-
题名一种鲁棒性增强的LambdaMART算法
被引量：2
- 1
-
-
作者
李金忠
刘关俊
-
机构
同济大学电子与信息工程学院计算机科学与技术系
同济大学嵌入式系统与服务计算教育部重点实验室
井冈山大学流域生态与地理环境监测国家测绘地理信息局重点实验室
井冈山大学电子与信息工程学院计算机科学与技术系
-
出处
《小型微型计算机系统》
CSCD
北大核心
2017年第5期1044-1048,共5页
-
基金
国家自然科学基金项目(61572360)资助
上海市教育发展基金
+2 种基金
上海市教育委员会项目(15SG18)资助
江西省教育厅科技计划项目(GJJ14561)资助
网络与数据安全四川省重点实验室开放课题(NDSMS201602)资助
-
文摘
鲁棒性在排序学习中显得越来越重要,而现有排序学习算法多数仅关注改进排序模型的有效性,往往忽略了排序模型的鲁棒性.为了增强排序模型的鲁棒性,在训练排序模型的过程中可同时考虑其有效性和鲁棒性.从一个新颖的视角,即偏差-方差均衡,研究了如何优化LambdaMART排序学习的有效性和鲁棒性均衡.将偏差和方差融合为一个统一的目标函数以修改LambdaMART算法中的梯度,并证明了修改后的梯度仍可采用LambdaMART算法去优化以训练排序模型.最后,在排序学习数据集上的实验结果表明,基于偏差-方差均衡思想所修改梯度后的LambdaMART算法具有更强的鲁棒性.
-
关键词
排序学习
排序模型
鲁棒性
偏差
方差
LambdaMART算法
-
Keywords
learning to rank
ranking model
robustness
bias-variance
LambdaMART algorithm
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名混合蛙跳优化决策面的LSB±k隐写算法
- 2
-
-
作者
欧阳春娟
刘昌鑫
刘欢
-
机构
井冈山大学电子与信息工程学院
井冈山大学流域生态与地理环境监测国家测绘地理信息局重点实验室
-
出处
《应用科学学报》
CAS
CSCD
北大核心
2015年第6期663-670,共8页
-
基金
国家自然科学基金(No.61462046
No.61163062)
+3 种基金
江西省教育厅科学技术研究项目基金(No.GJJ14559
No.GJJ13553)
江西省科技厅自然科学项目基金(No.20151BAB207026
No.20151BAB217012)资助
-
文摘
针对现有智能优化改进隐写不能对高维特征同时进行优化的问题,提出了一种混合蛙跳优化决策面的改进LSB±k隐写算法(记为SFLA-LSB±k).不同于其他优化改进隐写中尽可能减少图像载密前后某种特征变化的策略,在SFLA-LSB±k中,通过优化载密图像的特征变化,使载密图像特征变化方向随机化,导致分类器无法训练出一个能对载体与载密图像进行分类的决策面,从而达到抵抗分析的目的.实验结果表明,与标准的LSB±k隐写和相关PSO优化改进LSB±k隐写相比,SFLA-LSB±k有效提高了LSB±k的安全性,特别是当k取1时,该算法针对78维特征隐写分析的AUC值可下降到0.563 7.
-
关键词
LSB±k隐写
混合蛙跳优化
决策面
隐写分析
-
Keywords
LSB±k steganography, SFLA, decision surface, steganalysis
-
分类号
TP911.7
[自动化与计算机技术]
-
-
题名密集帧率采样的视频标题生成
被引量：2
- 3
-
-
作者
汤鹏杰
谭云兰
李金忠
谭彬
-
机构
井冈山大学数理学院
井冈山大学流域生态与地理环境监测国家测绘地理信息局重点实验室
同济大学计算机科学与技术系
井冈山大学电子与信息工程学院
-
出处
《计算机科学与探索》
CSCD
北大核心
2018年第6期981-993,共13页
-
基金
江西省教育厅科学技术研究项目Grant No.GJJ160750
江西省高校人文社会科学重点研究基地招标项目No.JD17082
+3 种基金
流域生态与地理环境监测国家测绘地理信息局重点实验室资助课题No.WE2016015
网络与数据安全四川省重点实验室开放课题No.NDSMS20160
国家自然科学基金No.61762052
江西省自然科学基金No.20171BAB202010~~
-
文摘
使用固定时间间隔取帧的方式用于视频标题生成,易导致多种静态或动态信息丢失,使得生成的句子质量难以提高。针对这一问题,提出了一种使用密集帧率采样的标题生成方法(dense frame rate sampling based captioning model,DFS-CM),将视频分为多个长度统一的片段,提取片段中所有视频帧的深度CNN(convolutional neural network)特征,然后使用均值或最大值方法,降低了特征数量,增强了特征的稀疏程度;同时,还改善了模型的训练策略,增强了模型的稳定性和泛化能力。最后在S2VT框架的基础上,使用Goog Le Net和Res Net-152两种CNN模型,对所提方法进行了验证。在Youtube2Text数据集上的实验结果表明,无论是采用均值特征还是最大值特征,其模型性能与基准模型相比均得到了改善,尤其是使用Res Net-152和最大值方式,其B@4和CIDEr分别达到了47.1%和34.1%。
-
关键词
视频
标题生成
GoogLeNet
ResNet
长短时记忆(LSTM)
密集帧率采样
-
Keywords
video
caption generation
Goog Le Net
Res Net
long short term memory（LSTM）
dense frame rate sampling
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名大规模图计算系统研究进展
被引量：2
- 4
-
-
作者
李金忠
彭蕾
刘欢
罗文浪
-
机构
井冈山大学电子与信息工程学院计算机科学与技术系
网络与数据安全四川省重点实验室电子科技大学
同济大学电子与信息工程学院计算机科学与技术系
井冈山大学流域生态与地理环境监测国家测绘地理信息局重点实验室
-
出处
《小型微型计算机系统》
CSCD
北大核心
2017年第10期2394-2400,共7页
-
基金
国家自然科学基金项目(61762052)资助
网络与数据安全四川省重点实验室开放课题(NDSMS201602)资助
+2 种基金
江西省自然科学基金项目(20171BAB202010
20161BAB202049
2011ZBAB202008)资助
-
文摘
随着大数据的快速发展,如Web图和在线社交网络等大图已经变得普遍,大规模图计算也越来越重要.为了有效处理如此大规模图,近年来已开发了许多大规模图计算系统.本文对大规模图计算系统进行综述.首先,对现有大规模图计算系统进行分类和评论,并简要阐述了一些大规模图计算系统.其次,对比分析了大规模分布式图计算系统中的三大派系:MapReduce派系、Pregel派系和GraphLab派系.最后,对大规模图计算系统未来的发展趋势进行了展望.
-
关键词
图计算
MAPREDUCE模型
BSP模型
GAS模型
大数据处理
-
Keywords
graph computing
MapReduce model
BSP model
GAS model
big data processing
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
