-
题名基于类别对抗联合学习的跨提示自动作文评分方法
- 1
-
-
作者
张春云
赵洪焱
邓纪芹
崔超然
董晓琳
陈竹敏
-
机构
山东财经大学计算机科学与技术学院
山东省数字媒体重点实验室(山东财经大学)
山东大学计算机科学与技术学院
-
出处
《计算机研究与发展》
北大核心
2025年第5期1190-1204,共15页
-
基金
国家自然科学基金项目(62077033)
山东省自然科学基金项目(ZR2020KF015)
山东省泰山学者计划项目(tsqn202211199)。
-
文摘
自动作文评分(automated essay scoring,AES)能够有效减轻教师的作文评阅负担并为学生提供客观、及时的反馈,是自然语言处理在教育领域的一项重要应用.跨提示AES旨在学习一个可迁移的自动评分模型,使之能够有效为目标提示的作文评分.然而,现有的跨提示AES大都是面向目标提示数据可见的场景,通过将源提示和目标提示的特征分布进行对齐,学习提示不变特征表示来学习可迁移到目标提示的评分模型,但是这类方法无法应用于目标提示数据不可见的场景.面向目标提示数据不可见的场景,提出一种基于类别对抗联合学习的跨提示AES方法.一方面,通过对分类和回归联合任务进行联合建模来学习2个任务的共享特征,从而实现二者性能的相互促进;另一方面,不同于现有方法采用提示无关特征来提升模型泛化性能,针对不同提示的类别分布差异引入类别对抗策略,通过对不同提示进行类别级特征对齐,学习不同提示间的细粒度不变特征表示,从而提升模型泛化性能.将所提出方法用于自动学生评估奖(ASAP)和ASAP++数据集,分别对作文的总体评分和属性评分进行预测.实验结果表明,与6种经典方法相比,在平方卡帕(QWK)指标上取得最好的实验效果.
-
关键词
自动作文评分
跨提示
类别对抗
联合建模
领域泛化
-
Keywords
automated essay scoring(AES)
cross-prompt
category adversarial
joint modeling
domain generalization
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名面向子空间聚类的多视图统一表示学习网络
- 2
-
-
作者
林毓秀
刘慧
于晓
张彩明
-
机构
山东财经大学计算机与人工智能学院
山东省数字媒体技术重点实验室(山东财经大学)
山东大学软件学院
-
出处
《计算机研究与发展》
北大核心
2025年第5期1248-1261,共14页
-
基金
国家自然科学基金项目(62072274,U22A2033)
中央引导地方科技发展项目(YDZX2022009)
山东省泰山学者特聘专家基金项目(tstp20221137)。
-
文摘
多视图子空间聚类旨在挖掘多视图的丰富信息来指导高维数据聚类,其研究关键在于如何有效地学习多视图统一表示和子空间表示.近年来,深度聚类方法利用神经网络强大的表征能力取得了优异的性能.然而,多视图数据固有的多源异构性使得大多数现有方法以单模态编码器实现对各个视图的独立编码,不仅增加了模型参数量,同时限制了模型的泛化能力.另一方面,低秩子空间表示被证明能够提升聚类性能,传统的核范数正则化优化没有考虑不同奇异值隐含的信息量差异,是矩阵秩的一个有偏估计.为此,提出了一种面向子空间聚类的多视图统一表示学习网络.首先,基于Transformer构建编码器,通过共享参数将异构视图以相同的映射规则投影到低维特征空间.其次,针对每个样本在不同视图中可能具有不同的表现,采用视图内样本加权融合的方法学习多视图统一表示.最后,引入加权Schatten-p范数对子空间表示矩阵施加低秩约束.在7个多视图数据集上的广泛实验验证了所提方法的有效性和优越性.
-
关键词
多视图子空间聚类
Transformer
加权融合
低秩表示
加权Schatten-p范数
-
Keywords
multi-view subspace clustering
Transformer
weighted fusion
low-rank representation
weighted Schatten p-norm
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名面向医学图像融合的多尺度特征频域分解滤波
被引量：1
- 3
-
-
作者
刘慧
朱积成
王欣雨
盛玉瑞
张彩明
聂礼强
-
机构
山东财经大学计算机科学与技术学院
山东省数字媒体技术重点实验室(山东财经大学)
山东第一医科大学第一附属医院
山东大学软件学院
哈尔滨工业大学(深圳)计算机学院
-
出处
《软件学报》
EI
CSCD
北大核心
2024年第12期5687-5709,共23页
-
基金
国家自然科学基金(62072274,U22A2033)
中央引导地方科技发展项目(YDZX2022009)
山东省泰山学者特聘专家计划(tstp20221137)。
-
文摘
多模态医学图像融合技术可以实现不同模态数据反映的组织结构与病变信息的融合,为后续医疗诊断、手术导航等临床应用提供更为全面和准确的医学图像分析.针对现有融合方法中存在的部分光谱退化、黏连病变侵袭区域边缘和细节缺失和色彩还原不足等问题,提出一种在多尺度特征频域分解滤波域内实现图像多特征增强和色彩保留的多模态医学图像融合方法.该方法将源图像分解为平滑、纹理、轮廓和边缘这4个特征层,分别利用特定融合规则并通过图像重构产生融合结果.特别地,鉴于平滑层所含潜在特征信息,提出视觉显著性分解策略,多尺度多维度地挖掘平滑层图像能量、部分纤维纹理等特征,提升源图像信息利用率;在纹理层中,提出纹理增强算子,通过空间结构和信息度量提取细节及其层次信息,解决现有融合方法中对黏连病变区域侵袭状态难以区分等问题.此外,针对缺乏公开腹部数据集的问题,配准403组腹部图像可供公开访问和下载.在Atlas公开数据集和腹部数据集上与6种基准方法对比及消融实验结果表明,所提方法相较于最先进的方法在融合图像与源图像相似度提升22.92%,边缘保持度提升35.79%,空间频率提升28.79%,对比度提升32.92%,并在视觉和计算效率方面有较好的效果,明显优于其他方法.
-
关键词
医学图像融合
多尺度特征频域分解滤波
视觉显著性分解策略
纹理增强算子
多模态腹部数据集
-
Keywords
medical image fusion
multi-scale feature frequency domain decomposition filtering
visual saliency decomposition strategy
texture enhancement operator
multi-modal abdominal dataset
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于雾浓度分类与暗-亮通道先验的多分支去雾网络
被引量：2
- 4
-
-
作者
张琪东
迟静
陈玉妍
张彩明
-
机构
山东财经大学计算机科学与技术学院
山东省数字媒体技术重点实验室(山东财经大学)
山东大学软件学院
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2024年第3期762-779,共18页
-
基金
山东省高等学校青创科技支持计划项目(2020KJN007)
济南市“新高校20条”科研带头人工作室项目(2021GXRC092)
+1 种基金
国家自然科学基金重点项目(U1909210)
山东省重点研发计划项目(2019GSF109112,2021SFGC0102)。
-
文摘
在图像去雾领域中,目前多数去雾模型难以维持精度与效率的平衡,高精度的模型往往伴随着复杂的网络结构,而简单的网络结构又往往会导致低质量的结果.针对该问题提出一个基于雾浓度分类与暗-亮通道先验的多分支去雾模型,通过对带雾图像分类,使用复杂度不同的网络来处理不同雾浓度的图像,可在保证精度的同时提高计算效率.模型由轻量级雾图像分类器和基于暗-亮通道先验的多分支去雾网络2部分构成:前者将带雾图像分为轻雾、中雾、浓雾3类,输出雾浓度标签;后者包含3个结构相同、宽度不同的分支网络,根据雾浓度标签选择不同的分支网络处理不同雾浓度图像,恢复至无雾图像.提出一个新的雾浓度分类方法以及基于该方法的雾浓度分类损失函数,可根据带雾图像的暗通道特征和恢复难度,结合生成图像质量和模型计算效率,得到对带雾图像合理准确的分类结果,达到去雾效果和算力需求的良好平衡.提出新的暗通道与亮通道先验损失函数,用于约束分支去雾网络,可有效提高去雾精度.实验结果表明,模型能够以更低的网络参数量和复杂度得到更优的去雾结果.
-
关键词
图像去雾
雾浓度分类
暗通道先验
亮通道先验
卷积神经网络
-
Keywords
image defogging
fog concentration classification
dark channel prior
bright channel prior
CNN
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名一致性引导的自适应加权多视图聚类
被引量：6
- 5
-
-
作者
于晓
刘慧
林毓秀
张彩明
-
机构
山东财经大学计算机科学与技术学院
山东省数字媒体技术重点实验室(山东财经大学)
山东大学软件学院
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2022年第7期1496-1508,共13页
-
基金
国家自然科学基金项目(62072274)
山东省科技成果转移转化项目(2021LYXZ021)。
-
文摘
随着获取多模态或多视图数据的日益容易,多视图聚类研究受到广泛关注.然而,很多方法直接从原始数据中学习邻接矩阵,忽视了数据中噪声的影响.此外,还有一些方法将各个视图同等对待,而实际上各视图在聚类过程中所发挥的作用是不同的.为解决上述问题,提出了一种基于Markov链的聚类算法,名为一致性引导的自适应加权多视图聚类(consensus guided auto-weighted multi-view clustering, CAMC).首先为每个视图构造转移概率矩阵;然后,以自适应加权的方式获得一致性转移概率矩阵,并对一致性转移概率矩阵的拉普拉斯矩阵进行了秩约束,确保拉普拉斯图中连通分量的数目正好等于簇的数目.此外,基于交替方向乘子法(alternating direction method of multipliers, ADMM)优化策略对问题进行求解.在1个人造数据集和7个真实数据集上的实验结果证明了该算法的有效性,其聚类性能优于现有的8种基准算法.
-
关键词
多视图
聚类
自适应加权
谱聚类
MARKOV链
-
Keywords
multi-view
clustering
auto-weighted
spectral clustering
Markov chain
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于多尺度核自适应滤波的股票收益预测
被引量：2
- 6
-
-
作者
汤兴恒
郭强
徐天慧
张彩明
-
机构
山东财经大学计算机科学与技术学院
山东省数字媒体技术重点实验室(山东财经大学)
山东大学软件学院
山东省未来智能金融工程实验室(山东工商学院)
-
出处
《计算机应用》
CSCD
北大核心
2023年第5期1385-1393,共9页
-
基金
国家自然科学基金资助项目(61873145)
山东省高等学校青创科技支持计划项目(2019KJN045)。
-
文摘
在股票市场中,投资者可通过捕捉历史数据中潜在的交易模式实现对股票未来收益的预测,股票收益预测问题的关键在于如何准确地捕捉交易模式,但受公司业绩、金融政策以及国家经济增长等不确定性因素的影响,交易模式往往难以捕捉。针对该问题,提出一种多尺度核自适应滤波(MSKAF)方法,从过去的市场数据中捕捉多尺度交易模式。为刻画股票的多尺度特征,该方法采用平稳小波变换(SWT)得到不同尺度的数据分量,不同尺度的数据分量蕴含着股票价格波动背后潜在的不同交易模式,然后采用核自适应滤波(KAF)方法捕捉不同尺度的交易模式,以预测股票未来收益。实验结果表明,相较于基于两阶段核自适应滤波(TSKAF)的预测模型,所提方法的预测结果的平均绝对误差(MAE)减小了10%,夏普比率增加了8.79%,可见所提方法实现了更好的股票收益预测性能。
-
关键词
股票收益预测
核自适应滤波
交易模式
多元数据依赖
序列学习
-
Keywords
stock return prediction
Kernel Adaptive Filtering(KAF)
trading pattern
multivariate data dependence
sequence learning
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
