Multi-Agent模式下的城市暴雨内涝应急决策方法研究

为厘清应对暴雨内涝灾害动态决策过程中决策主体、决策、决策方案等决策要素间的不确定关系,提出1种多主体(Multi-Agent)和贝叶斯决策网络(BDN)相结合的应急决策方法。首先分阶段构建“主体-任务”可视化网络,分析暴雨内涝灾害各应急阶段的主要任务和参与的决策主体;在考虑到决策要素间的动态不确定性可能造成决策风险的前提下,运用Multi-Agent和BDN方法探究各决策要素间的影响关系,以便进行方案集优选。研究结果表明:该方法具有实用性和现实意义,研究结果可为城市暴雨内涝灾害的应急决策提供理论参考。

Variation-Aware Task Mapping on Homogeneous Fault-Tolerant Multi-Core Network-on-Chips

A variation-aware task mapping approach is proposed for a multi-core network-on-chips with redundant cores, which includes both the design-time mapping and run-time scheduling algorithms. Firstly, a design-time genetic task mapping algorithm is proposed during the design stage to generate multiple task mapping solutions which cover a maximum range of chips. Then, during the run, one optimal task mapping solution is selected. Additionally, logical cores are mapped to physically available cores. Both core asymmetry and topological changes are considered in the proposed approach. Experimental results show that the performance yield of the proposed approach is 96% on average, and the communication cost, power consumption and peak temperature are all optimized without loss of performance yield.

基于激光雷达点云的动态驾驶场景多任务分割网络

在自动驾驶场景理解任务中进行准确的可行驶区域以及动静态物体分割对于后续的局部运动规划和运动控制至关重要。然而当前基于激光雷达点云的通用语义分割方法并不能在车端边缘计算设备上实现实时且鲁棒的预测,且不能预测当前时刻的物体运动状态。为解决该问题本文提出一种可行驶区域及动静态物体多任务分割网络MultiSegNet。该网络利用激光雷达输出的深度图及处理后得到的残差图像作为编码空间特征和运动特征的表征输入到网络用于特征学习,从而避免直接处理无序高密度点云。针对深度图在不同方向视角内目标分布数量差异较大的特点,本文提出了变分辨率分组输入策略。该方法能在降低网络计算量的同时提高网络的分割精度。为适配不同尺度目标所需要的卷积感受野尺寸本文提出了深度值引导的分层空洞卷积模块。同时本文为有效关联并融合不同时域下物体的空间位置和姿态信息提出了时空运动特征增强网络。为验证所提出MultiSegNet的有效性,本文在大规模点云驾驶场景数据集SemanticKITTI及nuScenes上进行验证。结果表明:可行驶区域、静态物体和动态物体的分割IoU分别达到98%、97%和70%,性能优于主流网络,且在边缘计算设备上实现实时推理。

基于图半监督与多任务学习的配电网故障区段与类型统一辨识

为解决深度学习类配电网故障辨识方法在量测不足和标记率低时准确率不高的问题,提出了基于图半监督与多任务学习的故障区段与类型统一辨识方法。首先,设计了故障区段与类型统一辨识的图神经网络架构,在图嵌入层中融入网络拓扑和线路参数信息,以充分挖掘不同位置、类型的故障特征。其次,采用多任务注意力网络构建了故障区段定位和类型辨识两个任务,以提取故障的多重信息,实现不同任务间知识转移。再次,将图嵌入特征与无标签样本的编码压缩特征进行融合,得到新的多任务共享特征,以充分利用未标记数据,增强模型泛化能力。最后,通过算例测试表明,所提方法的故障辨识精度优于传统神经网络,且在实时量测少、标签率低及不同量测噪声条件下具有更好的鲁棒性。

应用于人脸识别的多任务卷积神经网络性能优化

对一种多任务卷积神经网络的人脸识别性能进行研究与优化。该神经网络采用3个独立的任务网络分别进行人脸检测、关键点定位和人脸识别。让3个任务网络在训练过程中共享底层卷积层的特征表示,使得模型能针对多个任务同时进行学习,进而提高其泛化能力和识别精度。为了增强模型对图像的学习能力,采用一种数据增强和迁移学习技术,使人脸识别系统的准确性、鲁棒性和可靠性均得到了显著提升。研究结果为发展人脸识别技术提供了新的思路,尤其在处理复杂场景和多样化人脸图像方面具有一定的应用前景。

联合句法与位置信息的方面情感三元组抽取

为提高方面级情感三元组抽取任务的准确率,提出一种联合依存句法关系和位置偏移信息的抽取模型。在模型上下文编码中添加句法关系,结合图卷积网络捕获结构和结点属性信息,增强三元组要素之间的交互能力;在多任务学习部分加入相对位置偏移信息,充分挖掘方面-观点词对的关系,提高三元组要素抽取的精度。在4个基准英文数据集上的实验结果表明,该方法效果显著且优于其它基线模型。

多任务元学习网络的气体绝缘组合电器局部放电同时诊断与定位

针对气体绝缘组合电器(GIS)局部放电诊断和定位作为两个独立的任务来完成而忽略了两个任务间的联系、且难以部署和泛化到现场小样本场景下的问题,提出了多任务元学习网络以同时实现现场小样本场景下的GIS局部放电诊断与定位。首先,为了充分挖掘两个任务间的关联关系并保留每一任务的差异特征,构建了多任务网络,在特定任务层引入注意力机制,为每个任务从浅到深选择重要特征,保证每一任务特征差异化提取的质量。其次,为了将所开发的多任务网络部署应用到现场小样本场景下,采用元训练的方法对模型进行训练。再次,在元测试阶段使用目标任务的少量数据进行微调,实现了小样本下GIS局部放电诊断和定位。最后,在现场样本上对模型性能进行了验证。实验结果表明,提出的多任务元学习网络在GIS局部放电诊断上的准确率达到94.53%,定位平均误差和均方根误差分别为10.78 cm和12.97 cm,与单任务网络和其他模型相比性能提升明显,为GIS局部放电诊断和定位提供了新颖的解决思路。

基于异构图和关键词的抽取式文本摘要模型

抽取式文本摘要使用一定的策略从冗长的文本中选择一些句子组成摘要,其关键在于要尽可能多地利用文本的语义信息和结构信息。为了更好地挖掘这些信息,进而利用它们指导摘要的抽取,提出了一种基于异构图和关键词的抽取式文本摘要模型(HGKSum)。该模型首先将文本建模为由句子节点和词语节点构成的异构图,在异构图上使用图注意力网络学习节点的特征,之后将关键词抽取任务作为文本摘要任务的辅助任务,使用多任务学习的方式进行训练,得到候选摘要,最后对候选摘要进行精炼以降低冗余度,得到最终摘要。在基准数据集上的对比实验表明,该模型性能优于基准模型,此外,消融实验也证明了引入异构节点和关键词的必要性。

基于分层聚合与高度语义信息感知的多任务网络

针对现有多任务网络对各项任务关系以及城市场景图像内在特征的分析稍显不足的问题,提出基于分层聚合与高度语义感知的多任务网络。首先,为增强特征提取网络的能力,使用分层聚合模块学习多层特征间的相互依赖性,经过共享与独立设计,实现浅层特征与深层特征的融合,为不同下游任务馈送所需特征;其次道路场景图像中具有一定的高度差异性,水平分割相互之间的像素级分布有着显著不同,使用高度感知模块引入该先验信息,该结构简单高效。结果表明,所提方法在BDD100K的各项性能均优于同类方法,同时将车道线数据集TuSimple和CULane重新标注扩展为多任务进行测试,取得比现有方法更好的精度,验证方法的有效性。

将行为依赖融入多任务学习的个性化推荐模型

多种类型行为数据的引入缓解了协同过滤算法存在的数据稀疏和冷启动问题,在推荐领域被广泛研究和应用。尽管当前对多行为推荐的研究已经取得很大进展,但仍然存在以下问题:未能全面捕获行为之间复杂的依赖关系;忽略了行为特征与用户和项目的相关性。这导致学习到的特征向量无法准确表达用户的兴趣偏好,使得推荐结果存在偏差。为了解决以上问题,提出了将行为依赖融入多任务学习的个性化推荐模型(BDMR),将行为之间复杂的依赖关系分为特征相关性和时序相关性。首先,设置用户个性化行为向量,利用图神经网络处理多个单行为交互图,联合用户、项目和行为特征聚合高阶邻域信息,结合注意力机制学习行为之间的特征相关性;其次,将行为特征和项目特征构成的交互序列输入长短期记忆网络,捕获行为之间的时序相关性;最后,将个性化行为向量融入多任务学习框架获取更加准确的用户、行为和项目特征。为了验证提出模型的性能,在三个真实数据集上进行对比实验,在Yelp数据集上,相较于最优基线,HR和NDCG分别提升了1.5%和2.9%;在ML20M数据集上,HR和NDCG分别提升了2.0%和0.5%;在Tmall数据集上,HR和NDCG分别提升了25.6%和30.2%。实验结果表明,该模型优于其他的基准模型。

融合行为词的罪名预测多任务学习模型

随着人工智能技术在司法领域的应用,依据案情描述预测所属罪名成为一项重要研究内容。案情内容术语专业,描述言简意赅,而现有方法却往往依赖文本特征,忽略了不同案件相关要素的差异性,缺乏对案情行为词要素的有效利用。为了解决此类问题,提出一种融合行为词的罪名预测多任务学习模型。首先,由边界识别器生成行为词跨度,提炼出案情核心内容;其次,通过构建行为词的结构特征预测所属罪名;最后,将行为词识别和罪名预测进行统一建模,通过共享参数的方式增强模型的泛化能力。通过构建行为词识别和罪名预测的多任务数据集进行验证,实验结果表明该模型识别行为词任务的F值达到了83.27%,罪名预测任务的F值达到了84.29%,与BERT-CNN模型相比,分别提高了0.57%和2.61%,验证了该模型对行为词识别和罪名预测的优势。

基于全局注意力多任务网络方法的CT图像细小骨折检测研究

目的:通过全局注意力多任务网络提升CT图像细小骨折检测的感知,通过多任务实现实例级别细小骨折目标的检测,快速、准确地从大量CT图像中识别并定位骨折,以辅助临床及时开展治疗。方法:引入分组非局部(non-local)网络方法,计算CT图像连续切片任何位置和通道之间的远程依赖关系,将多目标检测模型3D RetinaNet单级检测器与医学图像语义分割(3D U-Net)架构相融合,实现端到端的多任务3D卷积网络,以多任务联合的方式实现对细小骨折的实例级别检测。选择医学图像计算与计算机辅助干预(MICCAI)2020挑战赛提供的肋骨骨折公开数据集(Rib Frac Dataset)600例CT扫描图像,通过5∶1的比例划分为训练集(500例)和验证集(100例),测试多任务3D卷积网络的精度性能。结果:多任务3D卷积网络方法的检测精度性能优于单任务网络FracNet、3D RetinaNet及3D Retina U-Net,其平均精度与3D RetinaNet和3D Retina U-Net网络相比分别高出7.8%和11.4%,且优于3D Faster R-CNN、3D Mask R-CNN两种单任务网络检测方法,平均精度分别高出约6.7%和3.1%。结论:全局注意力多任务网络融合不同模块,对于细小骨折检测性能均有提升,引入分组非局部(Non-local)网络方法能够进一步提升对细小骨折目标的检测精度性能。

多任务学习孪生网络的遥感影像多类变化检测

精确掌握土地覆盖/利用的变化及变化类型对国土空间规划、生态环境监测、灾害评估等有着重要意义,然而现有大部分变化检测研究主要关注二值变化检测。为此,该文首先提出了一种多任务学习深度孪生网络用于遥感影像的多类变化检测。首先提出面向对象的无监督变化检测方法,选择出新、旧时相影像中最有可能发生变化和最不可能发生变化的区域,并作为多任务学习深度孪生网络的样本;其次,采用多任务学习深度孪生网络模型同时对新、旧时相的土地利用图以及新、旧时相的二值变化图这3个任务模型进行学习和预测;最后,基于模型预测的新、旧时相土地利用图及新、旧时相的二值变化图获取最终的多类变化检测结果。采用第三次全国国土调查的影像数据和相应的土地利用图斑数据对多任务学习深度孪生网络模型进行了测试,结果表明所提出的方法适用于这种在没有变化、未变化样本而有历史专题图的变化检测场景中。

基于多任务循环神经网络带状回归模型的乳腺癌个体生存分析

针对乳腺癌病程长、疾病发展较缓和的特点,提出了一种多任务循环神经网络带状回归模型进行乳腺癌个体生存分析。首先,提出一种基于循环神经网络的多任务带状回归模型,通过识别各病理特征对不同患者之间影响的区别,优化患者个体生存分析。其次,对带状校验矩阵的形式进行拓展并研究其对患者风险分布的影响。最后,在乳腺癌真实数据集上进行生存分析,不同患者之间产生明显的差异性,验证了模型的有效性。在2个乳腺癌真实数据集上进行的生存分析结果显示,基于循环神经网络的多任务带状回归模型的一致性指数(Concordance Index, C-index)较医学上常用的Cox回归模型有较大提升,并有着更小的95%置信区间。

基于多任务联合注意力的结肠息肉分割网络

结肠息肉具有边界不清晰且大小、颜色、形状各异的特点,使得采用深度学习方法提高其分割性能仍是一项极具挑战性的工作。为提高息肉分割的准确率,提出一种基于多任务联合注意力的结肠息肉分割网络CPMJA-Net。为改善Transformer缺乏机制来增强局部区域信息交换的问题,设计级联融合模块以增强网络的局部特征表示,有助于息肉边缘的识别和恢复。受多头Self-Attention机制的启发,构建多任务注意力模块,采用渐进式融合的方式将不同模块得到的特征图逐步进行融合,以凸显关键信息并抑制干扰信息。为更好聚合图像的高级和低级特征,设计联合注意力模块,利用高级特征的轮廓信息在低级特征中筛选出有利于边缘分割的细节特征,并将其与息肉轮廓聚合起来,得到更加精确的边缘分割结果。实验结果表明,CPMJA-Net在4个公开数据集上的性能表现均为最优,与次优的算法相比,CPMJA-Net的mDice系数分别在Kvasir、CVC-CilinicDB、CVC-ColonDB和ETIS数据集上提升0.7、0.8、0.4、0.4个百分点,平均交并比(mIoU)也分别提升1.6、1.2、0.6、0.5个百分点,其能改善过分割问题,弥补注意力机制的不足,提升解码器的细节恢复能力。

基于知识图谱的多任务推荐算法

基于知识图谱的推荐算法可以丰富物品特征,挖掘用户兴趣,有效解决传统推荐算法存在的冷启动和数据稀疏性问题,然而现有基于知识图谱的推荐算法常忽略用户交互中协同信息对图谱训练的正向作用,在图谱缺失度较高的情况下难以挖掘物品的深层特征。为此,本文提出一种基于知识图谱的多任务推荐方法,联合训练推荐任务与图谱补全任务。该算法首先构建用户-物品连通图和物品知识图谱,利用图卷积神经网络分别扩充用户物品的交互表征与实体关系的结构表征,传播协同信息和图谱信息;同时,采用两层注意力结构分别建模同阶邻域的重要性差异和异阶邻域的信息衰减,自适应聚合信息;最后交叉共享物品与实体的高阶表征,学习来自对方任务的知识。该算法充分刻画物品和实体表征,在提高图谱完备性的基础上提高推荐效率。在三个公开数据集和一个自建数据集上与基准算法进行对比实验,结果表明本文算法在AUC、F1等指标上有明显提高。

联合学习透射图和去雾图的条件生成对抗网络

针对雾霾天气拍摄的图片质量大幅下降的问题,基于经典的大气散射模型提出了一种新的多任务学习方法,以端到端的方式联合学习透射图和去雾图像。该网络框架是基于一种新的双重条件生成对抗网络,由两个改进的条件生成对抗网络(CGAN:Conditional Generative Adversarial Network)堆叠组成,即将有雾图像输入第1阶段CGAN估计透射图,然后将预测的透射图和有雾图像输入第2阶段CGAN,通过第2个生成器恢复出对应的无雾图像。为改善输出图像的颜色失真和边缘模糊问题,设计了联合损失函数,提高图像转化的质量。在合成和真实数据集上与多种去雾方法进行定性和定量实验比较,结果表明,该方法输出的无雾图像具有更好的视觉效果,其结构相似性和峰值信噪比的值分别达到了0.985和32.880 dB。

基于图卷积的多任务Web服务QoS预测

为满足用户对Web服务的高质量要求,提出一种基于图卷积的Web服务QoS预测算法,结合多任务学习使算法可以在一次预测中得到两种属性的QoS值。挖掘用户和服务之间隐藏的图结构信息,将用户和服务的编号信息转换成嵌入向量,得到初始特征,经过图卷积与特征融合处理操作获得更深层的特征信息,经过降噪自编码器对特征进行重构,提高算法的鲁棒性。在公开的QoS调用数据集上进行实验,并与3种方法对比,实验结果表明,该算法在各项评价指标上总体表现更好,为图神经网络在QoS预测方向的研究提供了思路。

面向区域目标观测的多星自主协同任务规划方法

针对现有多星自主任务规划方法面对区域目标观测任务时缺乏整体性,从而造成大量观测资源的浪费问题,提出了一种面向区域目标观测的多星自主协同任务规划方法。首先,建立面向区域目标的多星协同观测任务规划模型,并设计基于合同网的多星自主协同规划框架。其次,根据该协同框架设计基于动态定价的招标机制、投标机制和评标机制,从而实现区域目标任务的多星自主协同规划。最后,仿真实验证明,与传统基于单轮招标合同网以及基于固定标价合同网的多星协同规划方法相比,所提方法的任务收益分别提升了60.40%与29.07%。

GEA-NMT:图卷积增强的多任务低资源机器翻译模型

在低资源语种上训练高质量机器翻译系统的主要障碍是平行语料的稀缺,一些低资源语言在语言上与高资源语言相关或相似,相似的语言可能使用相同的字符集或类似的句法结构.本文利用低资源语种上的单语数据及与之相关联的高资源语种和目标语言的平行语料,尝试将翻译知识进行迁移,从而完成低资源语种和目标语言间的翻译模型训练.本文提出一种图卷积增强的多任务训练低资源神经机器翻译模型(GCN Enhanced multi-task Adapting Neural Machine Translation,GEA-NMT),结合降噪自编码器、生成对抗训练、回译和桥接方法,并使用图神经网络学习句法依赖关系以进一步提升低资源语种上的神经机器翻译模型效果.