基于双向稀疏Transformer的多变量时序分类模型

针对多变量时序(Multivariate Time Series,MTS)分类中长序列数据难以捕捉时序特征的问题,提出一种基于双向稀疏Transformer的时序分类模型BST(Bidirectional Sparse Transformer),提高了MTS分类任务的准确度.BST模型使用Transformer框架,构建了一种基于活跃度得分的双向稀疏注意力机制.基于KL散度构建活跃度评价函数,并将评价函数的非对称问题转变为对称权重问题.据此,对原有查询矩阵、键值矩阵进行双向稀疏化,从而降低原Transformer模型中自注意力机制运算的时间复杂度.实验结果显示,BST模型在9个长序列数据集上取得最高平均排名,在临界差异图中领先第2名35.7%,对于具有强时序性的乙醇浓度数据集(Ethanol Concentration,EC),分类准确率提高30.9%.

类SMS4型密码结构抵抗线性密码分析能力评估

评估一个迭代型分组密码结构抵抗线性密码分析的能力,通常的做法是给出多轮线性逼近中活跃轮函数个数的下界,进而估计出最大线性逼近概率的上界。基于此方法,通过对类SMS4型密码结构的分析,在轮函数为双射的条件下,证明了4轮、7轮、8轮和10轮线性逼近分别至少有1个、2个、3个和4个活跃轮函数,进而给出任意轮线性逼近中活跃轮函数个数的下界。同时指出,对于1至11轮线性逼近,给出活跃轮函数个数的下界估计结果可达。

变系数分布DCNNS的全局稳定性研究

基于全局Lipschitz连续激励函数方法探讨了带有时滞的变系数Hopfield神经网络模型,借助不动点和Lyapunov泛函数确保给定的神经网络的全局渐进稳定.