现有多粒度模糊粗糙集的属性约简方法常以固定阈值定义属性集的模糊相似关系,然而模糊决策信息系统上每个属性取值范围不同,阈值也可能不一样.因此,文中提出基于自适应阈值的乐观多粒度模糊决策粗糙集,并探讨基于模糊自信息的属性约简.首先,在模糊决策信息系统上应用分位数引入单属性阈值,构造属性集上基于自适应阈值的模糊相似关系,建立属性子集族上的乐观多粒度模糊决策粗糙集.然后,利用乐观多粒度模糊决策下、上近似及边界域信息提出模糊自信息,并引入属性重要性度量,提出基于模糊自信息的属性约简算法.在10个数据集上的数值实验表明,文中算法可有效降低原始属性集的维数,提升分类器精度.

谱聚类因其在建模数据间成对相似关系方面的优越性而广泛应用于无监督学习领域.然而,传统谱聚类方法通常依赖干净、结构一致的数据分布,在现实应用中面临常见的噪声样本时,性能显著下降.针对该问题,文中提出融合CLIP(Contrastive Language Image Pretraining)先验知识的谱聚类框架——基于知识重用的噪声环境谱聚类(Noise Spectral Clustering with Assistance of Knowledge Reuse, NSCR).该方法充分利用多模态神经网络在跨模态语义理解上的先验能力,构建基于知识重用的伪标签生成机制,通过多模型语义一致性判别机制与基于信息熵的不确定性建模机制识别高可信样本.同时引入归一化指数熵作为伪标签不确定性度量指标,从多模型输出中筛选语义一致、信息熵较低的样本,并生成伪标签,监督信号形式,引导聚类过程.此外,引入联合优化目标,扩展传统谱聚类方法,通过特征对齐与正则化平衡因子缓解伪标签监督与聚类目标之间的语义冲突.在多个公开数据集上的实验表明,NSCR在不同类型噪声干扰下的鲁棒性与泛化性良好.

为了提升图像分类网络对关键信息的建模能力,增强特征表达的完整性与判别性,提出双重小波增强的图像分类网络(Dual Wavelet-Enhanced Network for Image Classification, DWENet).首先,在主干网络浅层特征提取阶段,构建小波门控卷积(Wavelet-Gated Convolution, WGConv),结合小波频域分解与门控机制,有效捕捉边缘与纹理信息,保留关键细节,抑制冗余噪声.然后,在最大池化层后引入小波核注意力(Wavelet Kernel Attention, WKA),融合频率感知与大感受野空间建模,增强结构建模与长程依赖感知,弥补池化操作造成的信息损失.此外,在网络深层加入双路径特征增强模块(Dual-Path Feature Enhancement Module, DFEM),通过空域频次分解重组并融合通道注意力机制,强化中高层语义表达与关键区域响应能力.DWENet在保持计算效率的同时,有效缓解浅层特征衰减与空间感知受限等核心问题.在CIFAR-10、CIFAR-100、SVHN、Imagenette、Imagewoof数据集上的实验表明,DWENet可提升分类准确率.

目前多数聚类方法主要关注单视图数据,对于多视图聚类的研究相对不足,而现有的多视图聚类方法往往侧重于视图间的信息学习,忽略视图内信息的充分挖掘.对此,文中提出基于自适应结构增强的对比协同多视图属性图聚类(Contrastive Collaborative Multi-view Attribute Graph Clustering Based on Adaptive Structure Enhancement, ACCMVC).首先,设计自适应结构增强策略,结合节点重要性和节点特征复杂关系生成边权重,用于生成视图的新邻接矩阵,进而生成结构增强图.然后,将边权重引入邻域对比学习,对视图及其结构增强图使用视图内加强邻域对比学习,在多个视图间使用视图间加强邻域对比学习.最后,考虑到多视图中视图的重要性存在差别,引入注意力机制,计算每个视图的权重并进行融合.在数据集上的实验表明,ACCMVC的聚类性能较优.

约束差分进化算法是求解约束优化问题的一种有效手段.然而,现有相关工作主要聚焦在约束处理技术方面,对差分进化算法本身关注较少,导致存在勘探和开采能力不均衡、可行解的后代个体存活率较低等问题.为此,文中提出动态精英学习的约束差分进化算法,将种群中个体划分为普通可行解、精英可行解、不可行解,分别为这三类个体采用个性化的变异算子,平衡算法的勘探和开采能力.同时,引入精英可行解,改进经典的变异算子,提高可行解的后代个体存活率.针对不可行解的特点,设计微调的可行性规则,作为约束处理技术,较好地引导种群进入可行域.在CEC2006、CEC2010、CEC2017测试集和3个实际工程优化问题上的大量实验表明文中算法性能较优.

计算机自适应测试(Computerized Adaptive Testing, CAT)主要通过动态选题实现高效测评,但现有方法在题目语义建模和能力估计上准确性不高.为此,文中提出基于文本语义增强图神经网络的计算机自适应测试方法(Text-Semantic Enhanced Graph Neural Network Based CAT Approach, TECAT).该方法利用预训练语言模型提取题目与概念的上下文语义表示,并在题目-概念图和概念先序图中引入图注意力网络,刻画题目与题目、题目与概念之间的多层依赖关系.应用基于加性注意力和SiLU激活函数的门控融合方法,自适应整合语义与结构信息,在保持结构感知的同时增强语义判别性,获得更具表达力的节点表示.在此基础上,将CAT建模为多目标强化学习任务,联合优化题目质量、多样性与新颖性,设计基于能力估计误差变化的质量奖励函数,直接反映题目对能力诊断的贡献.在Eedi、Junyi真实数据集上的实验表明,TECAT的能力估计准确性和概念表征质量方面均较优.

协同推理是在资源受限的边缘设备上实现模型部署并加速推理的有效方案,但目前的算子划分策略在设备间通信开销仍然较高.因此,文中提出面向边缘智能的交错式算子划分(Interleaved Operator Partitioning, IOP)协同推理加速策略,将相邻算子分别沿输入通道维度和输出通道维度进行划分,匹配前后级算子的通道数量,减少算子输出激活的拼接过程,降低协同推理的时间开销.首先,通过模型中的算子信息建模设备的计算开销和通信开销,建立最小化协同推理时间的整数规划模型.然后,设计启发式的算子配对算法,自前向后枚举相邻算子,对比IOP策略与OCP(Output Channel Partitioning)策略的推理时间开销,选择收益最高的算子进行配对.最后,对配对后的算子实施交错式划分和分散部署.实验表明,IOP策略在推理延迟时间、内存占用及能耗上均较优,同时在面对突发链路波动时仍具有良好的鲁棒性.