人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此,研究人员开始关注数据挖掘算法,并尝试对这些光谱进行数据挖掘。近年来,神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中,支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时,通过将其最优化问题转化为具有(QP)形式的凸问题,进而得到全局最优解。尽管该方法在实际应用中表现优良,但为了进一步提高其分类能力,有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开,每一类靠近某个分类面,而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍,因此,自TSVM提出后便受到研究人员的持续关注,并出现若干改进算法。在恒星光谱分类中,一般分类算法都是根据历史观测光谱来建立分类模型,其中最关键的是对光谱进行人工标注,这项工作极为繁琐,且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此,提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分;然后,在训练集上进行学习,得到分类依据;最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势,更重要的是,在训练集上学习分类模型过程中,不仅考虑有标记的训练样本,也考虑部分未标记的样本。一方面提高了学习效率,另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明,与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比,带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而,该方法亦存在一定的局限性,其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想,利用大数据处理技术,来对所提方法在大数据环境下的适应性展开进一步研究。

X射线粉末衍射法鉴定无标签化学试剂

运用X射线粉末衍射法,再结合红外光谱、形貌观察等方法来对失落标签的结晶化学试剂进行鉴定,从而为其使 用或合理的回收打下基础。

空间和频率分集联合的矿井无标签目标定位方法

传统的有源定位技术因井下环境复杂导致工作人员不便携带标签、作业途中丢失标签,在井下目标定位应用中受限,而现有的几何法、指纹法等无源定位技术因井下存在密集的多径干扰,导致定位精度低,不适合直接应用于井下。针对上述问题,提出了一种空间和频率分集联合的矿井无标签目标定位方法。该方法基于傅里叶域非均匀采样原理,通过对波数域中的目标回波信号进行傅里叶逆变换,恢复目标散射函数,实现目标定位;采用无源宽带谐波标签生成所需谐波信号,消除发射天线引入的基频干扰;利用谐波标签的空间多样性和谐波信号的频率多样性,融合多通道信息,实现空间和频率分集联合,解决采样信息不足导致的低定位精度问题;使用差分接收算法,消除下行链路多径干扰引起的相位误差,提高矿井无标签目标定位精度。仿真实验结果表明:该方法能够有效扩展波数域覆盖范围,抑制多径干扰,实现目标准确定位;在低信噪比条件下,定位精度可达分米级。

基于无标签半监督学习的商品识别方法

深度学习商品识别技术存在有标签数据获取成本高、无标签数据获取简单高效的问题,给技术的实际应用造成了一定障碍。为解决在少量有标签数据下用大量无标签数据提高模型准确率的问题,提出一种半监督学习方法。使用基于self-training的方式训练两个目标检测模型;在检测模型的损失函数中加入基于熵的正则化项,提高无标签预测的准确性;为避免错误伪标签数据不断被使用,采取co-training的训练方式。通过构建包含16 000幅图片的商品识别数据集,最终实验结果表明,相比没有利用无标签数据之前,SSD模型的精度从90.6%提高到了97.2%,YOLOv3模型精度从91.7%提高到了96.9%。

碳化钛介导原位还原的无标签可视化银离子检测综合实验设计

选取切合本科教学实际的科研前沿成果,将无机材料的制备和表征、光学分析方法的建立和应用融会在一起,为学生呈现了完整的课题研究流程。基于碳化钛介导的原位还原,构建了免标记、可视化的等离激元传感光学方法,实现了对样品中银离子的高灵敏、特异性检测。本实验有助于学生掌握纳米分析化学的研究范式,养成探索创新的科研思维习惯,并激发学习兴趣和科研报国热情。

基于压缩感知的无标签行为数据标记方法

针对传统无标签行为数据标记方法需要事先计算行为类别数目的不足,提出一种基于压缩感知的无标签行为数据标记方法。按照无标签数据最大可能类别数目进行聚类,从各聚类簇中选择高可信数据,使用压缩感知的冗余字典矩阵对高可信数据进行识别,通过动态匹配得到数据类别标签。实验结果表明,该方法对6种人体行为无标签数据的平均标记准确率达到96.80%,能够实现不计算行为类别数目进行数据标记。

使用无标签数据的主成分初始化方法

为了解决初始化方法的不确定性以及有标签数据的不足,提出一种使用无标签数据对网络参数进行主成分初始化的方法,包括采样、主成分计算、初始化和重排卷积核4个步骤.首先,通过移动感受野区域对特征图进行采样,得到与特征图的所有感受野对应的图像块并形成采样集合;然后,计算采样集合的主成分;最后,使用主成分初始化网络参数并重排卷积核,以便提高识别性能.在相同的网络结构和数据集上,即STL-10和CIFAR-10数据集,该方法比传统的初始化方法在识别准确率上提高了4%~20%.实验结果表明,该方法能够充分利用无标签数据初始化网络参数以取得显著的识别效果.此外,通过算法的性能评估,证明该方法明显优于传统的初始化方法.

用正则的方法在正样本和无标签样本上训练二分类器

正样本-无标签样本学习(Positive-Unlabelled Learning,简称PU Learning)。相对于标准的正样本-负样本学习(Positive-NegativeLearning,简称PNLearning),其是一种仅使用少量正样本和大量无标签样本训练二类分类器的方法。以往工作通常使用一种无偏估计的方法,使用正样本和无标签样本估计PNLearning损失,并建立深度神经网络模型。但是,这种估计方法依赖正样本的数量,当正样本数量较少时,学习算法会发生严重的过拟合。

基于无标签数据的音源分离

音源分离目前大多采用有监督的深度学习方法,这种方法往往需要利用大量的标签数据进行建模。然而,实际中标签数据并不容易获取且价格昂贵。针对无标签数据的音源分离只能采用有意义的先验知识来弥补标签数据的不足,对此,提出一种基于先验知识的U-Net模型。它既不影响现有卷积体系结构的网络复杂性,也不影响其收敛行为,但能显著改善分离后的音频质量。实验结果表明,所提出的方法的分离效果比传统模型更好。

利用多标签信息的聚类方法

k-means是当前使用最广泛的聚类算法,但其只对无标签信息的样本数据进行聚类,需用户提供初始聚类中心等信息且聚类花费时间长结果不稳定。当前很多数据集都带有多标签的信息,如何利用多标签信息更加快速有效的聚类是一个重要的研究方向。文中提出了多标签数据的聚类方法,首先对多标签信息进行聚类得到适当的初始聚类中心,然后再使用k-means算法对大量样本做聚类。试验结果表明,该聚类方法比使用随机初始聚类中心的k-means算法具有更好的时间性能和聚类结果。

基于半监督学习Informer算法的工业机器人故障诊断方法

在工业领域中,六轴机器人的故障监测数据难以收集大量的故障标签数据。传统的智能诊断方法通常依赖于大规模有标签数据的监督学习,但这在实际应用中存在局限。在解决这一问题的同时,针对单一模型特征提取能力不足、分类性能差的问题,结合半监督学习机制与Informer在处理时序数据的优势,提出一种基于半监督学习和概率稀疏注意力的Informer网络架构,实现对少量有标签数据和大量未标签数据的深度学习,以实现对设备故障的精准诊断。对多组真实环境下采集的工业六轴机器人试验数据进行验证,并与CNN、LSTM、GRU 3种深度学习网络对不同故障程度的辨识能力进行比较。结果表明,在无标签数据为100%组的对比实验中所提出方法的故障诊断准确率达到了90%,同时具有更高的分类准确率和更快的收敛速度;在10%标签数据的条件下所提出方法可实现的诊断准确率达到89.7%。

基于半监督学习的梨叶病害检测

植物病害的检测与识别是一个日益发展的研究领域,随着机器学习和深度学习概念的不断介入,为农业的发展提供了重要的技术支持。然而,目标检测技术存在着带标注数据获取成本高,且需要大量的人工来对数据进行标注等问题,给技术的实际应用造成了一定的阻碍。为解决在使用少量已标注数据及大量未标注数据进行训练模型从而提高准确率的问题,提出一种YOLO目标检测结合self-training半监督学习的方法,并且针对现有的YOLO v3-Tiny目标检测网络在半监督学习基础上准确率相比于监督学习较低的问题,对原有的YOLO v3-Tiny模型进行了改进。首先,使用空间金字塔池化结构对主干网络的多尺度特征进行融合;其次,将YOLO v3-Tiny检测头部分的标准卷积层替换成GSConv;最后,运用BiFPN结构对中间部分的特征与检测头部分的多尺度特征进行双向融合。本研究提出的基于半监督学习的改进型YOLO v3-Tiny网络可以快速准确地检测出梨叶上的病斑,在试验中,准确度、召回率、平均精度分别达到97.07%、93.78%、97.51%,对于快速准确地诊断出梨叶病斑的危害程度并且及时进行防治具有十分重要的意义。

基于特征聚类和等距映射的无监督特征选择算法

为了提高无标签场景下特征选择的准确率和稳定性,提出一种基于特征聚类和等距映射的无监督特征选择算法。特征聚类将相似性较高的特征聚成一类,然后结合等距映射和稀疏系数矩阵定义新的特征得分计量函数。该函数对各特征簇中的特征进行打分,选择出每个类簇中得分最高的代表特征,构成特征子集。在14个广泛应用的数据集上的实验结果表明:本文所提算法能够选择出具有强分类能力的特征,且算法具有很强的泛化性。

基于GMM-KNN-LSTM的烧结矿化学指标预测

针对烧结矿化学指标检测频率低导致无标签样本无法被机器学习利用的问题,提出了一种充分利用样本中有用信息的烧结矿化学指标预测模型.首先,结合高斯混合模型(GMM)和K-近邻(KNN)算法,将无标签样本转化为有标签样本,然后与长短期记忆(LSTM)单元相结合,用于预测烧结矿的总铁质量分数、FeO质量分数和碱度3个化学指标.通过与反向传播神经网络(BPNN)、循环神经网络(RNN)和LSTM三种模型对比,结果表明所建模型具有较低的预测误差.总铁质量分数和FeO质量分数的预测命中率在允许误差±0.5%内时分别达到98.73%和95.33%,碱度的预测命中率在允许误差±0.05内为98.13%,展现了较高的预测精度.

基于动态阈值增强原型网络的联邦半监督学习模型

目前,联邦半监督学习面临着有效利用训练过程中大量无标签数据的挑战。尽管通过轻量级的原型网络实现客户端之间的知识共享可以缓解伪标签质量问题,但仍然有瓶颈。本文提出一种新的动态阈值增强下的原型网络联邦半监督学习算法。通过引入课程伪标签技术,其核心是对不同类别样本的学习状态动态调整阈值,使模型能够学习高质量的样本,显著提高模型的预测性能。实验结果表明,本算法在多个数据集上均取得优异的测试性能。在CIFAR-10数据集上,本算法相对于同类算法至少提高3%的测试精度。此外在SVHN和STL-10数据集上也有1%~7%的领先优势。值得注意的是,本算法在处理异质性和同质性数据时表现出色,且对于不同比例的有标签和无标签数据都具有良好的适应性。本算法不仅提高测试精度,而且未带来额外的通信开销和计算成本。这些结果表明本算法在联邦半监督学习领域具有巨大潜力,并为实际应用提供了一个性能卓越且高效的解决方案。