首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English

学术不端论文认定及处理办法 版权转让协议 保密证明 录用稿件电子版要求 修改说明格式 更多.... 中国自动化学会 国家智能计算机研发中心 中科院合肥智能机械所 更多....

2018年 31卷 12期 刊出日期 2018-12-25 论文与报告 研究与应用   论文与报告 1061 分布式自利agent任务分配算法 伏明兰, 王浩, 方宝富, 黄晓玲 在有自利agent参与的任务分配情形中,由于agent的自利性,导致各agent不能有效合作,影响agent的个体收益和系统总收益.解决该问题的一个途径是对agent所得的收益进行合理分配.文中基于分布式自利agent联盟技能博弈模型,提出自利agent的任务分配算法.模型中提供技能的服务agent和管理任务的agent都是自利的,分别处于不同的地理位置,具有不同的视野范围.算法为任务agent设计效益分配策略,合理分配自己的收益给所需的技能,任务分配结果在保证个体自利性的前提下获得较高的系统收益.仿真结果验证文中算法的有效性,并考察自利agent的视野范围对自利agent的个体收益和系统总收益的影响. 2018 Vol. 31 (12): 1061-1073 [摘要] ( 405 ) [HTML 1KB] [PDF 1005KB] ( 272 ) 1074 面向社会事件的半监督自训练多方立场分析 林俊杰, 王磊, 毛文吉 已有的立场分析方法主要采用有监督或无监督方式训练立场分类模型,有监督模型训练通常需要大量有标注数据支持,而相比有监督模型,无监督模型的性能差距较大.为了降低模型训练对有标注训练数据的要求,同时保证模型性能,文中面向社会事件相关的社交媒体文本,提出半监督自训练多方立场分析方法.对于自训练方法,在模型迭代训练过程中,选择高质量样本加入训练集合,对提升模型性能起到关键作用.为此,文中方法首先根据用户立场一致性度量文本的分类置信度,然后利用话题信息进一步筛选高质量样本扩充训练集合,保证模型性能不断提升.实验表明,相比相关工作中的代表性方法和其它半监督模型训练方式,文中方法能够取得更优的立场分类效果,并且方法依据的用户立场一致性和话题信息均有助于提升立场分类效果. 2018 Vol. 31 (12): 1074-1084 [摘要] ( 319 ) [HTML 1KB] [PDF 845KB] ( 252 ) 1085 基于改进损失函数的多阶段行人属性识别方法 郑少飞, 汤进, 罗斌, 王逍, 王文中 大量研究工作通过挖掘属性间的正相关性提高视频监控场景下的行人属性识别性能,但对属性间负相关性的探索仍存在不足.为此,文中基于深度学习理论提出多阶段行人属性识别方法,同时探索属性间的正、负相关性.第一阶段计算每个属性在训练过程中的损失值和正确率.第二阶段为平均损失较大且正确率较小的属性单独建立一个网络分支,其它属性仍保留在原分支上,然后两个分支联合预测所有属性.第三阶段新建两个网络分支,结构与第二阶段的分支相同,优化新分支的参数,使其属性识别性能优于第二阶段.最终使用第三阶段的模型进行属性预测.此外,构建增大正负样本差异的改进损失函数,应用于三个阶段的训练,进一步提升模型性能.在两个行人属性识别数据集RAP和PETA上的实验表明,文中方法性能较优. 2018 Vol. 31 (12): 1085-1095 [摘要] ( 686 ) [HTML 1KB] [PDF 1023KB] ( 596 ) 1096 基于邻域保持学习的无监督特征选择算法 刘艳芳, 叶东毅 近邻法对不相关特征的敏感性很高,利用邻域重构系数可以保持原有数据结构的优点,为此,文中提出基于邻域保持学习的无监督特征选择算法.首先根据数据样本和邻域的相似性构造相似矩阵,并引入中间矩阵构造低维空间.然后利用拉普拉斯乘子法选择有效特征子集.在4个公开数据集上的实验表明,文中算法可以有效识别代表性特征. 2018 Vol. 31 (12): 1096-1102 [摘要] ( 498 ) [HTML 1KB] [PDF 893KB] ( 833 ) 1103 融合知识图谱与深度学习的药物发现方法 桑盛田, 杨志豪, 刘晓霞, 王磊, 赵迪, 林鸿飞, 王健 海量增长的生物医学文献给文献挖掘技术带来巨大挑战.文中提出融合知识图谱与深度学习的药物发现方法,从已发表的文献中挖掘疾病的潜在治疗药物.首先抽取生物医学文献中实体间的关系,构造生物医学知识图谱,再通过知识图谱嵌入方法将知识图谱中的实体和关系转化为低维连续的向量,最后使用已知的药物疾病关系数据训练基于循环神经网络的药物发现模型.实验表明,文中方法不仅可以有效找到疾病的候选药物,还能提供相应的药物作用机制. 2018 Vol. 31 (12): 1103-1110 [摘要] ( 675 ) [HTML 1KB] [PDF 1013KB] ( 571 ) 研究与应用 1111 基于低秩表示与矩阵填充的人脸识别方法 王彬福, 陈晓云, 肖秉森 基于回归分析的人脸识别方法在处理不完备数据矩阵时,先对矩阵进行填充,再使用人脸识别方法,因此会降低分类性能.为了更有效地执行关于不完备数据的识别,文中将低秩矩阵填充和低秩表示学习整合在同一个模型,提出基于低秩表示和低秩矩阵填充的人脸识别方法.通过最小化表示系数和矩阵秩交替计算样本低秩表示系数矩阵和恢复矩阵缺失项,再使用最近邻分类器实现分类.在一些公开人脸数据集上的实验表明,在训练样本矩阵元素随机缺失时,文中方法可以有效提高识别精度及降低填充误差. 2018 Vol. 31 (12): 1111-1119 [摘要] ( 434 ) [HTML 1KB] [PDF 732KB] ( 313 ) 1120 融合词性和注意力的卷积神经网络对象级情感分类方法 杜慧, 俞晓明, 刘悦, 余智华, 程学旗 多个对象同时讨论时,对文本的情感分析结果与针对特定对象的情感倾向可能不一致,对象级情感分类任务需在文本整体语义的场景下,重点关注与给定对象相关的内容.文中提出融合词性和注意力的卷积神经网络对象级情感分类方法.引入词性信息,通过长短时记忆神经网络建模输入序列,构建对象注意力,将注意力融入到卷积神经网络结构中分析关于给定对象的情感倾向.词性信息有助于捕获与对象具有修饰关系的内容和弱化内容或距离相近但无搭配关系的句子成分的影响.结合长短时记忆神经网络和卷积神经网络结构建模文本,更有利于同时建模文本整体语义与对象相关语义.在SemEval2014数据集上的实验表明,文中方法取得优于基于长短时记忆神经网络的注意力机制方法的分类效果. 2018 Vol. 31 (12): 1120-1126 [摘要] ( 394 ) [HTML 1KB] [PDF 786KB] ( 341 ) 1127 基于注意力机制的问句实体链接 任朝淦, 杨燕, 贾真, 唐慧佳, 喻琇瑛 问句实体链接不仅需要大量的数据处理和特征选择工作,而且容易形成错误累积,降低链接效果.针对这种情况,文中提出基于注意力机制的编码器-解码器问句实体链接模型.模型使用双向的长短期记忆网络编码问句,经过注意力机制解码,生成对应的实体指称和消歧信息输出,最后链接到知识库实体.在有关汽车领域车系产品问句和实体数据集上的实验表明,文中模型仅利用较少的上下文信息便可取得良好效果. 2018 Vol. 31 (12): 1127-1133 [摘要] ( 458 ) [HTML 1KB] [PDF 976KB] ( 360 ) 1134 基于并行通道级联网络的鲁棒行人检测 何姣姣, 张永平, 姚拓中, 刘肯, 肖江剑 针对广角视场下远处行人分辨率较低、存在不同程度的畸变的问题,文中提出基于并行通道级联网络的鲁棒行人检测算法.以更快的区域卷积神经网络(Faster RCNN)为基础,引入差分图作为弱监督信息,再引入基于通道级联网络(CCN).然后设计并行CCN,将差分图和原图同时作为并行网络输入,融合更丰富的图像特征.最后在候选区域建议网络中,结合行人尺度在图像中分布的特点,聚类确定符合行人特点的搜索框.实验表明,文中算法在广角视场存在畸变情况下更有利于小尺寸行人检测. 2018 Vol. 31 (12): 1134-1142 [摘要] ( 387 ) [HTML 1KB] [PDF 1898KB] ( 358 ) 1143 基于词共现图的属性知识库迭代自增式扩展算法 李直旭, 沈永新, 陈嘉, 刘安, 赵朋朋, 赵雷 属性知识库扩展研究中已有的开放式信息抽取方法都十分依赖深度句法分析或有效的词典规则,在短文本处理上效果较差,召回率较低.文中提出基于词共现图的属性知识库迭代自增式扩展算法,利用属性与属性值的共现关系扩展知识库,并设计基于图的社区发现算法,找出社区的核心节点.最后,设计基于卷积神经网络的模型对抽取结果进行去噪.在两个真实数据集上的实验表明,文中方法在抽取质量上优于现有方法. 2018 Vol. 31 (12): 1143-1150 [摘要] ( 319 ) [HTML 1KB] [PDF 826KB] ( 280 )

主管：中国科学技术协会 主办：中国自动化学会 　　　国家智能计算机研究开发中心 　　　中国科学院合肥智能机械研究所 出版：科学出版社

版权所有 © 《模式识别与人工智能》编辑部 地址：安微省合肥市蜀山湖路350号　电话：0551-65591176　传真：0551-65591176　Email：bjb@iim.ac.cn 本系统由北京玛格泰克科技发展有限公司设计开发 技术支持：support@magtech.com.cn