多示例学习的簇频繁性分析及双角度融合嵌入

多示例学习(Multi-Instance Learning,MIL)的训练数据是由若干个未带标记的示例组成的带标记的包,基于嵌入的方法,通过将包嵌入成单向量来解决包表示问题,然而大部分现有方法忽略了示例与包的联系,难以保证所选示例的代表性.同时,单角度的嵌入方法无法有效地提取正、负包的差异信息,使嵌入向量的质量较差.提出一种多示例学习的簇频繁性分析及双角度融合嵌入(FADE).簇频繁性分析技术从正、负子空间中分别筛选部分示例作为子空间的簇心,依据簇心将子空间聚类成簇,再计算簇频繁性指标,选择频繁性较高的簇的簇心组成子空间代表示例集.双角度融合嵌入技术基于正、负子空间代表示例集和差值嵌入函数,分别从正、负角度挖掘信息,融合两个角度信息获得最终的嵌入向量.在29个数据集上与七个MIL算法进行了对比实验,结果表明,FADE的分类准确率总体上优于七个对比算法,在图像数据集上有显著优势,在文本和网页数据集上也表现良好.

基于QBD法和PAT法的经典名方制剂示例研究教学改革探讨

目的探究质量源于设计(QBD)法与过程分析技术(PAT)法在经典名方制剂示例研究课程教学中的应用及其推进教学改革中的作用。方法选择2023年1~12月两个学期选课成功的学生作为研究对象,采用传统教学模式与经QBD法设计的教学模式对比教学,通过学生的分段成绩和调查问卷的形式考察两种教学模式的教学效果。结果教学结束后,传统教学模式与经QBD法设计的教学模式学生得分情况:预实验设计平均成绩分别为54分和76分,实验操作技能平均成绩分别为75分和90分,实验报告平均成绩为69分和87分,期末实验方案设计平均成绩分别为65分和89分;学生的满意度调查结果:不满意为23%和5%,较为满意为38%和24%,满意为39%和71%。结论经QBD法设计的教学模式教学效果优于传统教学模式,能明显提升学生的课程学习和科研能力。同时,基于PAT理念,提出了对该课程教学的一些改革设想和具体实施方法。

从系统功能语言学“层级-示例”矩阵关系看生态语言学

本文在系统功能语言学框架下探讨生态语言学的学科属性、研究路径、研究对象和内容。文章首先对生态语言学进行了简要综述与评论,然后以语言作为社会符号所处的“层级”与“示例”维度矩阵关系为基础,对生态语言学涉及的核心要素进行探讨。研究表明,“层级-示例”矩阵可为生态语言学各要素提供参照系;生态语言学是一种适用语言学,是系统功能语言学的适用性在广度和深度上的拓展。

基于多示例学习图卷积网络的隐写者检测

隐写者检测通过设计模型检测在批量图像中嵌入秘密信息进行隐蔽通信的隐写者,对解决非法使用隐写术的问题具有重要意义.本文提出一种基于多示例学习图卷积网络(Multiple-instance learning graph convolutional network,MILGCN)的隐写者检测算法,将隐写者检测形式化为多示例学习(Multiple-instance learning, MIL)任务.本文中设计的共性增强图卷积网络(Graph convolutional network, GCN)和注意力图读出模块能够自适应地突出示例包中正示例的模式特征,构建有区分度的示例包表征并进行隐写者检测.实验表明,本文设计的模型能够对抗多种批量隐写术和与之对应的策略.

基于多模态多示例学习的免疫介导性肾小球疾病自动分类方法

目的探讨如何利用多模态深度学习方法,联合光学显微镜(OM)、免疫荧光显微镜(IM)及透射电子显微镜(TEM)对应的3种图像进行免疫介导性肾小球疾病分类。方法基于273例患者的病理图像进行回顾性研究,构建多模态多示例模型对3种免疫介导性的肾小球疾病——免疫球蛋白A肾病(IgAN)、膜性肾病(MN)、狼疮性肾炎(LN)进行分类。该模型采用示例水平的多示例学习(I-MIL)方法挑选患者的TEM图像并与同一患者的OM图像和IM图像进行多模态特征融合。通过该模型与单模态、双模态模型的比较,探究3种模态之间的不同组合形式以及模态特征融合方式的特性。结果联合OM、IM以及TEM图像建立的多模态多示例模型准确率为(88.34±2.12)%,优于准确率为(87.08±4.25)%的最优的单模态模型,以及准确率为(87.92±3.06)%的最优的双模态模型。结论本研究成功建立基于OM、IM及TEM三种模态图像的多模态多示例模型,并验证了采用多示例学习结合多模态学习方法对免疫介导性肾小球疾病分类的有效性。

基于多核学习的单分类多示例学习算法

将多核学习引入到单分类多示例学习中,提出了一种基于多核学习的单分类多示例支持向量数据描述算法,解决了多核学习方法在实际应用中多示例数据具有比较复杂分布结构的学习问题。本文算法是将多个示例数据通过多个不同的核函数多核映射到特征空间,在特征空间中通过支持向量数据描述算法构建球形分类器。该算法采用迭代优化框架,首先,根据初始化包中的正示例来优化目标函数以此建立分类器。然后,根据上一步得到的分类器再对包中的正示例的标签进行更新。最后,在Corel、VOC 2007和Messidor数据集上的实验结果表明,所提出的算法比单核多示例方法具有更好的性能,进一步验证了算法的可行性和有效性。

基于分级注意力的多示例口腔癌病理分类

针对病理数据超大尺寸、标注成本高昂等问题带来的病理分类准确率较低的问题,基于多示例网络,引入分级注意力模块,设计一种兼顾示例级和图像块级损失的病理分类算法。回顾性收集皖南医学院第一附属医院口腔颌面外科186例口腔癌(126例鳞癌、60例腺癌),其数字病理切片划分为验证集、测试集及训练集。首先对病理图像进行前后背景分割,去掉背景中的噪声部分,然后采用ResNet50对分割后的病理图像提取特征,并将特征输入第一级注意力网络,得到基于图像块的注意力得分和损失,再根据注意力得分对图像块进行排序重置标签输入第二级注意力网络,得到基于示例级别的损失,最后将两级注意力的损失作为模型的总损失,通过训练最终网络,得到口腔癌分类结果。实验结果表明,使用两级注意力的多示例网络准确率为78.95%,AUC为0.8430,相较于基线模型均有更高表现。

IEEE标准接地网设计及计算示例

随着“一带一路”的推进,国外设计项目日益增多,大部分项目技术合同对接地设计均要求满足IEEE标准。本文通过印度尼西亚某燃煤电站主接地网的设计计算示例,对按照IEEE接地标准设计的接地网设计思路进行简述。

参考文献著录格式及示例(2)

报告:格式:[序号]作者(责任单位).报告名称[R].保存地:保存单位,年份:起止页码.示例:新汶矿业集团有限责任公司.千米深井巷道锚杆支护配套技术研究与应用[R].新泰:新汶矿业集团有限责任公司.2000:15-20.

参考文献著录格式及示例(3)

国际、国家标准:格式:[序号]标准编号,标准名称[S].示例:GB/T7714-2005,文后参考文献著录规则[S].专著:格式:[序号]作者名.书名[M].版本(第1版不加标注,第2版及以上要加标注).出版地:出版者,出版年:起止页码.

参考文献著录格式及示例(1)

期刊文章:格式:[序号]作者名.文献题名[J].期刊名(外文刊名需按规范缩写,缩写后的首字母应大写),年,卷(期号):起止页码.示例:[1]胡传亭,郭爱民,乔理学,等.湖西矿井深部回采巷道变形让压锚杆的应用[J].煤炭科学技术,2009,37(8):18-20.

面向专家示例的Stack Overflow本体构造和推理研究

Stack Overflow是一个计算机领域的IT技术问答网站,为了获取问答网站中的专家示例并将其应用于API挖掘中。首先采用Scrapy爬虫框架技术获取Stack Overflow问答网站中的结构化数据,并存储在关系模式中;再使用本体建模工具Protégé构建本体,然后使用D2RQ工具实现对关系数据库的知识抽取,将关系模式转换为三元组形式的本体模型;同时,提出了一个面向专家示例的子本体抽取算法,用于从原本体中抽取出专家示例推理相关的子本体,并提出了若干条专家示例推理规则,能推导出专家所编写的代码示例。实验结果证明,从Stack Overflow本体模型中抽取的专家示例能提高API调用序列挖掘的准确率。

论示例的哲学典范性质及其在读后续译中的作用

示例是读后续译中的一个重要环节。目前的研究多把示例当作教学过程中的一个微观环节加以简略描述,对示例的属性、特征、功能分析不足。在此背景下,从示例的哲学典范性质入手,阐述示例与模仿的关系,并结合《严氏家训》的翻译教学,进一步分析示例在读后续译中的作用。研究表明,将示例应用于读后续译,可衔接四个环节:创设翻译情境、搭建示例支架、独立实践探索、对比效果评价。示例以直观的方式为读后续译的细节设定了标准。学生从观察优秀译作的示例中习得的知识会影响其续译模仿的性质,这再一次印证了模仿和示例之间的深层联系。

基于示例选择的目标跟踪改进算法

多示例学习是一种处理包分类问题的新型学习模式,传统基于多示例学习的目标跟踪算法在自适应获取正包时受到无益或有害示例的干扰,不能很好地提取目标的鉴别性特征。为此,设计基于核密度估计的示例选择方法,剔除训练集中的无益示例或有害示例,提高多示例学习算法的有效性,并在此基础上提出一种基于示例选择的目标跟踪改进算法,针对负示例占多数的情况建立核密度估计函数来精简正包中的示例,使用精简后的样本数据进行训练学习,最终实现对目标的实时跟踪。实验结果表明,该算法在光照变化、目标部分遮挡及形体变化等情形下都具有较好的稳健性。

Ethernet-APL工程规范中的实践规划示例

Ethernet-APL技术正式公布以来,在中国市场已有多个实施案例,标志该项技术已经走到试用推广的阶段。介绍了电源等级规定,以及6种APL主干线带电源的实践规划示例,同时分析了6种示例的局限性;介绍了将APL现场交换机通过光纤直接连接至工业以太网控制网络的标准交换机的方案。通过对两类APL拓扑结构的总结,为APL的应用推广提供借鉴。

结合示例空间概念权重的多示例核学习方法

提出了一种考虑包中样本在概念空间中重要度的多示例核学习方法。引入了包中示例对整个样本空间所包含概念的权重向量。通过数量化的手段表示出每个示例从属于每个概念的重要程度。主要步骤如下:a)通过对所有示例进行聚类,得到能够反映多示例包中所含概念的簇;b)借用文本分类中的r-pattern计算得到每个示例对于概念空间中每个概念的权重向量;c)在多示例核中通过余弦相似度结合示例的权重,得到更能反映概念空间特性的多示例概念核。该方法同时考虑了包层次的概念和示例层次的权重,能够有效度量包中示例对于最终包标记的影响,且本身建立在多示例核的基础上,适用于多种多示例学习的场合。在标准数据集和图像数据集上的实验表明,该算法是有效的。

农村宅基地登记不动产单元编码与数据存储组织研究与示例

依据《不动产登记数据库标准》和《不动产单元设定与代码编制规则》,本文结合具体实践提出了农村宅基地登记数据整合建库中不动产单元编码的户落幢、幢落地原则,探讨了不动产单元号临时编制方法,介绍了数据库客体数据、权利数据、权利人数据、登记业务数据的关联关系建立方法,并列举了地、户、多幢、独幢等发证情况下不动产单元编码与数据组织。基于数据库数据实体对象,开展农村宅基地登记不动产单元编码、数据组织研究与示例,这是相关标准在不动产登记工作中落地实施的直接体现,对实际工作具有一定参考价值。

基于多示例学习的钼靶图像BI-RADS分类方法

目的:基于深度学习的乳腺X线图像分类模型对于所得出的决策无法给出诊断依据。本文旨在保证模型分类精度的同时,改善模型的可解释性。方法:基于多示例学习,提出一种弱监督病灶分类和定位方法,以应用于乳腺X线图像的乳腺影像报告和数据系统(BI-RADS)分级任务。为了解决传统多示例学习只能应用于二元分类任务的问题,本文利用了BI-RADS分类的有序性,引入了新的样本标签、训练方法和输出判断方法。结果:公开数据集INbreast上的实验结果表明,在使用相同的特征提取网络下,所提出的方法在分类准确性上相较传统方法提升了2.91%。模型在病灶检出上的准确率达到83.49%,真阳性率达到75.87%,具有一定的病灶定位能力。结论:在不借助病灶轮廓数据或是位置数据进行训练的情况下,所提出的深度学习模型可以展示出每一个可能存在的病变区域及其BI-RADS分类,具有较好的应用场景。

自动化技术对精确农业的促进作用及应用示例分析

自动化技术是现代科学技术发展的重要基础,对于保证精确农业理念的实现意义重大。在资源与环境问题日益凸显的情况下,应当进一步利用自动化技术提升农业生产的技术水平,促进农业由粗放型向精确型转型。从精确农业的内涵展开论述,分析了自动化技术对精确农业理念实施的促进作用,对典型技术的应用形式与特点进行分析说明,强调了自动化技术应用的重要价值。

以示例得分为权重的深度多示例学习方法研究

多示例学习作为一种弱监督学习,被广泛应用于生物特征识别、图像检索及自然语言处理等领域。为解决现有多示例学习(multiple instance learning,MIL)的池化算子中缺乏可解释性和灵活性等问题,提出一种可学习的权重分配机制模型。通过示例得分得到示例权重,将示例得分与示例权重进行池化,求出包的表示,通过示例得分对权重分配函数进行学习。试验结果表明:文中方法具有更高的分类精度、较好的可解释性和灵活性。