lSSN 1003-6059
CN 34-1089/TP
CODEN MRZHET
CN 34-1089/TP
CODEN MRZHET
PDF全文 (
)
HTML
(
)
可视化
收藏
2024年是新人工智能(Artificial Intelligence, AI)的里程碑之年,人工智能科学取得一系列突破性进展.文中从大模型与具身智能、人工智能生成内容(Artificial Intelligence Generated Content, AIGC)、AI智能体、人工智能驱动的科学研究(AI for Science, AI4S)与人工智能相关科学研究(Science for AI, S4AI)、AI相关政策与平台等方面回顾2024年人工智能领域热点和动向.随着大模型、智能体等技术的飞速进步,AI应用领域持续扩大,对各行各业引发新的冲击,政策与平台建设不断完善,新质生产力展现出更大的发展潜力.围绕自主智能“新AI”,期待诞生更多AI里程碑工作.
PDF全文 (
)
HTML
(
)
可视化
收藏
针对广义多尺度区间集决策系统中的知识获取问题,提出基于区间集决策熵的最优尺度约简方法.首先,在广义多尺度区间集决策系统中定义含有零尺度的尺度组合的概念,并由不同尺度组合对应的条件属性集构造对象集上的相似关系,以获得相应信息粒的表示.然后,在给定的尺度组合下,定义决策类关于条件属性集的区间下近似、区间上近似、区间近似精度、区间粗糙度的概念,并进一步结合条件熵与区间粗糙度,给出区间集决策熵及其性质.最后,在协调广义多尺度区间集决策系统中定义最优尺度组合、熵最优尺度组合及相应的最优尺度约简的概念,证明两类最优尺度组合概念的等价性、最优尺度约简概念与熵最优尺度约简概念的等价性,并用示例说明最优尺度约简的计算.
PDF全文 (
)
HTML
(
)
可视化
收藏
随着数据规模的增加,概念格的规模呈指数级增长,因此,如何有效压缩概念格便成为形式概念分析中的关键问题之一.为了在压缩概念格的同时保持其基本结构,文中借助格上的同余关系对概念格进行压缩.首先,利用属性概念与对象概念分别获取原形式背景中的↗与↙关系.再定义初始删除属性(对象)集,借助剪枝思想,通过箭头封闭关系获取原形式背景的兼容子背景,并证明以属性(对象)单点集作为初始删除属性(对象)集,在箭头封闭关系下可得到原形式背景极小信息损失的兼容子背景.然后,利用极小信息损失的兼容子背景确定概念格上的同余关系,对概念格进行压缩.最后,设计通过获取兼容子背景确定概念格上同余关系的算法,并通过实验验证该算法的可行性和有效性.
PDF全文 (
)
HTML
(
)
可视化
收藏
图匹配旨在构造两个图结构之间的节点匹配关系.现有方法普遍忽视节点匹配置信度在图匹配任务中的关键作用.为了充分利用节点间的匹配置信度以控制节点特征信息传递,文中提出基于熵驱动双随机矩阵的图匹配神经网络(Entropy-Driven Doubly Stochastic Matrix-Based Graph Matching Neural Network,EDSGM),通过深度神经网络联合学习节点特征、边特征及图匹配任务的相似度函数,并通过图嵌入方法简化图匹配问题.具体地,EDSGM利用表示图匹配结果的双随机矩阵构造匹配熵,并基于匹配熵构建图内节点嵌入层和跨图信息嵌入层,形成自适应的图嵌入模块.该模型不仅实现特征空间的降维,而且高效传递节点信息,提升匹配精度.此外,EDSGM的所有神经网络模块均可实现端到端的监督训练,同一神经网络能有效处理多个类别的图匹配任务.实验表明,EDSGM在Pascal VOC、SPair-71k、Willow ObjectClass图数据集的多个类别上均取得较高的匹配精度,由此验证匹配熵在优化图节点特征传递效率的同时,可有效提升图匹配精度.
PDF全文 (
)
HTML
(
)
可视化
收藏
可解释性视觉问答(Explanatory Visual Question Answering, EVQA)在回答视觉问题的同时为推理过程生成用户友好的多模态解释,从而提高模型推理的可信度.然而,由于缺乏对视觉区域对象关系的有效建模,现有EVQA生成的解释文本存在视觉区域与语义不一致的问题.为此,文中提出粗细粒度因果关系协同驱动的可解释性视觉问答方法(Fine-to-Coarse Grained Causality Co-Driven Approach for Explanatory Visual Question Answering, FCGC-CoD).首先,建模视觉区域特征的因果关系,识别其中的主体对象和支撑对象,增强视觉与语言预训练模型的多模态表征能力.然后,设计联合变分推理网络,通过细粒度的多模态因果表征增强模型粗粒度的宏观因果推理过程,实现多模态解释和答案的生成.实验表明,FCGC-CoD在准确回答问题的同时,可提升解释的视觉推理一致性.
