融合高阶信息的遥感影像建筑物自动提取

针对遥感影像中建筑物目标与背景环境区分度低而造成的提取效果较差的问题,本文提出了融合高阶信息的编解码网络方法以改善建筑物自动提取的精度。首先,针对遥感影像建筑提取任务,使用深度编解码网络完成对建筑物目标的低阶语义特征提取;其次,使用多项式核完成对深度网络中间特征图的高阶描述,以提升网络对于模糊特征的辨识能力;最后,将低阶特征与高阶特征级联后,送入编解码网络的末端,得到对建筑物的分割结果。在Massachusetts Buildings数据集上进行试验,其召回率、准确率和F1-score指标分别达到了85.1%,77.5%和80.9%,综合指标F1-score相比于基础深度编解码网络提升约4%。本文所提方法改进了编解码器网络对于遥感影像建筑物自动提取任务的表现性能,能够更加精确地提取与背景区分度较低的建筑物目标,具有良好的实用价值。

基于结构平衡理论和高阶互信息的符号网络表示学习算法

提出了一种基于结构平衡理论和高阶互信息的符号网络表示算法SNSH,通过反转符号网络中的正负关系生成负图,来挖掘符号网络中隐含的高阶互信息。该方法旨在通过加强的社会平衡理论来模拟符号网络的局部隐含特征,并通过节点局部嵌入、网络全局结构和节点特征属性三者之间的高阶互信息,得到更全面的符合符号网络特性的节点嵌入。

高阶互信息最大化与伪标签指导的深度聚类

针对现有聚类方法未充分探索图的拓扑结构和节点关系,且无法受益于模型预测的不精确标签的问题,提出一种高阶互信息最大化与伪标签指导的深度聚类模型HMIPDC.该模型采用高阶互信息最大化策略来最大化图的全局表示、节点表示、节点属性信息之间的互信息.通过一种结合多跳邻近矩阵的自注意力机制更加合理地提取节点的低维表征.使用基于深度散度的聚类损失函数(DDC)迭代优化聚类目标,抽取高置信度的预测标签对低维表征的学习进行监督.在4个基准数据集上的聚类任务、实验时间分析和聚类可视化分析充分表明,HMIPDC的聚类性能始终优于大多数的深度聚类方法.通过消融研究和参数敏感性分析验证了该模型的有效性和稳定性.

基于高阶一致性学习的聚类集成算法

现有的大部分关于聚类集成的研究主要关注有效的集成算法的设计。为解决由于基聚类器的质量高低不一、低质量的基聚类器对聚类集成性能产生影响的问题,从数据发掘的角度出发,以基聚类器为基础挖掘数据的内在联系,提出一种高阶信息融合算法——基于高阶一致性学习的聚类集成(HCLCE)算法,从不同的维度表示数据之间的联系。首先,将每种高阶信息融合成一个新的结构化的一致性矩阵;然后,再对得到的多个一致性矩阵进行融合;最后,将多种信息融合为一个一致性的结果。实验结果表明,与次优的LWEA(Locally Weighted Evidence Accumulation)算法相比,HCLCE算法的聚类准确率平均提升了7.22%,归一化互信息(NMI)平均提升了9.19%。可见,HCLCE能得到比聚类集成算法和单独使用一种信息更好的聚类结果。

ChatGPT内容生成逻辑及其对宏观传播效果的影响

生成式人工智能(AIGC)的出现标志着人类社会已经正式进入人工智能时代。ChatGPT是AIGC的具体实现方式和开路先锋。研究首先揭示了ChatGPT内容生产的微观机制,提出了ChatGPT内容生产系统模型,由此决定了ChatGPT填平知识鸿沟的微观机制和基本途径。在此基础上,通过引入智力分布曲线,建立了ChatGPT可以填平的智力鸿沟(I_(p))的定量数学模型,为具体评估ChatGPT提升宏观传播效果(E_(ma))提供了定量基础,从形式上构造了宏观传播效果(E_(ma))和知识鸿沟(I_(p))之间的函数关系,据此可以揭示ChatGPT提升宏观传播效果(E_(ma))的具体实现途径。研究发现了“高阶信息”的存在,提出了高阶信息的概念及其数学描述。提问次数越多,ChatGPT生成的内容越精确的现象,正好反映了高阶信息的作用。

信息安全风险评估实施模型研究

信息风险评估是风险管理和控制的核心组成部分,但实施过程中存在一些问题.基于正在修订的国家标准,针对评估实施中的问题,提出了高阶信息安全风险评估、详细信息安全风险评估和先详细信息安全风险评估再高阶信息安全风险评估3种实施模型.通过3种模型的研究,探讨不同情况下如何更好地开展信息安全风险评估工作,并将标准修订核心内容落实到工作环节中.通过实际案例表明,3种模型能够有效解决当前评估对象受限、缺少针对业务层面的信息安全风险评估、缺少业务或组织整体风险评估的依据或方法等问题.3种模型能够有效地指导信息安全风险评估工作,满足从资产到业务、从个体到整体等不同方面的评估需求,为决策和实施安全措施提供可靠的依据.

基于Transformer和知识图谱的新闻推荐新方法

为了增加新闻推荐的辅助信息并提高预测精度,提出基于Transformer和知识图谱的新闻推荐方法.为了结合新闻语义信息和实体信息,利用自注意力机制获取新闻单词之间和新闻实体之间的联系,采用加法注意力机制捕捉单词和实体对新闻表示的影响.考虑到用户对新闻的偏好具有时序性特点,引入Transformer以捕捉用户点击新闻间的关联信息及用户兴趣随时间的变化情况.利用知识图谱中的高阶结构信息,融合候选新闻邻接实体,提升候选新闻嵌入向量所含信息的完整性.在2个版本的MIND新闻数据集上与5个典型推荐方法的对比实验表明,注意力机制、Transformer和知识图谱的引入提高了算法在新闻推荐方面的表现.

改进的自适应深层图模型

图神经网络以其对图结构化数据的强大表示能力而被广泛应用于各个领域。用于异构图表示学习的深度学习方法遵循邻域的消息聚合,对于图卷积网络不能将层次堆叠很深。浅层的图网络不能混合高阶语义信息,深层的图网络将会导致过平滑的产生。为了解决这些限制,在图变换网络的基础上,提出了图跳跃知识转换网络深层图模型,该网络自适应地识别原始图上节点之间潜在的深层连接,同时以端到端的方式学习新图上有效的节点表示。为了适应局部邻域属性和任务,在跳跃知识转换层学习了边类型和复合关系的软选择,以生成有用的多跳连接,灵活利用每个节点不同的邻域范围来实现更好的结构感知表示,从而学习高阶语义信息。图跳跃知识转换网络模型可以与最先进的同构图模型进行结合,在性能上得到了很大的提升。

基于图卷积网络的认知诊断方法

量化评估学生对于知识点的掌握程度是智慧教育领域一个重要的研究课题。现有的认知诊断方法和协同过滤方法在评估过程中都忽略了学生试题之间的高阶交互信息,从而影响了认知诊断结果的准确性。针对上述问题,提出一种基于卷积神经网络的认知诊断模型GCCD,利用图卷积网络构建包含学生试题高阶交互信息的学生能力向量作为认知诊断结果,通过非线性方式建模学生做题交互过程用于预测学生做题表现。在学生测验数据集上的实验结果表明,该方法能有效降低对学生做题表现预测过程中的误差,并保证诊断结果的可解释性,在学生测验数据集上的准确度达到了93.7%。

道路网与兴趣点相结合的城市中心提取方法

为空间数据添加接近人们思维以及适宜认知的高阶信息是改善其可用性的重要途径。城市中心是这一类信息的典型案例，它在人们的社会活动中具有重要作用。本文提出一种单纯运用道路网和兴趣点提取城市中心的方法。该方法首先运用G？提取了路网的密集区域，确定了包含城市中心的大致区域；然后根据该区域中特定类型兴趣点的网络核密度确定了城市中心的精确范围。对英国利物浦、加拿大多伦多和巴西库里蒂巴进行了试验，查准率为0．74～0．8，查全率为0．53～0．67，结果表明该方法能较为有效地提取城市中心。对方法的两个关键影响因素：G1＊的距离测度以及网络核密度的带宽进行了敏感性分析，固定距离法为合适的距离测度方法，而600～900m为适宜带宽。

基于二阶对比度的图像融合算法

本文针对融合图像的对比度下降问题,提出了一种基于二阶对比度的图像融合算法。文中给出基于图像灰度直方图的对比度定义、二阶对比度定义和计算方法,可以直接根据灰度图像计算图像的对比度和二阶对比度。所提出的融合算法向融合图像传递二阶对比度信息、对比度信息和灰度信息,不需要对源图像进行变换。实验结果表明,与现有算法相比,基于二阶对比度的算法所需CPU运行时间有较大幅度减少;而且基于二阶对比度算法的融合图像的互信息有显著提高。

基于独立分量分析的公路工程造价属性重构模型

公路工程造价的观测属性数据具有较强的相关性,并且包含冗余信息。若直接将这些数据用于训练建模,很难保证模型的准确性。因此,建模前必须对公路工程造价观测属性数据进行预处理。针对传统的二阶去相关方法的不足,该文提出了一种新型的公路工程造价属性重构模型。该模型首次利用公路工程造价属性数据的高阶统计信息,并基于独立分量分析的基本原理,实现了公路工程造价属性智能化重构,挖掘出表征能力更强的公路工程造价独立属性。实证数据分析验证了本模型的有效性。

基于上界单纯形投影图张量学习的多核聚类算法

近年来,多核图聚类(MKGC)受到了广泛的关注,这得益于多核学习能有效地避免核函数与核参数的选择,而图聚类能充分挖掘样本间的复杂结构信息。然而现有的MKGC方法存在着如下问题:图学习技术使得模型复杂化,图拉普拉斯矩阵的高秩特性使其难以保证学到的关系图包含精确的c个连通分量(块对角性质),以及大部分方法忽略了候选关系图间的高阶结构信息,使得多核信息难以被充分利用。针对以上问题,提出了一种新的MKGC方法。首先,提出一种新的上界单纯形投影图学习方法,直接将核矩阵投影到图单纯形上,降低了计算复杂度;同时,引入一种新的块对角约束,使学到的关系图能保持精确的块对角属性;此外,在上界单纯形投影空间中引入低秩张量学习来充分挖掘多个候选关系图的高阶结构信息。在多个数据集上与现有的MKGC方法相比,所提出方法计算量小、稳定性高,在聚类精度(ACC)和标准互信息(NMI)指标上具有较大的优势。

一种融合用户显隐式阅读偏好的论文推荐模型

在海量学术文献的个性化推荐中,现存基于内容的方法以CNN作为特征提取工具,关注用户的显式阅读偏好,却忽略了全局语义特征,而基于图的方法通常忽略用户和论文之间的高阶关联结构信息。针对以上问题,提出一种混合推荐模型GNPR(Graph Neural Paper Recommendation),能够学习更完整的用户显式阅读偏好及用户和论文之间的高阶关联信息。该方法使用Word2vec和DCNN(Dual Convolutional Neural Network)处理文本,以双层自注意力的特征抽取模式学习文本全局特征,补充用户显式阅读偏好。针对概念、用户、论文和论文元数据等数据构建知识图谱,使用改进的图卷积网络学习用户和论文之间的高阶关联信息,从而挖掘用户隐式的阅读偏好。在CiteULike-a等数据集上验证了GNPR模型的有效性。

基于引文大数据的高阶网络建模及信息增益比较研究

传统一阶网络模型难以捕捉节点间的间接依赖关系,高阶网络建模方法能有效提高模型对现实系统的表征精度.文章使用美国物理学会电子期刊数据库116年间的引文数据,在一阶网络的基础上,构建以文献引用关系为节点、以路径长度为2的引用关系为边的二阶引文网络,并进一步提出基于引用多样性信息熵的高阶网络表示信息增益指标.结果表明,期刊Rev ModPhys和Phys Rev Lett的二阶网络表示信息增益最大,这两种期刊的被引率受前序期刊的间接影响较大,且在一阶与二阶网络中相差最大达到0.38,说明应用二阶网络开展引文数据分析的重要性.高阶网络表示信息增益有效量化了真实系统在低阶网络模型中的高阶信息损失,揭示了一阶和二阶网络中直接和间接依赖关系的差异.

基于公共特有子空间提取的工业设备多模式运行过程故障检测方法

工业设备运行状态直接影响到最终产品质量,有必要对设备运行过程开展监控,因此着重对工业设备运行数据中存在的不同阶次信息以及多模式等复杂数据特性展开讨论.针对过程中存在的不同阶次信息问题,首先通过引入最大交互熵展开与偏最小二乘方法,将原始空间信息分解为高阶和低阶信息,并构建相应隐空间模型来提取高阶与低阶质量相关关系;其次,针对过程中存在的多模式运行问题,提出公共-特有信息提取算法,并结合高阶-低阶信息结构,将原始空间信息进一步分解,并构建相应隐空间模型;再次,设计在线监控算法,可有效判断过程中存在的模式切换或故障,提高了多模式过程监控算法效果;最后,相关算法在实际工业设备运行环境中进行了验证,结果表明,所提出的算法在设备多模式运行状态监测中的效果相比传统方法有较大优势.