科教融合学院建设中“原生学院”教学管理的实践探索——以齐鲁工业大学(山东省科学院)计算机科学与技术学院为例

原齐鲁工业大学和山东省科学院于2017年整合组建为新的齐鲁工业大学(山东省科学院),学校科教融合后,增设科教融合专业,推行院所一体化的科教融合学院。该文以齐鲁工业大学(山东省科学院)计算机科学与技术学院为例,从教学管理视角探讨“原生学院”在科教融合学院成立前后“原生学院”所做的实践工作,包括开设科教融合示范专业、在科教融合示范专业建设中进行全方位教学改革、及时补位教学管理人员和专业课教师,从中得出“原生学院”在科教融合学院建设中要为其提供专业基础和发展支持、并推动双方理论与实践深度融合的启示。

基于图神经网络与迁移学习的流行病例数预测

预测流行病的病例数对研究流行病学和保障卫生安全至关重要,但现有的研究工作很少考虑到实时移动性数据等因素,这一问题给病例数的预测研究带来了挑战。因此,在图神经网络GNN的基础上提出一种新型计算框架-信息聚合网络IAN,既考虑地区病例数据特征,也考虑地区之间的人口移动性数据特征。为了优化各个国家的前期预测模型,在该框架的基础上加入迁移学习方法TL。在四个欧洲国家数据集上的实验结果表明,IAN以及IAN-TL明显优于传统方法,能够有效地降低预测误差。

深层图注意力对抗变分自动编码器

现有的图自动编码器忽视了图邻居节点的差异和图潜在的数据分布。为了提高图自动编码器嵌入能力,提出图注意力对抗变分自动编码器(AAVGA-d),该方法将注意力引入编码器,并在嵌入训练中使用对抗机制。图注意力编码器实现了对邻居节点权重的自适应分配,对抗正则化使编码器生成的嵌入向量分布接近数据的真实分布。为了加深图注意力层数,设计一种针对注意力网络的随机边删除技术(RDEdge),减少了层数过深引起的过平滑信息丢失。实验结果表明,AAVGA-d的图嵌入能力与目前流行的图自动编码器相比具有竞争优势。

基于图注意力对抗网络的社会化推荐系统

现有的推荐系统并不能很好地将社会影响力与潜在兴趣进行区分,同时也忽略了社交网络的图结构特征及其变化。针对以上不足,提出基于图注意力对抗网络的社会化推荐系统(GAASR)。利用对抗性网络将社会影响力和潜在兴趣进行分离;使用Hadamard投影的方法,获得上下文权重值;利用图注意力网络来学习社交嵌入的潜在向量,更精准地捕捉用户的社会结构。为了验证该推荐系统的性能,使用三个推荐系统数据集进行分析实验,实验结果表明GAASR优于目前流行的推荐方法,能够有效地提高推荐的准确率。

基于相似度计算公式改进的K-中心点算法

在传统K-中心点聚类算法中,相似性一般仅仅用距离来进行度量,这种度量方法均基于对象属性之间是独立同分布的,但大多数真实数据对象属性之间都相关联的,因此,本文将引用非独立同分布计算公式,对传统距离计算相似度方法进行替换。同时,由于此公式会依据属性值的频率来进行计算,但数值型数据对于频率并不敏感,因此,本文在引入公式之前,将数值型数据按属性列进行聚类与替换。实验结果表明,本文方法可以提高算法的聚类精度。

基于C3D模型的视频分类技术

目前,解决视频分类问题比较典型的方法是使用深度学习方法.该文设计了一种新的神经网络结构用于解决视频分类问题同时使用了交叉熵损失函数和一些减少神经网络过拟合的方法.网络结构采用了3D卷积神经网络结构,这是由于3D卷积神经网络相比2D卷积网络可以同时处理图像时域信息和图像空间信息,保留输入信息的时间特征.我们将视频文件通过各种手段,转化为图像帧的形式,放入该文设计的3D卷积神经网络中学习和训练,最后通过分类器对图像的的种类进行划分,得到每个数据分类概率的结果.与之前的C3D网络相比我们增加了网络的深度,优化了网络结构,并通过实验验证了改进的有效性.

基于卡方检验和LDOF算法的入侵检测技术研究

为了解决入侵检测领域中数据维度较高问题,本文提出了一种方法,首次将卡方检验和LDOF算法结合在一起用于入侵检测领域。先利用卡方检验进行特征选择,然后计算每条数据对象的LDOF因子,最后检测出异常数据。最终的实验结果表明,LDOF算法和卡方检验算法相结合的入侵检测方法在处理网络高维数据时,不仅可以有效地检测出异常数据,并且有着更快的检测速度和较低的误检率。

双向数据增强图卷积网络

为解决数据不足对深度学习模型带来的泛化性能较差的问题,研究非欧几里得图的数据增强,在改进半监督节点分类的节点嵌入方法的背景下,提出双向数据增强图卷积网络(TDA-GCN),设计子图增强法,对子图上每一个节点进行增加或删除其相邻的边,其中图熵变化最小的作为增强图,从增强图和原始图的拓扑结构和节点属性中提取嵌入,利用注意力机制自适应融合学习到的嵌入。实验结果表明,该方法优于目前流行的方法,取得了较好结果。

非独立同分布下的K-Modes算法

传统的K-Modes算法中,初始聚类中心是随机选取的,聚类结果过分依赖初始聚类中心的选择,影响聚类效果。在很多K-Modes算法的研究中假设数据是独立同分布的,在现实的数据中,数据对象和属性之间是根据某些耦合关系彼此关联的,是非独立同分布的。针对这两方面问题,通过基于层次聚类进行预聚类的方法改进选取初始中心的方法,引入非独立同分布思想计算相异度量,进行实验验证。实验结果表明,通过改进初始中心的选取方法和相异度量的计算方法很好改进了K-Modes算法,提高了算法的聚类精度。

融合门控循环单元及自注意力机制的生成对抗语音增强

因其通过两种网络对抗训练并不断提升网络映射能力的特性,生成对抗网络(Generative Adversarial Networks,GAN)具有强大的降噪能力,近年来被应用于语音增强领域。针对现有生成对抗网络语音增强方法未充分利用语音特征序列中的时间相关性和全局相关性这一不足,提出一种融合门控循环单元(Gated Recurrent Unit,GRU)和自注意力机制(self-attention)的语音增强GAN网络。该网络利用串联和并联两种方式构建了时间建模模块,可捕获语音特征序列的时间相关性和上下文信息。与基线算法相比,所设计的新型GAN网络语音质量听觉估计分数(PESQ)提高了4%,且在语音信号分段信噪比(SSNR)和短时客观可懂度(STOI)等多个客观评价指标上表现更优。该研究结果表明,融合语音特征序列中的时间相关性和全局相关性有助于提升GAN网络语音增强的性能。

用于新冠肺炎CAR的类残差CNN-LSTM

新型冠状病毒肺炎目前已成为全球性的重大公共卫生事件。反转录·聚合酶链反应检测是检测新型冠状病毒肺炎的黄金手段,但从经济角度与效率角度来说,采用基于图像识别技术的计算机辅助诊断则是另一种行之有效的辅助检测手段,提出了一种类残差CNN-LSTM神经网络,针对串行结构卷积神经网络,采用类似于残差网络的思想提取图像的多级抽象特征并使用长短期记忆网络对其进行融合后识别;针对并行卷积神经网络,使用长短期记忆网络融合来自不同结构卷积神经网络的特征后进行识别。上述方法在加州大学开源的数据集上进行了验证,取得了Recall为0.9655,F1-score为0.8819,accuracy为87.25%,AUC为90.72的识别结果,相较于传统结构的卷积神经网络,各项性能指标提高了2~10个百分点。

基于Wasserstein生成对抗网络和残差网络的8类蛋白质二级结构预测

蛋白质二级结构包含充分的蛋白质信息,而且蛋白质二级结构是研究蛋白质三级结构和药物设计的基础,因此,本文提出了一种基于Wasserstein生成对抗网络(WGAN)和残差网络(ResNet)的蛋白质8态二级结构预测的方法。该方法首先通过Wasserstein生成对抗网络(WGAN)提取蛋白质特征,将其与PSSM结合成新的特征集合,然后将新的特征集合输入到残差网络(ResNet)预测并得到最终结果。经过实验,该方法在测试集CASP10-14和CB513中的Q8预测准确率分别为73.21%,72.43%,71.67%,69.83%,70.17%和73.89%。通过实验表明,Wasserstein生成对抗网络(WGAN)具有出色的特征提取能力,ResNet能够有效地训练深层网络结构,从而提高蛋白质二级结构的预测精度。

面向图文检索的交叉注意哈希网络

在跨模态检索任务中,基于深度学习的跨模态哈希框架由于其将深度学习和哈希算法集成于同一框架中使得检索性能大幅度提升而受到广泛应用。现有的跨模态哈希框架在利用深度学习寻找图像和文本之间的共享语义时,大都是将共享语义表示为所有片段(图像区域或文本单词)的加权组合来实现这一目标,其中与共享语义相关的片段获得更多的关注,反之则更少。尽管相关因素对共享语义的贡献更大,但不相关因素或多或少会干扰共享语义,从而导致相关片段的语义错位。为了解决上述问题,提出一种新的交叉注意哈希网络(CAHN),通过提出的评分函数来对传统注意方法进行改进,不仅关注共享语义中的相关片段,而且消除了不相关片段。最后对通过交叉注意模块得到的模态特征进行哈希学习,得到不同模态的二进制哈希码,并在汉明空间中进行跨模态检索。经过与基准方法的实验数据和指标对比证明上述方法取得了较好的提升。

基于CNN-BiGRU的复杂连续人体活动Wi-Fi感知方法

基于Wi-Fi信道状态信息(CSI,channel state information)的人体活动感知在虚拟现实、智能游戏、元宇宙等未来智能交互场景具有重要的应用前景,复杂连续人体活动的精准感知是Wi-Fi感知的重要挑战。卷积神经网络(CNN,convolutional neural network)具备空间特征提取能力,但对数据的时序特征建模能力差。而适用于时间序列数据建模的长短期记忆(LSTM,long short-term memory)网络或门控循环单元(GRU,gated recurrent unit)网络忽视了对数据空间特征的学习。针对此问题,提出了一种融合双向门控循环单元(BiGRU,bidirectional gated recurrent unit)网络的改进型CNN。所提网络利用BiGRU的双向特征提取能力捕捉时序数据前后信息的关联和依赖性,实现时序CSI数据的时空特征提取,进而呈现动作与CSI数据的映射关系,从而提高对复杂连续动作的识别精度。以篮球动作为场景对所提网络结构进行了实验,结果表明,该方法在多种条件下识别准确率均高于95%,与传统多层感知机(MLP,multi-layer perceptron)、CNN、LSTM、GRU、具有注意力机制的双向长短期记忆(ABLSTM,attention based bidirectional long short-term memory)网络等基线方法相比,识别准确率提升了1%~20%。

基于深度学习推荐系统的研究与展望

随着互联网信息不断呈指数增长,推荐系统成为了缓解信息过载的有效工具。深度学习作为目前的一个重要的研究方向,在许多研究领域都取得了突破性的进展。现有的研究表明,将深度学习技术融入到推荐过程中,可以通过整合海量的多源异构数据,使得用户模型更加贴合用户的偏好需求,从而提高推荐系统的性能和用户的满意度,并减轻信息过载的问题。文中对目前基于深度学习的推荐系统的相关研究进行全面的总结,首先阐述了传统推荐系统的内涵及其存在问题,然后详细介绍国内外学者通过深度学习解决上述问题的方法和策略,最后对深度学习在推荐领域的未来发展趋势进行分析和展望。

基于时序超图卷积神经网络的股票趋势预测方法

传统的股票预测方法大多基于时间序列模型,忽视了股票之间复杂的关系,并且该关系往往超出成对连接,例如同行业板块内股票或者基金持仓多支股票。针对该问题,提出一种基于时序超图卷积神经网络(HGCN)的股价走势预测方法,根据金融投资事实构造超图模型以拟合股票之间的多元关系,该模型包括两大组件:门控循环单元(GRU)网络和超图卷积神经网络。GRU网络对历史数据进行时间序列建模,捕捉长期依赖关系;HGCN建模股票间的高阶关系以学习内在关系属性,从而将股票间多元关系信息引入到传统的时序建模中,进行端到端的趋势预测。在中国A股市场真实数据集上的实验结果表明,相较于已有的股票预测方法,所提模型预测性能有所提升;如与GRU网络相比,所提模型在ACC和F1_score上的相对增幅分别为9.74%和8.13%,且更具有稳定性。此外,模拟回测结果显示,基于该模型的交易策略更具获利能力,年回报率达到11.30%,与长短期记忆(LSTM)网络相比提高了5个百分点。

一种非独立同分布下K-means算法的初始中心优化方法

传统聚类算法研究都是在假设数据集的对象、属性等方面满足独立性且服从同一分布的基础上进行的.然而现实中的数据往往是非独立同分布的,即属性之间或多或少都会存在一些交互关系.传统K-means算法随机地选择初始聚类中心,对于中心点的选取比较敏感,容易陷入局部最优且准确率低. Min_max方法针对这一缺点进行了改进,但原始的和改进后的Kmeans算法都忽略了属性之间存在的交互关系.因此本文利用Pearson相关系数公式来计算属性之间的交互关系,并映射于原始数据集.同时利用双领域思想对Min_max方法进行了优化.实验结果表明该方法能够得到较高的准确率、较好的聚类效果以及相对较少的迭代次数.

二次幂耦合的K-means聚类算法研究

在聚类研究中,通常认为数据集的对象、属性等方面是满足独立同分布的,它们之间是互不影响的,然而实际上它们之间存在着某些潜在的联系,即非独立同分布。为了更好地挖掘其存在的潜在关系,将数据集进行二次幂处理,计算皮尔森相关系数后得到二次幂耦合的数据集样本,为了解决K-means聚类算法存在选取初始中心点的敏感性问题,基于密度的思想,通过计算密度参数合理调整高密度区域,利用聚类迭代的方法进行选点,将高密度区域中的密度最大点作为初始点,距离初始点最远点作为第二个点,以前两个点为中心聚类迭代得到两个质心,将距离两个质心最远的点作为第三点,以此类推,实验结果表明所给的算法能够得到较高的准确率,较少的迭代次数,以及相对较好的聚类效果。

一种成本有效的面向超参数优化的工作流执行优化方法

随着云计算技术的成熟,越来越多的数据分析任务被放在云计算平台中处理。而面向数据分析应用的机器学习算法的超参数优化是一个非常耗时且耗费资源的过程。超参数优化执行的成本开销是用户关注的一个重要因素之一。目前,针对超参数优化的研究大部分以学习模型性能为目标,考虑成本开销的研究工作较少。由此研究了基于当前的超参数优化方法,在不改变学习模型性能(如准确率、查准率、召回率等)的基础上,使得超参数优化执行尽可能快的同时成本开销尽可能低。首先,生成一个包含多个并行分支的超参数优化工作流,每个分支上的所有任务都运行在同一台服务器上。然后通过有色装箱算法来决策这些分支所包含的任务。实验结果表明所提算法可以在保证执行时间的前提下减少成本开销。

基于优化的卷积神经网络的蛋白质二级结构预测

蛋白质二级结构预测对确定蛋白质的空间结构和功能有极其重要的意义。融合卷积神经网络和贝叶斯优化模型,优化卷积神经网络的网络框架和超参数。采用优化后的卷积神经网络在测试集CASP9、CASP10、CASP11、CASP12、CB513和25PDB上获得了81.99%、81.36%、80.83%、78.10%、84.29%和84.80%的Q3准确率。实验结果表明,相比于其他方法,该模型提高了蛋白质3类二级结构预测的精度。