检索结果-维普期刊中文期刊服务平台

基于不确定性的多元时间序列分类算法研究被引量：1: 1; 作者张旭张亮 +1 位作者金博张红哲《自动化学报》 EI CAS CSCD 北大核心 2023年第4期790-804,共15页; 多元时间序列(Multivariate time series,MTS)分类是许多领域中的重要问题,准确的分类结果可以有效地帮助决策.当前的MTS分类算法在个体的表征学习阶段难以自动建模多元变量之间复杂的交互关系,并且无法评估分类结果的可信度,这会导致... 展开更多; 关键词多元时间序列预测图神经网络不确定性随机变分推断贝叶斯神经网络; 在线阅读下载PDF 职称材料

基于扩散方法的分布式随机变分推断算法被引量：2: 2; 作者付维明秦家虎朱英达《自动化学报》 EI CAS CSCD 北大核心 2021年第1期92-99,共8页; 分布式网络上的聚类、估计或推断具有广泛的应用,因此引起了许多关注.针对已有的分布式变分贝叶斯(Variational Bayesian,VB)算法效率低,可扩展性差的问题,本文借用扩散方法提出了一种新的分布式随机变分推断(Stochastic variational in... 展开更多; 关键词分布式算法随机变分推断扩散方法异步网络主题模型; 在线阅读下载PDF 职称材料

面向大规模数据主题建模的方差减小的随机变分推理算法被引量：1: 3; 作者刘张虎程春玲《计算机应用》 CSCD 北大核心 2018年第6期1675-1681,共7页; 随机变分推理(SVI)已被成功应用于在包括主题模型在内的众多类型的模型。虽然它将推理问题映射到涉及随机梯度的优化问题,使其扩展到处理大规模数据集,但是SVI算法中随机梯度固有的噪声使其产生较大的方差,阻碍了快速收敛。为此,对SVI... 展开更多; 关键词随机变分推理滑动窗口随机梯度方差减小主题建模; 在线阅读下载PDF 职称材料

利用标注者相关性的深度生成式众包学习被引量：1: 4; 作者李绍园韦梦龙黄圣君《软件学报》 EI CSCD 北大核心 2022年第4期1274-1286,共13页; 传统监督学习需要训练样本的真实标记信息,而在很多情况下,真实标记并不容易收集.与之对比,众包学习从多个可能犯错的非专家收集标注,通过某种融合方式估计样本的真实标记.注意到现有深度众包学习工作对标注者相关性建模不足,而非深度... 展开更多; 关键词众包学习深度生成式模型标注者相关性贝叶斯自然梯度随机变分推断; 在线阅读下载PDF 职称材料

大规模网络广义社区发现随机变分推理算法: 5; 作者柴变芳赵晓鹏《济南大学学报（自然科学版）》 CAS 北大核心 2016年第5期334-340,共7页; 流行度-生成度随机块(popularity-productivity stochastic block,PPSB)模型能发现网络广义社区,但该模型易过拟合,且不能有效处理大规模网络,故提出一个3层贝叶斯网络广义社区发现(generalized PPSB,GPPSB)模型,并给出实现大规模链接... 展开更多; 关键词大规模网络内容网络随机变分推理广义社区发现; 在线阅读下载PDF 职称材料

题名基于不确定性的多元时间序列分类算法研究被引量：1: 1; 作者张旭张亮金博张红哲; 机构大连理工大学机械工程学院东北财经大学国际商学院大连理工大学创新创业学院; 出处《自动化学报》 EI CAS CSCD 北大核心 2023年第4期790-804,共15页; 基金国家自然科学基金(61772110) 辽宁省教育厅科学研究经费(LJKZ1045) 上海市卫生和计划生育委员会科研课题(20184Y0247)资助。; 文摘多元时间序列(Multivariate time series,MTS)分类是许多领域中的重要问题,准确的分类结果可以有效地帮助决策.当前的MTS分类算法在个体的表征学习阶段难以自动建模多元变量之间复杂的交互关系,并且无法评估分类结果的可信度,这会导致模型性能受限,以及缺乏具备统计意义的可靠性解释.本文提出了一种基于不确定性的多元时间序列分类算法,变分贝叶斯共享图神经网络,即VBSGNN(Variational Bayes shared graph neural network).首先通过图神经网络(Graph neural network,GNN)提取多元变量之间的交互特征,然后利用贝叶斯神经网络(Bayesian neural network,BNN)为预测过程引入了不确定性.最后在10个公开MTS数据集上进行了算法实验,并与当前提出的7类算法进行了比较,结果表明VBSGNN可有效学习多元变量之间的交互关系,提升了分类效果,并使得模型具备一定的可靠性评估能力.; 关键词多元时间序列预测图神经网络不确定性随机变分推断贝叶斯神经网络; Keywords Multivariate time series prediction graph neural network(GNN) uncertainty stochastic variational inference Bayesian neural network(BNN); 分类号 O211.61 [理学—概率论与数理统计]; 在线阅读下载PDF 职称材料

题名基于扩散方法的分布式随机变分推断算法被引量：2: 2; 作者付维明秦家虎朱英达; 机构中国科学技术大学自动化系; 出处《自动化学报》 EI CAS CSCD 北大核心 2021年第1期92-99,共8页; 基金国家自然科学基金(61873252,61922076) 霍英东教育基金会高等院校青年教师基金(161059)资助。; 文摘分布式网络上的聚类、估计或推断具有广泛的应用,因此引起了许多关注.针对已有的分布式变分贝叶斯(Variational Bayesian,VB)算法效率低,可扩展性差的问题,本文借用扩散方法提出了一种新的分布式随机变分推断(Stochastic variational inference,SVI)算法,其中我们选择自然梯度法进行参数本地更新并选择对称双随机矩阵作为节点间参数融合的系数矩阵.此外,我们还为所提出的分布式SVI算法提出了一种对异步网络的适应机制.最后,我们在伯努利混合模型(Bernoulli mixture model,BMM)和隐含狄利克雷分布(Latent Dirichlet allocation,LDA)模型上测试所提出的分布式SVI算法的可行性,实验结果显示其在许多方面的性能优于集中式SVI算法.; 关键词分布式算法随机变分推断扩散方法异步网络主题模型; Keywords Distributed algorithm stochastic variational inference(svi) diffusion method asynchronous network topic mode; 分类号 O212 [理学—概率论与数理统计]; 在线阅读下载PDF 职称材料

题名面向大规模数据主题建模的方差减小的随机变分推理算法被引量：1: 3; 作者刘张虎程春玲; 机构南京邮电大学计算机学院; 出处《计算机应用》 CSCD 北大核心 2018年第6期1675-1681,共7页; 文摘随机变分推理(SVI)已被成功应用于在包括主题模型在内的众多类型的模型。虽然它将推理问题映射到涉及随机梯度的优化问题,使其扩展到处理大规模数据集,但是SVI算法中随机梯度固有的噪声使其产生较大的方差,阻碍了快速收敛。为此,对SVI作出改进,提出一种方差减小的SVI(VR-SVI)算法。首先,采取滑动窗口的方法重新计算随机梯度中的噪声项,构建新的随机梯度,减少了噪声对随机梯度的影响;然后,对提出的算法可在SVI基础上使得随机梯度的方差减小进行证明;最后,讨论窗口大小对算法的影响,并分析算法的收敛性。实验结果表明,VRSVI算法既减小了随机梯度的方差,又节省了计算时间,可达到快速收敛的效果。; 关键词随机变分推理滑动窗口随机梯度方差减小主题建模; Keywords stochastic variational inference （svi） sliding window stochastic gradient variance reduction topic modeling; 分类号 TP301.6 [自动化与计算机技术—计算机系统结构] TP391.1 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名利用标注者相关性的深度生成式众包学习被引量：1: 4; 作者李绍园韦梦龙黄圣君; 机构南京航空航天大学计算机科学与技术学院/人工智能学院; 出处《软件学报》 EI CSCD 北大核心 2022年第4期1274-1286,共13页; 基金国家自然科学基金(61906089) 江苏省基础研究计划(BK20190408) 中国博士后基金(2019TQ0152)。; 文摘传统监督学习需要训练样本的真实标记信息,而在很多情况下,真实标记并不容易收集.与之对比,众包学习从多个可能犯错的非专家收集标注,通过某种融合方式估计样本的真实标记.注意到现有深度众包学习工作对标注者相关性建模不足,而非深度众包学习方面的工作表明,标注者相关性建模利用有助于改善学习效果.提出一种深度生成式众包学习方法,以结合深度神经网络优势及利用标注者相关性.该模型由深度神经网络分类器先验和标注生成过程组成,其中,标注生成过程通过引入各类别内标注者能力的混合模型以建模标注者相关性.为自适应地匹配数据及模型复杂度,实现了完全贝叶斯推断.基于结构变分自编码器的自然梯度随机变分推断技术,将共轭参数变分消息传递与神经网络参数随机梯度下降结合到统一框架,实现端到端的高效优化.在22个真实众包数据集上的实验结果验证了该方法的有效性.; 关键词众包学习深度生成式模型标注者相关性贝叶斯自然梯度随机变分推断; Keywords crowdsourcing learning deep generative model worker correlations Bayesian natural-gradient stochastic variational inference; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名大规模网络广义社区发现随机变分推理算法: 5; 作者柴变芳赵晓鹏; 机构河北地质大学信息工程学院河北省财政厅信息中心; 出处《济南大学学报（自然科学版）》 CAS 北大核心 2016年第5期334-340,共7页; 基金国家自然科学基金(61503260); 文摘流行度-生成度随机块(popularity-productivity stochastic block,PPSB)模型能发现网络广义社区,但该模型易过拟合,且不能有效处理大规模网络,故提出一个3层贝叶斯网络广义社区发现(generalized PPSB,GPPSB)模型,并给出实现大规模链接网络和内容网络广义社区发现的随机变分推理(stochastic variational inference,SVI)算法GPPSB-SVI和GPPSB-C-SVI。不同规模人工网络和实际网络上的实验结果表明:GPPSB-SVI准确性优于已有流行大规模网络社区发现算法,效率高于基于PPSB模型的广义社区发现算法;GPPSB-C-SVI准确性优于GPPSB-SVI算法;GPPSB模型引入节点隶属度和类间链接概率矩阵的先验分布,可更好地对网络建模,其参数估计算法GPPSB-SVI、GPPSB-C-SVI可更有效地实现大规模网络广义社区发现。; 关键词大规模网络内容网络随机变分推理广义社区发现; Keywords massive network content network stochastic variational inference general community detection; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于不确定性的多元时间序列分类算法研究	张旭张亮金博张红哲	《自动化学报》 EI CAS CSCD 北大核心	2023	1	在线阅读下载PDF 职称材料
2	基于扩散方法的分布式随机变分推断算法	付维明秦家虎朱英达	《自动化学报》 EI CAS CSCD 北大核心	2021	2	在线阅读下载PDF 职称材料
3	面向大规模数据主题建模的方差减小的随机变分推理算法	刘张虎程春玲	《计算机应用》 CSCD 北大核心	2018	1	在线阅读下载PDF 职称材料
4	利用标注者相关性的深度生成式众包学习	李绍园韦梦龙黄圣君	《软件学报》 EI CSCD 北大核心	2022	1	在线阅读下载PDF 职称材料
5	大规模网络广义社区发现随机变分推理算法	柴变芳赵晓鹏	《济南大学学报（自然科学版）》 CAS 北大核心	2016	0	在线阅读下载PDF 职称材料