基于自适应深度集成网络的概念漂移收敛方法

概念漂移是流数据挖掘领域中的一个重要且具有挑战性的难题.然而,目前的方法大多仅能够处理线性或简单的非线性映射,深度神经网络虽然有较强的非线性拟合能力,但在流数据挖掘任务中,每次只能在新得到的1个或一批样本上进行训练,学习模型难以实时调整以适应动态变化的数据流.为解决上述问题,将梯度提升算法的纠错思想引入含概念漂移的流数据挖掘任务之中,提出了一种基于自适应深度集成网络的概念漂移收敛方法(concept drift convergence method based on adaptive deep ensemble networks,CD_ADEN).该模型集成多个浅层神经网络作为基学习器,后序基学习器在前序基学习器输出的基础上不断纠错,具有较高的实时泛化性能.此外,由于浅层神经网络有较快的收敛速度,因此所提出的模型能够较快地从概念漂移造成的精度下降中恢复.多个数据集上的实验结果表明,所提出的CD_ADEN方法平均实时精度有明显提高,相较于对比方法,平均实时精度有1%~5%的提升,且平均序值在7种典型的对比算法中排名第一.说明所提出的方法能够对前序输出进行纠错,且学习模型能够快速地从概念漂移造成的精度下降中恢复,提升了在线学习模型的实时泛化性能.

基于混合特征提取的流数据概念漂移处理方法

大数据时代,越来越多的数据以数据流的形式产生,由于其具有快速、无限、不稳定及动态变化等特性,使得概念漂移成为流数据挖掘中一个重要但困难的问题.目前多数概念漂移处理方法存在信息提取能力有限且未充分考虑流数据的时序特性等问题.针对这些问题,提出一种基于混合特征提取的流数据概念漂移处理方法(concept drift processing method of streaming data based on mixed feature extraction,MFECD).该方法首先采用不同尺度的卷积核对数据进行建模以构建拼接特征,采用门控机制将浅层输入和拼接特征融合,作为不同网络层次输入进行自适应集成,以获得能够兼顾细节信息和语义信息的数据特性.在此基础上,采用注意力机制和相似度计算评估流数据不同时刻的重要性,以增强数据流关键位点的时序特性.实验结果表明,该方法能有效提取流数据中包含的复杂数据特征和时序特征,提高了数据流中概念漂移的处理能力.

面向不同类型概念漂移的两阶段自适应集成学习方法

大数据时代,流数据大量涌现.概念漂移作为流数据挖掘中最典型且困难的问题,受到了越来越广泛的关注.集成学习是处理流数据中概念漂移的常用方法,然而在漂移发生后,学习模型往往无法对流数据的分布变化做出及时响应,且不能有效处理不同类型概念漂移,导致模型泛化性能下降.针对这个问题,提出一种面向不同类型概念漂移的两阶段自适应集成学习方法(two-stage adaptive ensemble learning method for different types of concept drift,TAEL).该方法首先通过检测漂移跨度来判断概念漂移类型,然后根据不同漂移类型,提出“过滤-扩充”两阶段样本处理机制动态选择合适的样本处理策略.具体地,在过滤阶段,针对不同漂移类型,创建不同的非关键样本过滤器,提取历史样本块中的关键样本,使历史数据分布更接近最新数据分布,提高基学习器有效性;在扩充阶段,提出一种分块优先抽样方法,针对不同漂移类型设置合适的抽取规模,并根据历史关键样本所属类别在当前样本块上的规模占比设置抽样优先级,再由抽样优先级确定抽样概率,依据抽样概率从历史关键样本块中抽取关键样本子集扩充当前样本块,缓解样本扩充后的类别不平衡现象,解决当前基学习器欠拟合问题的同时增强其稳定性.实验结果表明,所提方法能够对不同类型的概念漂移做出及时响应,加快漂移发生后在线集成模型的收敛速度,提高模型的整体泛化性能.

论公共数据授权运营的立法路径

当前,为了释放公共数据价值、培育数据要素市场,公共数据授权运营成为重要的破局之策。然而,公共数据授权运营立法远落后于实践需求,是否立法以及如何立法仍成为悬而未决的难题。在立法条件方面,理论依据的充分、经济条件的具备为授权运营立法提供了可行性,而数据增值、企业利用、政府治理、国家愿景等需求,均证实了立法的必要性。在立法模式方面,权衡中央立法模式和地方立法模式的利弊,应推行“地方先行先试”的立法模式。在具体制度实现方面,地方立法应秉持效率与安全并重的立法理念,采用实用性立法结构,授权主体内容应设计为统一授权模式,运营主体内容应将基本业务能力和安全保障能力设置为准入条件,以法定情形和约定情形设置退出条件,授权运营的公共数据内容应遵循以混合分类法分类、以敏感程度分级的标准,安全监督与管理内容应以安全和效益为监督考核标准。

数据概念的体系性建构

在推动数据合规交易的背景下,统一数据法律制度与数据交易实践中的数据概念愈发迫切。基于明确数据交易阶段的核心功能,可从历史视角建构以“行为—结果”为依据,以“数据要素—数据产品(数据商品或数据资产)—数据资本”为顺序的数据概念体系。在数据生产阶段,数据分级子概念对应的不同市场流通度决定了核心数据、重要数据、一般数据三级概念的选用;数据分类子概念所能引发的不同加工规则要求个人数据、企业数据、公共数据应以数据内容为分类标准。在数据交易阶段,以原有信息为内容的数据资源和以再生信息为内容的数据服务对应了不同的风险防范要求。

基于OBE理念的大数据与会计专业人才培养路径优化策略分析

在信息技术不断发展的当下,传统会计工作方式已经不适应当前各大企业的经济发展模式。同时企业对会计人才的要求也不仅限于会计专业能力,而是更趋向于对会计人才综合素养的要求。将OBE理念应用于大数据与会计专业人才培养,要求高等院校以成果为导向,不断优化大数据与会计专业课程体系及人才培养方案,从而培养更加符合社会发展要求的大数据与会计专业人才。基于此,文章简单分析了OBE理念下大数据与会计专业人才培养目标,探讨了当前大数据与会计专业人才培养困境,围绕基于OBE理念的大数据与会计专业人才培养路径提出了几点优化策略。

An Information Content and Set of Common Superconcepts-Based Algorithm to Estimate Similarity between Concepts of Ontologies

Ontologies have been used for several years in life sciences to formally represent concepts and reason about knowledge bases in domains such as the semantic web, information retrieval and artificial intelligence. The exploration of these domains for the correspondence of semantic content requires calculation of the measure of semantic similarity between concepts. Semantic similarity is a measure on a set of documents, based on the similarity of their meanings, which refers to the similarity between two concepts belonging to one or more ontologies. The similarity between concepts is also a quantitative measure of information, calculated based on the properties of concepts and their relationships. This study proposes a method for finding similarity between concepts in two different ontologies based on feature, information content and structure. More specifically, this means proposing a hybrid method using two existing measures to find the similarity between two concepts from different ontologies based on information content and the set of common superconcepts, which represents the set of common parent concepts. We simulated our method on datasets. The results show that our measure provides similarity values that are better than those reported in the literature.

非平衡概念漂移数据流主动学习方法

数据流分类研究在开放、动态环境中如何提供更可靠的数据驱动预测模型,关键在于从实时到达且不断变化的数据流中检测并适应概念漂移.目前,为检测概念漂移和更新分类模型,数据流分类方法通常假设所有样本的标签都是已知的,这一假设在真实场景下是不现实的.此外,真实数据流可能表现出较高且不断变化的类不平衡比率,会进一步增加数据流分类任务的复杂性.为此,提出一种非平衡概念漂移数据流主动学习方法 (Active learning method for imbalanced concept drift data stream, ALM-ICDDS).定义基于多预测概率的样本预测确定性度量,提出边缘阈值矩阵的自适应调整方法,使得标签查询策略适用于类别数较多的非平衡数据流;提出基于记忆强度的样本替换策略,将难区分、少数类样本和代表当前数据分布的样本保存在记忆窗口中,提升新基分类器的分类性能;定义基于分类精度的基分类器重要性评价及更新方法,实现漂移后的集成分类器更新.在7个合成数据流和3个真实数据流上的对比实验表明,提出的非平衡概念漂移数据流主动学习方法的分类性能优于6种概念漂移数据流学习方法.

Optimized Modeling Method for Unbalanced Data in High-Level Visual Semantic Concept Classification

To solve the unbalanced data problems of learning models for semantic concepts, an optimized modeling method based on the posterior probability support vector machine （PPSVM） is presented. A neighborbased posterior probability estimator for visual concepts is provided. The proposed method has been applied in a high-level visual semantic concept classification system and the experiment results show that it results in enhanced performance over the baseline SVM models, as well as in improved robustness with respect to high-level visual semantic concept classification.

专利数据辅助的新产品概念设计方案生成方法

在生成新产品概念设计方案的过程中,企业常缺乏辅助新产品功能描述、分解及创新的设计知识,且存在功能实现技术检索结果可用性不高、难以有效转化为概念设计方案技术特征的问题。为此,提出一种专利数据辅助的新产品概念设计方案生成方法。首先,使用文本相似度算法,检索国际专利分类表中与设计任务相关的分类号文本,辅助描述新产品的主功能。其次,引入C-K理论将下级分类号释义视为K空间中的元素,新产品子功能视为C空间中的元素,通过元素间转化辅助完成主功能分解。再次,结合专利技术成熟度分析和功能创新策略,确定新产品的功能创新方向,并依据共现分类号释义预测新产品的集成功能,辅助实现新产品的功能创新。接着,应用专利文献跨域特征分析模型,引入技术领域融合度的概念,量化专利技术的知识广度和流动性,辅助优选功能实现技术,并利用语义解析技术自动提取专利独立权利要求中的技术特征,辅助生成新产品概念设计方案。最后,将该方法应用于重型汽车底盘预装设备领域的新产品开发,证明了方法的有效性。

非平衡数据流在线主动学习方法

数据流分类是数据流挖掘领域一项重要研究任务,目标是从不断变化的海量数据中捕获变化的类结构.目前,几乎没有框架可以同时处理数据流中常见的多类非平衡、概念漂移、异常点和标记样本成本高昂问题.基于此,提出一种非平衡数据流在线主动学习方法(Online active learning method for imbalanced data stream,OALM-IDS).AdaBoost是一种将多个弱分类器经过迭代生成强分类器的集成分类方法,AdaBoost.M2引入了弱分类器的置信度,此类方法常用于静态数据.定义了基于非平衡比率和自适应遗忘因子的训练样本重要性度量,从而使AdaBoost.M2方法适用于非平衡数据流,提升了非平衡数据流集成分类器的性能.提出了边际阈值矩阵的自适应调整方法,优化了标签请求策略.将概念漂移程度融入模型构建过程中,定义了基于概念漂移指数的自适应遗忘因子,实现了漂移后的模型重构.在6个人工数据流和4个真实数据流上的对比实验表明,提出的非平衡数据流在线主动学习方法的分类性能优于其他5种非平衡数据流学习方法.

总体国家安全观视域下我国数据安全的主体权责研究

总体国家安全观是维护和塑造中国特色国家安全的最新行动指南,推动建设国家安全制度体系,又为数据安全治理指引了新方向。数据安全是国家安全的重要组成部分,同时又是数据治理的基本价值遵循。近年来,各种数据法律接连颁布,为我国数据安全治理工作夯实了法律基础,同时也在立法层面确定了有公有私、由内而外、权责统一的数据安全治理主体体系。目前我国正处于数据安全治理迭代更新的关键时期,面临数据治理主体不清、相关权责模糊等挑战。我国应当把握总体国家安全观的核心思想,主体层面强化数据安全治理的顶层设计,合理谋划数据治理战略布局,调整并细化数据安全的主体框架及其权责分配,建立因应时代要求的“政府—企业”双边协同的数据安全治理模式。内容层面,一方面应补白、补全、补强我国个人数据权利规则体系,提升公众个人数据安全意识和保护水平;另一方面应建立标准化、严格化、类型化的数据安全保护义务制度,优化数据行业安全保障能力,为数据安全治理营造良好的生态环境。

网络异常检测领域概念漂移问题研究综述

【目的】随着网络技术的快速发展和广泛应用,网络异常检测作为保护网络安全和维护系统正常运行的手段变得越来越重要。然而,网络中异常行为和攻击手段不断变化,给异常检测带来了新的挑战。其中,概念漂移问题是网络异常检测领域中受到广泛关注的难点之一。【方法】本综述旨在对网络异常检测领域中概念漂移问题进行研究分析和总结。与前人的研究相比,本文将专注于网络异常检测领域的流数据。【文献范围】首先,对概念漂移进行详细介绍,包括定义、产生原因和特点。通过对概念漂移的全面理解,可以为后续的检测方法提供指导。其次,系统性地介绍了概念漂移检测方法,主要包括基于统计的方法、机器学习方法和深度学习方法等,并对比了各类方法的优缺点和适用场景。最后,探讨了概念漂移在未来可能的研究方向。【结论】本文聚焦于网络异常检测领域的概念漂移问题,通过详细介绍概念漂移的定义、产生原因和特点,以及深入分析和总结针对流数据概念漂移的检测方法,为未来研究方向提供了有价值的参考和指导。

基于增量加权的不平衡漂移数据流分类算法

概念漂移是数据流学习领域中的一个难点问题,同时数据流中存在的类不平衡问题也会严重影响算法的分类性能。针对概念漂移和类不平衡的联合问题,在基于数据块集成的方法上引入在线更新机制,结合重采样和遗忘机制提出了一种增量加权集成的不平衡数据流分类方法(incremental weighted ensemble for imbalance learning,IWEIL)。该方法以集成框架为基础,利用基于可变大小窗口的遗忘机制确定基分类器对窗口内最近若干实例的分类性能,并计算基分类器的权重,随着新实例的逐个到达,在线更新IWEIL中每个基分器及其权重。同时,使用改进的自适应最近邻SMOTE方法生成符合新概念的新少数类实例以解决数据流中类不平衡问题。在人工数据集和真实数据集上进行实验,结果表明,相比于DWMIL算法,IWEIL在HyperPlane数据集上的G-mean和recall指标分别提升了5.77%和6.28%,在Electricity数据集上两个指标分别提升了3.25%和6.47%。最后,IWEIL在安卓应用检测问题上表现良好。

Digital/Data Curation的概念与翻译研究

数字资料的长期保存、复用和增值日益受到学界重视。该文在对国内外Digital/Data Curation概念进行综述的基础上,提出了Digital/Data Curation的一般概念,即Digital/Data Curation是为实现数字资料的复用、共享和增值,数字资料生产者、管理者、消费者和其相关人员主动介入并对数字资料全生命周期进行管理的活动,并建议以"数字/数据理用"作为"Digital/Data Curation"的中文翻译。

结合软约束的演化数据流模糊聚类算法

多源局部放电检测中,不同类型的局放信号同时存在且不断变化使得信号的分离更具挑战,而这种情况同样存在于许多数据流的聚类分析场景中。为了能够适应类簇内的不均匀密度和类簇间的重叠边界问题,同时对数据流的漂移和演化进行及时跟踪,提出了一种结合软约束的实时数据流模糊聚类算法。算法引入2种模糊性软约束来描述微簇距离和密度上的不确定度,通过阈值划分出核心微簇、边界微簇和离群微簇;在类簇边缘使用模糊隶属度,给予微簇分属不同类簇的可能性,保证类簇的完整性并提高聚类效果;使用两阶段的流程结构和2种时间窗口模型,赋予算法具有对可变化数据流的适应能力和更低的时间空间占用率。在多种数据集上的实验表明,该算法相比同类型算法在聚类效果上提升了1%~3%,且平均运行时间缩短5%~20%,在实际硬件平台的测试中也验证了算法的聚类分离性能。

数据供应商的概念界定:基于文献的研究

数据供应商在数据要素市场发展中扮演着重要角色。论文通过梳理文献,对数据供应商进行概念界定,从数据要素化过程、来源、处理程度、规模、类型、业务特征和服务层级、业务领域、服务对象、提供方式等维度明确其定义分类,并归纳了数据供应商的特征和角色定位。由此,为进一步开展数据交易、数据治理及可持续发展等热点问题的研究提供相关的概念框架。

中国家庭追踪调查:设计理念及数据运用问题

中国家庭追踪调查(CFPS)作为我国首创的全国性、大规模、多学科的长期固定样本追踪调查为研究中国变迁提供了宝贵资料。该项目2010年启动全国首轮基线调查,调查样本覆盖全国25个省(区、市)的14960户家庭。基线调查后,项目保持隔年回访、双年采集数据的追踪模式,截至2022年,CFPS已完成七轮全国调查,前六轮(2010—2020)的数据已面向公众开放。作为学术和政策研究的重要资料,CFPS注册用户已超过12万,每天都有基于CFPS的科研成果产出。但CFPS在使用上具有一定的门槛,不了解项目理念可能导致数据误用,进而影响研究结果的有效性。为了让研究者能够科学、规范地使用CFPS数据,本文将结合CFPS在调查设计和管理上的四个特点——综合性、嵌套性、追踪性和规范性,分别解读CFPS的设计和管理理念,并对用户在数据使用过程中的常见问题及误区进行回应。

基于形式概念分析的优质教学模式挖掘

形式概念分析通过建立对象集与属性集间的二元关系来挖掘数据中隐含的概念,以及概念之间的层次关系,是一种分析数据和提取规则的有力工具。文章将其引入到学生和教师数据的分析中,通过创建学生和教师数据集的形式背景和概念格,详细分析学生答题情况和知识技能掌握情况,以及优秀教师教学行为与教学效果之间的关系,并结合建构主义理论、支架式教学理论、最近发展区理论挖掘优质教学模式。其次,应用统计方法分析了学生在测试中的答题分布情况和教师教学行为分布情况。最后,结合已有基准数据集开展了教学模式挖掘相关案例分析研究,其案例实施结果表明文章所提方法可以深层次有效地挖掘优质教学模式,可为进一步提升学生自主学习能力和改进教师教学行为提供参考。