基于生成对抗策略的代码搜索

基于深度学习的代码搜索方法通过计算代码与描述语句各自表征的相似程度,实现代码搜索任务.然而此类方法并未考虑代码和描述语句之间真实存在的相关性概率分布.针对此问题,将经典概率模型中代码和描述语句的相关性概率分布与向量空间模型中特征提取相结合,提出基于生成对抗策略的代码搜索方法.所提方法首先设计代码和描述语句的特征编码器用于特征提取.接着采用生成对抗策略,将代码和描述语句之间的概率分布应用于生成器和判别器的交替训练,同时实现对代码编码器和描述语句编码器的优化,生成高质量的代码表征和描述语句表征用于代码搜索任务.最后在公开的数据集上进行实验验证,结果表明所提出的方法相比于DeepCS方法在Recall@10,MRR@10和NDCG@10指标上分别提升8.4%、32.5%和24.3%.

结合连续小波变换与生成对抗网络的癫痫发作预测

目前半监督深度学习模型已成功用于脑电信号(EEG)的癫痫发作预测,但该模型在EEG预处理方式与半监督模型稳定性等方面还有提升空间。本研究提出一种结合连续小波变换(CWT)与基于梯度惩罚的Wasserstein生成对抗网络(WGAN-GP)的改进方法(CWT-WGAN-GP)。首先对未标记的EEG信号进行CWT获得时频图,并结合特定患者的EEG数据集训练WGAN-GP模型,生成高性能的特征提取器;其次,以经过训练的WGAN-GP的判别器为特征提取器、两个全连接网络层为分类器(预测器),用少量有标记的EEG信号CWT时频图完成分类模型训练;最后,WGAN-GP的判别器与稳定的全连接网络组成半监督深度学习预测模型,用于癫痫发作预测。用CHBMIT头皮脑电数据集中所筛选的13例患者数据,评估改进的半监督癫痫发作预测模型,并与现有半监督方法相比。该方法在灵敏度、特异性、准确率和AUC指标上分别达到82.69%,67.48%,82.08%和84.03%,将原有的性能指标分别提升14.48%,34.45%,7.87%和11.4%;CWT-WGAN-GP的预测性能与现有方法的差异具有统计学意义(P<0.05)。CWT与WGAN-GP模型相结合能有效地改善半监督深度学习模型预测性能,在癫痫发作预测中发挥无监督特征提取的优化作用。

基于交替式超边神经元算法的阿尔茨海默症多模态脑网络融合

阿尔茨海默症(Alzheimer’s Disease, AD)是一种常见于中老年人的神经退行性疾病,其病理机制至今尚未明确。通过多模态脑影像来表征脑网络在阿尔茨海默症研究中已显示出巨大的潜力和前景。然而,由于多模态数据之间的异质性,现有大多数融合算法都不能有效利用不同模态数据之间的功能–结构互补信息。为解决上述问题,本文基于超图理论和生成对抗策略,提出了交替式超边神经元算法和最优超图同态算法的多模态脑网络计算方法。具体来说,首先将功能磁共振(fMRI)和弥散张量成像(DTI)利用最优超图同态算法进行超图数据构建,再利用交替式超边神经元算法对fMRI和DTI数据的功能–结构互补特征进行深度融合,最终学习得到疾病相关的多模态脑网络。该模型的优势在于能够最大限度地挖掘疾病相关互补信息,进行多层级交替式深度融合。实验结果表明,该模型不仅能提高阿尔茨海默症早期识别性能,而且能有效检测与阿尔茨海默症相关的异常脑连接作为疾病标志物,为病理机制溯源提供基础。