基于集合约束的异质超网络表示学习

与节点之间仅具有成对关系的普通网络不同,超网络的节点之间还存在复杂的元组关系,因而现有的大多数普通网络表示学习方法不能有效地捕获复杂的元组关系。为此,提出一种捕获成对关系和元组关系的基于集合约束的异质超网络表示学习方法。结合团扩展和星型扩展,将抽象为超图的异质超网络转化成抽象为2-截图+关联图的异质网络。基于2-截图+关联图,采用感知节点语义相关性的元路径游走方法获取异质节点序列,并通过基于拓扑派生目标函数的模型训练异质节点序列上的成对关系,采用基于集合约束目标函数的模型,将与节点关联的超边集合融入到超网络表示学习中来训练节点之间的元组关系,从而获得高质量的节点表示向量。实验结果表明,对于链接预测任务,该方法的性能接近于其他最优基线方法;对于超网络重建任务,当超边重建比率大于0.7时,该方法在drug数据集上具有较优的性能,在GPS数据集上的平均性能超过其他最优基线方法16.2%。

超边约束的异质超网络表示学习方法

与普通网络相比,超网络具有复杂的元组关系(超边),然而现有的大多数网络表示学习方法并不能捕获元组关系。针对上述问题,提出一种超边约束的异质超网络表示学习方法(HRHC)。首先,引入一种结合团扩展和星型扩展的方法,从而将异质超网络转换为异质网络;其次,引入感知节点语义相关性的元路径游走方法捕获异质节点之间的语义关系;最后,通过超边约束机制捕获节点之间的元组关系,从而获得高质量的节点表示向量。在3个真实世界的超网络数据集上的实验结果表明,对于链接预测任务,所提方法在drug、GPS和MovieLens数据集上都取得了较好的结果;对于超网络重建任务,当超边重建比率大于0.6时,所提方法在drug数据集上的准确性(ACC)优于次优的Hyper2vec(biased 2nd order random walks in Hyper-networks),同时所提方法在GPS数据集上的ACC超过其他基线方法中次优的基于关联图的超边超边约束的异质超网络表示学习方法(HRHC-关联图)15.6个百分点。

基于平移约束的异质超网络表示学习

与仅具有节点成对关系的普通网络不同,超网络的节点之间还存在复杂的元组关系,即,超边。而现有的大多数网络表示学习方法不能有效地捕获复杂的元组关系。针对上述问题,该文提出一种基于平移约束的异质超网络表示学习方法(HRTC)。首先,该方法结合团扩展和星型扩展将抽象为超图的异质超网络转换为抽象为2-截图+关联图的异质网络。然后,提出一种感知节点语义相关性的元路径游走方法来捕获节点之间的语义关系。最后,在训练节点成对关系的同时,通过引入知识表示学习中的平移机制来捕获节点之间的元组关系。实验结果表明,对于链接预测任务,该方法的性能接近于其他最优基线方法;对于超网络重建任务,当超边重建比率大于0.6时,该方法在drug数据集上的性能优于其他最优基线方法,同时该方法在GPS数据集上的平均性能超过其他最优基线方法16.24%。

基于转化策略的异质超网络表示学习

与传统网络相比,超网络结构更加复杂,并对现有网络表示学习方法提出了很大的挑战。为了克服网络表示学习面临的超网络结构的挑战,提出一种基于转化策略的异质超网络表示学习方法MT2vec。首先,结合团扩展和星型扩展将抽象为超图的异质超网络转换为抽象的2-截图+关联图的异质网络;然后提出一种感知节点语义相关性的元路径游走方法来捕获节点之间的成对关系和元组关系;最后,设计一种结合多层感知器的skip-gram优化模型同时训练节点成对相似性和元组相似性来获得节点表示向量。通过在三个不同类型的超网络数据集上进行实验。结果表明MT2vec算法在链接预测和超网络重建任务中,效果优于其他基线方法。

基于FSRCNN的图像超分辨率重建算法优化研究

针对快速超分辨率重建卷积神经网络(FSRCNN)算法在特征提取阶段只采用一个卷积层,从而导致提取的特征不够准确的问题,改变网络结构,增加一个卷积层用于特征提取。针对FSRCNN算法在将反卷积层置于最后,使得图像在放大重建的过程中存在较大的重建随机性,改变网络结构,将反卷积层置于特征提取层的前面,使得放大重建的图像在训练过程中进行特征提取。经过大量的对比实验仿真证明,改进了网络结构的FSRCNN模型在一定程度地增加算法复杂度的同时提高了图像重建的质量,在一定硬件平台的支持下可以更好地处理图像超分辨率重建的问题。

基于多特征融合与XGBoost的肺结节检测

为了提高肺结节检测的精确度和效率,提出一种基于多特征融合和XGBoost的肺结节检测模型。首先采用阈值分割与形态学运算,获得候选结节区域;然后通过基于超分辨率重建的卷积神经网络进行候选结节的特征增强;其次采用快速鲁棒特征、灰度共生矩阵、灰度不变矩的提取方法获得候选结节的局部与全局的多种特征,采用词袋模型进行降维并融合;最后利用XGBoost-决策树分类模型去除假阳性结节,完成肺结节的检测。在LIDC-IDRI数据上进行的实验表明该模型能达到97.87%的准确率和97.92%的召回率。该模型可用于辅助医生进行肺结节诊断,具有一定的临床应用价值。