Petersen图类的边符号控制数

设图G=G(V,E),令函数f:E→{-1,1},f的权w(f)=∑x∈Ef[x],对x∈E中任一元素,定义f[x]=∑y∈N[x]f(y),这里N[x]表示E中x及其关联边的集合.图G的边符号控制函数为f:E→{-1,1},满足对所有的x∈E有f[x]≥1,图G的边符号控制数γS(G)就是图G上边符号控制数的最小权,称其f为图G的γS-函数.本文得到了Petersen图类的边符号控制数.

耐碳青霉烯类肠杆菌感染的危险因素分析和列线图预测模型的构建

目的探讨该院住院患者耐碳青霉烯类肠杆菌(CRE)的耐药特征和危险因素,以及建立列线图模型预测患者发生CRE感染的可能性。方法回顾性选取2018年7月至2023年2月江苏大学附属句容医院住院患者中发生CRE感染的81例患者(81株CRE)作为CRE组,按1∶1原则随机选取同期确诊为碳青霉烯类药物敏感的肠杆菌科细菌(CSE)感染患者81例(81株CSE)作为CSE组。分析CRE组患者标本来源和菌种分布;比较两组患者的基本信息、基本健康状况、侵入性操作史、抗菌药物使用情况等临床资料;采用多因素Logistic回归模型分析住院患者发生CRE感染的影响因素;绘制发生CRE感染的列线图预测模型,并采用校准曲线进行模型性能评估。结果检出CRE的标本主要为痰液标本[72.84%(59/81)],菌株以肺炎克雷伯菌最多见[46.91%(38/81)]。多因素Logistic回归分析结果显示感染前3个月内手术、感染前使用碳青霉烯类药物、感染前使用加酶抑制剂、合并心脑血管疾病及感染前半年内住院次数≥2次是发生CRE感染的危险因素(P<0.05),依此建立该院住院患者发生CRE感染的列线图模型。内部验证结果显示,列线图模型预测CRE感染的C-index为0.898(95%CI:0.849~0.948)。结论本研究构建的列线图模型对该院住院患者发生CRE感染有较好的预测作用,有助于临床早期筛查CRE感染的高风险患者,医务人员可据此制订个体化防治策略,从而降低CRE感染的可能。

基于二部图的联合谱嵌入多视图聚类算法

多视图聚类在图像处理、数据挖掘和机器学习等领域引起了越来越多的关注.现有的多视图聚类算法存在两个不足,一是在图构造过程中只考虑每个视图数据之间的成对关系生成亲和矩阵,而缺乏邻域关系的刻画;二是现有的方法将多视图信息融合和聚类的过程相分离,从而降低了算法的聚类性能.为此,提出一种更为准确和鲁棒的基于二部图的联合谱嵌入多视图聚类算法.首先,基于多视图子空间聚类的思想构造二部图进而产生相似图,接着利用相似图的谱嵌入矩阵进行图融合,其次,在融合过程中考虑每个视图的重要性进行权重约束,进而引入聚类指示矩阵得到最终的聚类结果.提出的模型将二部图、嵌入矩阵与聚类指示矩阵约束在一个框架下进行优化.此外,提供一种求解该模型的快速优化策略,该策略将优化问题分解成小规模子问题,并通过迭代步骤高效解决.提出算法和已有的多视图聚类算法在真实数据集上进行实验分析.实验结果表明,相比已有方法,提出算法在处理多视图聚类问题上是更加有效和鲁棒的.

自适应相似图联合优化的多视图聚类

相比于单一视图学习,多视图学习往往可以获得学习对象更全面的信息,因而在无监督学习领域,多视图聚类受到了研究者的极大关注,其中基于图的多视图聚类,近年来取得了很大的研究进展.基于图的多视图聚类一般是先从各个视图原始数据学习相似图,再进行视图间相似图的融合来获得最终聚类结果,因此,多视图聚类的效果是由相似图质量和相似图融合方法共同决定的.然而,现有基于图的多视图聚类方法几乎都聚焦在视图间相似图的融合方法研究上,而缺乏对相似图本身质量的关注.这些方法大多数都是孤立地从各视图的原始数据中学习相似图,并且在后续图融合过程中保持相似图不变.这样得到的相似图不可避免地包含噪声和冗余信息,进而影响后续的图融合和聚类.而少量考虑相似图质量的研究,要么相似图构造和图融合过程是直接联立迭代的,要么在预定义相似图过程中提前利用秩约束进一步初始化,要么就是利用相似图存在的一些底层结构来获取融合图的.这些方法对相似图本身改进很小,最终聚类性能提升也十分有限.同时现有基于图的多视图聚类流程也缺乏对各视图间一致性和不一致性的综合考虑,这也会严重影响最终的多视图聚类性能.为了避免低质量预定义相似图对聚类结果的不利影响以及综合考虑视图间一致性与不一致性来提升最终聚类效果,本文提出了一种自适应相似图联合优化的多视图聚类方法.首先通过Hadamard积来获得视图间高质量一致性部分信息,再将每个预定义相似图和这部分信息对标,重构各个视图的预设相似图.这个过程强化了各视图间的一致性部分,弱化了不一致性部分.其次设计了相似图重构改进和图融合联合迭代优化框架,实现了相似图的自适应改进,最终达到相似图和聚类结果共同提升的效果.该方法将相似图改进过程与图融合过程联合起来进行自适应迭代优化,并且在迭代优化中不断强化各视图间的一致性,弱化视图间的不一致性.此外,本文的方法也集成了现有多视图聚类方法的一些优点,自加权以及无需额外聚类步骤等.在九个基准数据集上与八个对比方法的实验验证了本文方法的有效性与优越性.

自监督对比的属性图联合表示聚类

现实世界中越来越多的复杂数据被表示为具有属性节点的图,因此属性图聚类是图挖掘中的一个重要问题。图神经网络在图结构数据的编码表示方面取得较好性能,但基于卷积操作或者注意力机制的图神经网络方法存在节点噪声、特征过度平滑、网络异质性、计算代价高昂等问题。基于深度学习方法如自编码器能够有效地提取节点属性表示,但不能包含丰富结构信息。因此提出了一种基于自监督训练和对比学习的图联合表示聚类方法(self-supervised contrastive graph joint representation clustering,SCRC)。使用自编码器预训练学习节点的属性表示,通过在图结构信息上增加对比损失信息,使用影响对比损失融合更加丰富的结构信息,联合图结构信息和属性表示,基于神经网络自监督训练机制迭代优化完成聚类任务。通过设计简单的线性模型,避免使用卷积和注意力机制,有效整合结构信息,使得运行速度更快。在广泛使用的引文网络数据上进行实验,对参数敏感性进行分析,验证了影响对比损失和自监督联合聚类的有效性。实验结果表明,所提出的方法取得了显著的性能提升,并且对节点噪声、特征过度平滑和网络异质性更具有鲁棒性。

一流本科专业建设背景下机械类工程图学课程教学改革探索

一流本科专业建设为机械类专业的发展提供了良好的历史机遇,同时对高质量专业技术人才的培养提出了更高的要求。为了切实提升工程图学课程教学质量,文章针对课程知识点对毕业要求指标点的支撑力不足、教学资源形式单一、缺乏衔接性设计、与思政教育结合度低以及考核评价机制不够全面等问题,以工程教育专业认证为导向,重构工程图学课程体系,完善在线教学平台,建设新形态教材,有效融入实践性训练和思政元素,实施立体化考核评价。通过一系列课程改革举措,课程目标的达成度得到了显著提高,为机械类专业建设国家级一流本科专业提供了有力支撑。

基于帕累托图的门急诊β-内酰胺类抗菌药物不合理用药分析

目的 通过分析医院门急诊β-内酰胺类抗菌药物不合理用药情况,探讨不合理用药的主要发生因素,制定改进措施,为临床合理用药提供参考。方法 抽取2021年1月—2023年7月北京市昌平区中西医结合医院门急诊β-内酰胺类不合理处方,利用Execl软件整理数据,将不合理问题类型和涉及感染部位进行帕累托图分析。结果 β-内酰胺类不合理处方共723张,占总抗菌药物不合理处方的43.69%(723/1 655),不合理问题共742例次。不合理问题涉及药品中,三代头孢菌素占比最多,为69.54%;其次为酶抑制剂复方制剂,占比16.85%。适应证不适宜(50.81%)、遴选药品不适宜(25.74%),累计构成比在0~80%,为主要因素;用法用量不适宜(21.97%)、联合用药不适宜(0.81%)、给药途径不适宜(0.40%)、重复用药(0.27%),累计构成比在80%~100%,分别为次要因素和一般因素。皮肤软组织(35.96%)、下呼吸道(17.70%)、上呼吸道(16.60%)、皮肤软组织感染的预防用药(6.64%),累计构成比0~80%,为主要因素;消化系统(6.22%)、泌尿生殖系统(5.26%)累计构成比在80%~90%,为次要因素;盆腹腔、耳鼻喉、眼科口腔、骨关节等累计构成比在90%~100%,为一般因素。结论 医师要结合当地细菌耐药趋势、患者个体化因素、药代动力学及联合用药等信息选择合适治疗方案。药师应通过综合分析评价,为临床提供重要用药信息参考和药物警戒信息,引导医师规范使用抗菌药物、优化治疗方案。

关于将类图映射成关系表的策略研究

文章研究了类图映射成关系数据库中的表的策略,首先使用Rational Rose 7.0建立类图数据模型,通过给类设置不同的可见性,并在类图中使用类与类之间的各种关系,然后再探讨了类图映射成关系表的规律。实践的结果表明,将类图映射成关系数据库中的表取决于两个因素,即类的可见性和类与类之间的关系,并发现RationalRose7.0软件没有考虑到当属性可见性不同时映射成表中对应的属性也应该是不同的。

基于图神经网络聚类的土壤监测点位优化

在土壤污染的监测过程中,由于需要大面积的监测点位布设,所以需要大量的人力和物力,同时原有的土壤监测点位存在冗余和代表率低的问题,对监测结果的准确性和全面性产生了影响。使用一种基于自编码器降维和图卷积网络(GCN)推理的土壤点位优化方法,通过将原有监测点位聚类成不同簇,来实现用尽量少的监测点位全面地表现区域污染情况的目的。使用GCN推理结合自编码器降维的土壤点位优化方法,该方法同时利用土壤监测点位数据的结构信息和高维特征表示,将监测点位聚类成不同簇。通过对相关性进行分析,发现聚类后的簇中心点位可以作为原始簇的代表,从而降低土壤监测点位的冗余性,实现了监测点位的优化。实验证明GCN方法可以有效地减少监测点位的数量,同时保持监测结果的准确性和全面性。

基于Voronoi图的空间点事件统计聚类方法

挖掘地理空间数据中点事件聚集模式对于揭示流行疾病、犯罪分布热点区域及城市基础设施空间分布格局等具有重要意义。针对不同形状、密度和大小的显著空间点聚集模式的识别,目前以空间扫描统计为代表的方法虽然可以对空间点聚类的显著性进行统计推断,减少虚假聚类结果,但其主要用于识别球形或椭圆形状的聚簇,对于沿着街道或河道分布的任意形状、不同密度的显著空间点聚簇识别还存在局限。因此,本研究提出一种基于Voronoi图的空间点聚集模式统计挖掘方法。首先,采用Voronoi图来度量空间点分布的聚集性,将空间点聚类问题转化为热点区域探测问题;其次,结合局部Gi*统计量探测统计上显著的空间点聚簇;最后,通过模拟数据和真实犯罪事件数据进行实验与对比分析。结果表明:本方法能够有效探测任意形状的空间点聚类,并对空间点簇的显著性进行统计判别,识别显著的空间点簇,减少随机噪声点的干扰;聚类识别结果优于现有代表性方法,如DBSCAN算法、空间扫描统计方法等。

集中式电力市场下基于谱聚类与图注意力网络的电力枢纽节点设计方法研究

电力枢纽节点是现货市场上可以进行统一交易的聚合节点,也是电力金融市场发展与稳定运行的基石,对构建统一电力市场体系、完善市场功能具有十分重要的意义。从一般属性、节点选择、权重设计、时间性的角度分析了枢纽节点的设计方式,并针对性地提出了基于谱聚类的枢纽区域划分方法与基于图注意力网络的权重计算方法。基于双尺度度量的谱聚类分区策略,其核心是建立以关键线路功率传输分布因子、多时段节点电价和节点邻接性为度量的双尺度耦合矩阵,优先保证枢纽区域的地理特性、区内的无阻塞特性和节点连通性。基于图注意力网络建立了定价节点聚合权重的分配模型,通过自注意力机制来对邻域节点进行聚合,实现不同时段节点电价下节点权重的自适应匹配。最后通过IEEE118节点算例对所提出的设计方法进行验证,通过横向对比,证明了所提方法的合理性与有效性,可为实际市场中枢纽节点设定提供理论支撑。

困难样本采样联合对比增强的深度图聚类

针对困难样本挖掘的图聚类算法是最近的研究热点,目前算法存在的主要问题有:对比方法和样本对加权策略缺少良好的融合机制;采样正样本时忽略了视图内部的“假阴性”样本;忽视图级信息对聚类的帮助。针对上述问题,提出困难样本采样联合对比增强的图聚类算法。首先使用自编码器学习嵌入,根据计算的伪标签、相似度、置信度信息为表示学习设计一种自加权对比损失,统一不同视图下节点对比和困难样本对加权策略。通过调整不同置信区域样本对的权重,损失函数驱动模型关注不同类型的困难样本以学习有区分性的特征,提高簇内表示的一致性和簇间表示的差异性,增强对样本的判别能力。其次,图级表示经聚类网络投影,通过聚类对比损失最大化不同视图下聚类的表示一致性。最后联合两种对比损失,利用自监督训练机制进行迭代优化,完成聚类任务。该算法在5个真实数据集上与9个基准聚类算法对比,在4个权威指标上达到最优,聚类性能出色。消融实验表明两个对比模块的有效性和可迁移性。

路与广义Petersen图的直积图的Wiener指数

图G和H的直积图G×H是一个顶点集为V(G)×V(H)的图,两点(g_(1),h_(1))和(g_(2),h_(2))是相邻的当且仅当g_(1)g_(2)是图G中的一条边,h_(1)h_(2)是图H中的一条边.连通图G的Wiener指数,记作W(G),是图G中无序点对之间的距离之和.最后得到了路与广义Petersen图P(m,3)的直积图的Wiener指数.

不完整多视图聚类综述

多视图聚类是近年来图数据挖掘领域的研究热点。由于数据采集技术的限制或人为因素等原因常导致视图或样本缺失问题。降低多视图的不完整性对聚类效果的影响是多视图聚类目前面临的重大挑战。因此,综合研究不完整多视图聚类(IMC)近年的发展具有重要的理论意义和实践价值。首先,归纳分析不完整多视图数据缺失类型;其次,详细比较基于多核学习(MKL)、矩阵分解(MF)学习、深度学习和图学习这4类IMC方法,分析代表性方法的技术特点和区别;再次,从数据集类型、视图和类别数量、应用领域等角度总结22个公开不完整多视图数据集;继次,总结评价指标,并系统分析现有不完整多视图聚类方法在同构和异构数据集上的性能表现;最后,归纳分析不完整多视图聚类目前存在的问题、未来的发展方向和现有应用领域。

基于混合阶相似性的多视图聚类:一个广义的视角

多视图聚类已经被广泛研究,它能够采用可用的多源信息来实现更好的聚类性能.然而,大多数之前的工作仍存在两个不足:(1)它们通常关注多视图属性特征的场景,很少留意到多视图属性图数据;(2)它们主要尝试发现一致的结构或多个视图之间的关系,而忽略了多视图观测之间潜在的高阶相关性。为了解决这些问题,我们从广义角度出发,提出了一种新颖的方法,称为混合阶相似性的多视图聚类(Multiview Clustering by Hybridorder Affinity,MCHA).它将结构图和多视图属性特征巧妙融合,同时考虑了低秩概率相似性图和混合阶的相关性.具体而言,我们通过图过滤策略构建了一组保留几何结构的视图特定的平滑表示.同时,我们将从平滑表示中学习得到的多视图概率相似性图堆叠成一个张量,并对该张量给予低秩属性的约束.这可以很好地恢复视图间更高阶的相关性.在八个基准数据集上的实验表明,我们所提出的MCHA方法具有最先进的有效性.

基于泛化图卷积神经网络的深度文档聚类模型

文本分类是自然语言处理中一项重要任务,基于图神经网络的文本分类因其可建模文本间的多种交互成为一种主流方法.但现有方法大都依赖标签,而真实标签难以获取.提出一个基于图泛化卷积神经网络的深度文档聚类模型(generalization graph convolutional neural network-deep document clustering, GGCN-DDC),同时实现文本表示学习和无监督文档分类.该模型首先将每个文档建模为文本图;然后采用泛化卷积层学习更有区分力的文档词特征表示和文档表示;最后通过文档聚类损失和文档图重建损失约束参数学习算法.在3个基准数据集上的实验表明,GGCN-DDC在多个指标上均优于其他基准算法.

基于治疗前多维度参数的列线图预测小细胞肺癌患者铂类化疗的总生存期

目的:探讨基于治疗前多维度参数构建的列线图在预测小细胞肺癌(SCLC)患者铂类化疗总生存期(OS)的应用价值。方法:回顾性分析温州医科大学附属第五医院2014年2月至2023年2月经病理证实为SCLC,且一线治疗方式为规律铂类化疗的患者155例,对入组患者进行电话随访以获取OS。采用7:3比例将所有患者随机分为训练组(n=111)和验证组(n=44)。所有患者治疗前均接受胸部CT平扫及各项血液学检查。采用最小绝对收缩与选择算子(LASSO)回归对各项因素进行特征筛选,而后经单因素及多因素Cox回归分析筛选预测SCLC患者铂类化疗OS的独立预测因素,绘制列线图。绘制时间依赖性受试者工作特征(TimeROC)曲线、时间依赖曲线下面积(TimeAUC)图、校准曲线及决策曲线分析(DCA)评估模型效能和临床价值,Kaplan-Meier曲线分析高、低风险组对患者预后的影响。结果:训练组中,LASSO回归初筛后共得到5个与SCLC铂类化疗预后相关的因素,分别为性别、美国退伍军人肺癌研究组(VALSG)分期、铂敏感性、细胞角蛋白十九片段(Cyfra21-1)、血小板,以上特征经单因素及多因素Cox回归分析显示,均为预测SCLC患者铂类化疗OS的独立预后因素(P<0.05)。构建的列线图模型预测6、12、18个月OS的AUC值分别是训练组0.90(0.82~0.97),0.84(0.73~0.91),0.88(0.83~0.92);验证组0.80(0.66~0.94),0.82(0.69~0.96),0.86(0.72~0.95)。校准曲线显示,列线图预测概率与实际值之间具有较好的一致性,DCA结果表明模型的临床应用价值较高。训练组、验证组的Kaplan-Meier曲线均显示高风险组的患者与较短的总生存期相关(P<0.001)。结论:基于治疗前多维度参数构建的列线图可以为SCLC铂类化疗患者的OS预测提供一定的指导价值。

结合力导向图分布算法的特征加权深度嵌入聚类

聚类分析作为无监督学习领域的一个重要研究方向,是许多数据驱动应用的核心.但是高维数据特有的高维距离趋同特性,使得高维空间样本近邻结构遭到破坏,从而使得大量基于距离(基于近邻)的聚类算法性能急剧下降.目前,大量研究者认为,高维数据往往包含大量与任务不相关特征及相互关联的特征,其真实特征维度往往要比原始特征维度低很多.在学习样本低维等价表示上,基于深度自编码器的深度嵌入学习尽可能地保留重构信息.然而,现有此类方法往往需要聚类损失引导聚类,这虽然提高了聚类性能,但聚类损失与重构损失间的内在矛盾,限制了聚类性能的进一步提高.基于力导向图分布算法的降维算法则是尽可能保留近邻结构信息的基础上学习样本低维表示,但是高维距离趋同的特性使得此类算法较难准确获取样本高维近邻结构信息.本文在深度自编码器与力导向图分布算法的基础上引入特征加权思想,使模型在具有强大的低维等价表示能力及根据数据近邻结构凸显簇结构能力的同时考虑特征对聚类任务的适合程度.5个数据集上与最新高维聚类算法的对比实验充分证明了本文算法的合理性与优越性.

基于加权张量低秩约束的多视图谱聚类

现有基于图的多视图聚类方法通常难以同时考虑不同视图的潜在高阶相关信息和每个视图内的全局几何结构,导致聚类性能受限。为此,提出一种基于加权张量低秩约束的多视图谱聚类方法(WTLR-MSC)。根据多视图数据构建概率转移矩阵,将所有的概率转移矩阵构建为三阶张量,并借助鲁棒主成分分析思想将其分解为目标张量和误差张量。使用加权张量核范数约束目标张量的旋转张量,利用奇异值先验信息准确挖掘多视图数据的潜在高阶相关信息,并利用核范数约束目标张量的每个正切片以刻画每个视图内的全局几何结构。基于此建立数学模型,并设计有效的求解算法。在BBCSport、BBC4View、COIL20、UCI Digits 4个常用数据集上的实验结果表明,WTLR-MSC较ERLRT、MCA~2M、MGL-WTNN等聚类方法的性能有显著提升,准确率、标准化互信息、F1值、精确率、召回率相较于次优方法最高提升约1.3、1.0、1.2、1.6和0.8个百分点,大幅增强了多视图聚类的稳健性。

基于一致引导的不完全多视图聚类

为了解决传统聚类方法存在的效果差、泛化能力弱等问题,提出一种基于一致引导的不完全多视图聚类方法。将图学习和一致性表示学习集成到一个联合框架中,从而充分利用多视图数据信息。引入的自适应学习权值向量可以平衡不同视图的影响,联合正则化表示学习策略则为一致表示学习提供了更大的自由度。提出交替迭代优化算法对聚类进行优化。在七个数据集上的实验结果表明,提出的方法能够有效提升不完全多视图聚类的效果。