基于多粒度的异质图表示

异质图表示学习旨在将图中的语义信息和异质的结构信息嵌入到低维向量空间中。目前大多数的异质图表示学习方法主要通过基于元路径、元图和网络模式的采样以保留图中同类型节点间的单粒度局部结构,忽略了现实世界中复杂异质图具有的丰富的层次结构。商空间理论中的多粒度思想可以在不同粒度内捕获节点间的潜在联系。因此,为在异质图表示中有效地保留层次结构的信息,文章提出一个基于多粒度的异质图表示方法（Heterogeneous Graph Representations Based on Multi-granularity,HeMug）。该方法首先基于不同元路径构建多个同质子图,并利用多粒度的粗化思想,将每个同质子图分别粗化形成多个多粒度子网络,以保留异质图中同类型节点在给定元路径下的层次结构。其次,利用多粒度的细化思想,将每个多粒度子网络最粗层通过现有表示学习方法获得的节点表示逐层细化,以得到节点在每个多粒度子网络下的表示。最后,设计注意力机制以融合节点在不同元路径对应的多粒度子网络下的表示。在四个真实数据集上的实验结果表明,与对比算法相比,提出的HeMug获得了更有效的节点表示。     

基于商空间的多层粒化社区发现方法

社区发现旨在挖掘复杂网络的社区结构,现有的社区发现方法普遍存在着划分速度和精度不均衡的问题.商空间理论是一种粒度计算理论,通过粒度变换来降低问题求解复杂度,同时保持问题求解精度.提出一种基于商空间的多层粒化社区发现方法(multilayer granulation community detection method based on quotient space,MGQS).该方法首先通过快速粒化操作对复杂网络进行多层次粒化,形成逐层粒化、逐层抽象的多粒度商空间,再依据所求问题选择最佳粒层作为最终划分结果.在公用数据集上的系列实验结果表明,相比于其他算法,该方法既能快速划分不同类型和规模的网络,也能获取多粒度的社区结构并根据所求问题选择最佳粒层,取得较高的模块度值和NMI值.     

基于图注意力网络的多行为推荐算法

现有的多行为推荐系统未有效利用不同层次的图传播信息，难以捕获用户不同行为的影响。为解决此问题，文章提出了一种基于图注意力网络的多行为推荐模型(GABR):首先，采用小批量采样节点嵌入方法聚合同一行为类型交互的邻域节点，以提高特征表示效率；接着，采用注意力机制学习不同行为类型的影响系数，以进一步融合节点特征；然后，合并多层用户和项目表示，以有效利用不同层次的图传播信息；最后，将已交互的用户-项目对和随机采样未交互过的用户-项目对作为正负样本对来训练目标模型，以优化模型性能。为验证模型推荐性能，在3个真实数据集(Yelp、Scholat、Beibei)上与现有9种推荐模型进行对比。实验结果表明GABR模型能够有效利用融合了不同行为类型影响系数的多层图传播信息，更好地预测用户偏好：在3个真实数据集上，与目前最佳的基线模型(GNMR)相比，GABR模型的HR、NDCG平均提高了1.73%、2.43%。     

面向脚本事件预测的稠密事件图嵌入

脚本事件预测是指在给定现有上下文事件链的情况下预测后续事件.在现实世界中，不同事件的关系可以自然地表示为图结构，以事件为节点，以时间或因果关系为边.由于语料库规模有限和信息提取工具的能力不足，先前工作中自动构建的事件图会存在稀疏性问题，并且无法集成来自高阶节点的信息以支持多步推理.为了解决这个问题，本文提出使用可学习的多维加权邻接矩阵的稠密事件图（DEG）来解决之前事件图存在的稀疏性问题并表征事件之间的关系强度.为了实现DEG的嵌入表示，本文同时提出了一个通用框架，该框架能够将高阶事件演化信息组合到事件表示中.在多选叙事完形填空（multiple choice narrative cloze，MCNC）和连贯多选叙事完形填空（coherent multiple choice narrative cloze ，CMCNC） 数据集上进行了实验，结果证明了此框架的有效性.     

抗深度取证的多粒度融合图像修复网络

数字图像的真伪判别是图像安全领域中的基础问题,因数字媒体极易被攻击篡改,针对图像的取证技术得到了广泛的研究.另一方面,对图像篡改反取证技术的研究,不仅追求更逼真的图像篡改操作,也从相反的方向促进了取证技术的发展.图像修复作为基础的图像篡改操作,一直是国内外学者的研究热点.针对被修复篡改后的图像会被深度取证网络取证的问题,提出了一种抗深度取证的多粒度融合图像修复(multi-granularity fusion-based image inpainting network resistant to deep forensics,MGFR)网络.MGFR网络包括编解码器、多粒度生成模块以及多粒度注意力模块.首先,输入的破损图像被编码器编码成深度特征,深度特征通过多粒度生成模块生成3个不同粒度中间特征;然后,采用多粒度注意力模块来计算不同粒度中间特征之间的相关性并将其融合;最后,融合特征通过解码器生成输出结果.另外,所提出的MGFR网络被重建损失、模式噪声损失、深度取证损失以及对抗损失联合监督.研究结果显示,所提出的MGFR网络在拥有较好的修复性能的同时能成功规避深度取证网络的取证.     

一种改进的多模块贝叶斯网络局部推理算法

针对多模块贝叶斯网络的局部推理的时间和空间复杂度高的问题,提出了一种改进的多模块贝叶斯网络局部推理算法.该算法用面向对象语言重新定义了多模块贝叶斯网络模型,在联合树推理算法的基础上结合图论中"顶点度"的概念对局部推理算法进行了优化,针对三角化结果不唯一的问题,给出了一种一般性的解决方案,使三角化后的结果能够将消息传递得更快,有效地缩短推理时间.给出了算法的仿真实例并进行实验分析,结果表明改进后的推理算法有效减小时间、空间复杂度.     

应用粒计算的混合智能故障诊断技术研究

针对现有的混合智能故障诊断模型缺乏通用方法和混合框架,未能实现不同智能诊断方法的实质性融合和优势互补的问题,提出并构建了一种基于粒计算的混合智能故障诊断模型.该模型的核心是在邻域粗糙集中求取不同的邻域值,对故障特征集进行分层粒化,在不同粒度下获得核属性集.利用核属性集在相应粒度下构建人工神经网络和支持向量机子分类器,通过评估矩阵算法对所有粒度下全部子分类器的诊断结果进行融合集成.模型应用结果表明,分类精度随着粒度层的增加而不断提高,集成后的分类精度高于不同粒度下的所有子分类器,从而体现了粒化分层的优势和不同智能诊断方法的优势互补,为混合智能诊断提供了一种新途径.     

一种全连接粒神经网络分类方法

全连接神经网络需要大量的数据支持，才能训练好一个分类网络，往往现实中没有提供大量的数据供给网络训练。针对全连接神经网络缺少数据训练会使网络分类效果不佳这个问题，研究粒计算理论，从不同角度增广数据并进行粒化，提出一种全连接粒神经网络的分类方法。首先，该网络对所有样本进行单特征参照样本相似度粒化，形成参照样本粒子。同时引入邻域判别函数进行邻域粒化，形成邻域粒子。一个样本上的多个特征粒子构成一个粒向量，将构造的粒向量输入到该网络进行分类，进而提出了全连接粒神经网络。在多个UCI数据集上实验，用全连接粒神经网络和不同的分类算法进行比较，其结果表明了所提出的全连接粒神经网络分类方法的正确性与有效性。     

基于邻域信息的网络结构表示学习

针对传统网络表示学习方法无法学习节点网络结构相关性的问题, 提出一种基于邻域信息的网络结构表示学习模型. 该模型首先定义基于邻域信息的节点间结构相似度计算方法, 对不同邻域范围内节点间结构相似度建模； 其次构建深层自编码器, 将节点结构相似度作为监督信息优化网络表示, 在网络嵌入过程中学习节点结构信息. 与node2vec,SDNE,struc2vec三种相关算法进行对比的实验结果表明, 该方法有更好的网络结构识别能力, 能学习到节点间的结构相关性, 所得到的网络表示能适用于角色识别相关任务. 此外, 跨网络分类实验结果还体现了该方法在迁移学习方面的潜力.     

针对不可微多阶段算法的环境升级式强化学习方法

多阶段算法的研究目前已取得很大进展,但仍存在2个重要问题。在推理阶段,信息不能从下游反馈到上游。在训练阶段,当整个模型涉及不可微函数时无法进行端到端的训练,因此不同阶段不能联合优化。提出一种新的环境升级式强化学习方法来解决反馈和联合优化问题,该方法的框架结构是通过一个强化学习智能体将下游阶段与上游阶段重新连接起来,利用优化上游阶段的输出来训练智能体,以提高最终性能,同时根据智能体的策略对下游阶段(环境)进行升级,实现智能体策略和环境的联合优化。针对智能体和环境的不同训练需求,还提出了一种基于该框架的训练算法,并在实例分割和人体姿态估计实验中证明了其有效性。     

基于变分推断和元路径分解的异质网络表示方法

针对异质网络表示中传统元路径随机游走无法准确描述异质网络结构,不能较好地捕捉网络节点内在的真实分布问题,提出基于变分推断和元路径分解的异质网络表示方法HetVAE.该方法先结合路径相似度的思想,设计了一种节点选择策略对元路径随机游走进行改进,再通过引入变分理论对原始分布中的潜在变量进行有效采样.最后,通过设计个性化的注意力机制,对由分解获得的不同子网络的节点向量表示进行加权,再将其进行融合,使最终的节点向量表示具有更丰富的语义信息.通过在DBLP、AMiner、Yelp这3个真实数据集上进行多组不同网络任务的实验,验证了模型的有效性.在节点分类和节点聚类任务上,与对比算法相比,微观F_1值和标准化互信息分别提升了1.12%～4.36%和1.35%～18%,表明HetVAE能够有效地表征异质网络结构,学习出更符合真实分布的节点向量表示.     

弹性光网络中基于业务整合的CD-ROAD M 节点优化配置方案

可重构光分插复用器ROADM (Reconfigurable Optical Add/Drop Multiplexers)已经被网络运营商广泛铺设在透明光核心网中,以增加网络的动态性和透明性.下一代ROADM具备无色无向无竞争(Colorless,Directionless,Contentionless,CDC)的特性.然而,完全理想的CDCROADM结构会造成一些不足,如ROADM节点结构复杂,收发机模块硬件成本较高,波长选择开关波长选择开关(Wavelength-Selective Switch,WSSs)端口规模较大,以及能耗较高.本文提出了一种利用光谱预留和光路嫁接机制的业务整合算法,优化了弹性光网络中具有业务疏导功能的CD-ROADM节点配置,并评估分析了不同收发机模块及其中光收发机资源配置对网络性能的影响.仿真结果表明,在满足最佳网络性能的前提下,本文提出的业务整合方案优化了ROADM节点结构,降低了节点成本,减少了节点功耗.     

基于结构重参数化的抗遮挡光场深度估计网络

针对光场深度估计网络结构中运算时间较长的问题，设计了一种能够被重参数化的多分支串联残差块结构（Res-DBLB），加快了网络运算速度，同时引入复合卷积块（RepConv）和卷积注意力模块（CBAM），优化网络性能.对于复杂的遮挡场景，利用深度图生成遮挡掩码，计算遮挡感知成本的构造函数，消除遮挡的负面影响.实验结果表明：与传统方法相比，该算法的均方误差和坏像素率更低，推理速度更快，同时在复杂遮挡场景中表现出较高的稳健性.     

基于ME-ANet模型的糖尿病视网膜病变分级

糖尿病视网膜病变(Diabetic Retinopathy，DR)是一种致盲率很高的眼科疾病。不同病变等级的视网膜图像之间差异小且病灶点分布无规律。针对现有深度模型对DR中的相似病灶点识别率低，严重影响模型分类精度的问题，本研究以深度学习为基础，构建新的模型架构进行训练，提出一种集成MobileNetV2和EfficientNetB0深度模型的注意力网络：ME-ANet。模型集成分为头部和主干两部分，将深度模型的浅层部分融合构成网络的头部，训练时采用迁移学习的策略对网络模型参数进行初始化，减少训练中的过拟合问题。主干部分利用上述两种模型的核心结构，设计3个阶段集成模块进行特征提取。同时设计全局注意力机制(Global Attention Mechanism，GAM)并分别嵌入到3个阶段的集成模块中。模型的改进加速了网络的收敛速度，该网络模型实现了对图像浅层信息的特征融合提取，减少了微病灶特征信息在训练过程中的卷积丢失问题，模型的分类精度进一步得到改善。通过模型集成构建特征提取主干网络，提高了模型对低级特征信息的学习，注意力机制抑制非病变特征信息，强化典型病灶特征学习，从而实现细粒度分类，进一步提升了模型的分类性能。     

基于扩张卷积特征自适应融合的复杂驾驶场景目标检测

针对复杂驾驶场景下的目标检测问题,提出一种基于扩张卷积特征自适应融合的目标检测算法.采用单阶段目标检测网络RetinaNet作为基本框架,其包含卷积特征提取、多尺度特征融合以及目标分类与回归子网.为提高网络对多尺度特征的提取能力,设计了基于不同扩张率组合的残差卷积分支模块,以获取不同感受野下的目标特征图;然后,将不同尺度下的特征通过网络自适应学习的参数融合后输出,用于后续的目标预测;最后在大规模且多样化的复杂驾驶场景数据集BDD100K上进行实验.结果 表明,利用扩张残差卷积分支模块与特征自适应融合算法能够分别将网络的平均精度均值由0.330提升至0.338与0.344,并在采用扩张卷积特征自适应融合的情况下达到了0.349.所提算法能够有效提升目标检测算法在复杂驾驶场景下的检测性能.     

基于deepwalk方法的适应有限文本信息的DWLTI算法

提出一种新的网络表示学习算法DWLTI,它是可以同时考虑网络的结构信息和节点的文本属性信息的低维向量表示.DWLTI模型是一种基于deepwalk方法的能够适应有限文本信息的新模型.它通过采用合适的数据融合形式,同时最大化随机游走获得的节点序列和文本内容的词语序列的共现概率.通过应用两棵哈夫曼子树,使得即使只有少量部分节点拥有自身的文本信息,这些稀疏信息也能被充分利用.最后在真实网络数据集上进行节点分类实验,评估学习到的节点表示的质量.实验结果表明,利用有限文本信息的DWLTI优于多种经典基线模型.     

基于注意力和图网络的多粒度脚本事件推理方法

[目的]对于一些覆盖面广、延续时间长的事件(如台风、洪水等自然灾害),考虑事件演化过程复杂多变,所获取的事件信息存在疏密程度不均的问题,研究其事件推理问题.[方法]提出一种基于注意力机制和图网络的多粒度脚本事件推理方法,通过提取及合并不同粒度的事件信息以获得更丰富的事件语义信息,并结合图注意力网络和事件转移概率矩阵以充分利用密集事件连接提升推理性能.具体而言,首先采用自注意力机制从事件链中获得事件片段,并结合单个事件和事件片段的表示扩展模型输入信息,然后充分利用密集的事件连接,从海量事件新闻中提取事件链构建事件演化图来获得事件转移矩阵,提高模型推理准确率.[结果]在多个真实台风事件以及标准数据集上的实验结果表明,本文所提方法优于传统的基于事件链、基于事件对以及基于事件图等的事件推理模型.[结论]采用自注意力机制从事件链中获得事件片段,并结合单个事件和事件片段的表示扩展模型输入信息可以缓解事件稀疏带来的推理困难问题;仅采用时序关系不能完全表示基本事件链与候选事件的关系,构建事件演化图可以更好的提取事件间的复杂交互信息;多粒度事件信息的融合可以更好地反映候选事件与基本事件链的关系.     

多变量模糊推理系统的神经网络实现

以双缸连通液面Ｆｕｚｚｙ控制系统为模型，研究了多变量Ｆｕｚｚｙ推理系统的神经元网络实现问题。这里主要考虑如下二个问题：（１）ＢＰ网络在语言环境下实现多变量Ｆｕｚｚｙ推理系统的有效性；（２）神经网络结构（隐层节点个数及输出层激发函数）对推理结果的影响。仿真结果表明，在语言环境下ＢＰ网络具有很强的近似推理能力，基于ＩＦ－ＴＨＥＮ的多变量Ｆｕｚｚｙ推理系统可由一个ＢＰ网络训练学习而加以实现，从而为有效的实现多变量复杂系统的Ｆｕｚｚｙ控制奠定了基础。     

基于方向引导的残差去雨网络

基于深度学习的单幅图像去雨已经取得了较大进展，但现有的图像去雨方法大多没有考虑真实场景中雨纹方向的多样性，导致各方向雨纹去除不均匀，复原图像仍存在雨纹残留及颜色失真问题．基于此，以雨纹方向信息为导向，提出了一种基于雨纹方向引导的残差去雨网络．该网络由带有残差校正模块的编解码主干网络、基于方向引导的特征提取子网络以及颜色修正模块组成．在主干网络中，融入残差校正模块可学习低质量特征表示到最优特征表示的映射，校正后的网络可恢复更多高频细节；特征提取子网络包含方向引导模块和自适应循环递归模块，通过动态卷积核自适应选择与注意力机制引导，可实现不同方向、不同感受野的雨纹特征提取和融合；进一步，为了改善去雨后图像的视觉质量，设计了颜色修正模块，可以对复原图像的色彩信息进行补偿．在合成和真实数据集上的实验表明，所提方法可在彻底去除雨纹的同时保持细节丰富、颜色自然．     

基于骨架的自适应尺度图卷积动作识别

基于骨架的动作识别任务中,一般将骨骼序列表示为预定义的时空拓扑图.然而,由于样本的多样性,固定尺度的拓扑图往往不是最优结构,针对样本特性构建自适应尺度的骨骼拓扑图能够更好地捕捉时空特征;另外,不同尺度的骨骼图能够表达不同粒度的人体结构特征,因此对多个不同尺度的拓扑图进行特征提取与融合是有必要的.针对这些问题,提出了一种自适应尺度的图卷积动作识别模型.该模型包含自适应尺度图卷积模块和多尺度融合模块两部分.自适应尺度图卷积模块基于先验与空间注意力机制,构建关键点的活跃度判决器,将活跃点细化为小尺度结构、非活跃点聚合为大尺度结构,在加速节点间特征传递的同时最小化特征损耗;多尺度融合模块基于通道注意力机制,动态融合不同尺度的特征,进一步提升网络的灵活性;最后,综合关键点、骨骼、运动信息实现多路特征聚合的动作判别,丰富模型的特征表达.结果表明:该算法在NTU-RGBD数据集的CS和CV子集上分别取得了89.7%和96.1%的分类准确率,显著提高了动作识别的准确性.