<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005">
<channel xmlns:cfi="http://www.microsoft.com/schemas/rss/core/2005/internal" cfi:lastdownloaderror="None">
<title cf:type="text"><![CDATA[广西科学 -->机器学习模型]]></title>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于带噪预训练的刑期预测方法]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20230108&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[刑期预测模型利用自然语言处理技术自动预测当前案件的建议刑期，对提高司法工作效率，维护司法审判的公平与公正，以及实现同案同判具有重要意义。现有的研究通常采用基于预训练语言模型的方法进行刑期预测建模，但由于存在裁判文书文本较长、专业性强及部分案由标注数据不足等问题，刑期预测任务依然具有较强的挑战性。针对上述问题，本文提出了基于带噪预训练的刑期预测方法。首先，根据刑期预测任务的特点，设计了融合罪名信息的刑期预测模型；其次，结合遮蔽语言模型(Masked Language Model，MLM)任务和自蒸馏策略减少刑期预测任务预训练数据中噪声的影响；最后，改进RoBERTa-wwm模型中的位置嵌入，增强模型的长文本建模能力。实验结果表明，本文提出的预训练方法能够极大地提升刑期预测任务的准确率，在小样本条件下也具有很好的表现。]]></description>
<pubDate>2023/3/24 20:55:37</pubDate>
<category><![CDATA[机器学习模型]]></category>
<author><![CDATA[郑洁，黄辉，秦永彬]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20230108&flag=1]]></guid><cfi:id>9</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[结合问题-关系注意力和特征视图匹配的关系检测方法]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20230109&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[问答系统作为信息检索的一种高级形式，已成为人工智能和自然语言处理领域中一个备受关注的研究方向。本文聚焦于知识图谱问答(Knowledge Graph Question Answering，KGQA)研究中的关系检测，针对现有方法中未能较好兼顾全局语义和局部语义信息，以及复杂问题准确率不高的问题，提出了一种结合问题-关系注意力和特征视图匹配的关系检测方法。该方法从问题和知识库中提取多粒度的特征，将提取特征构造成特征对视图作为关系检测模型的输入，视图内部利用双边多视角匹配(Bilateral Multi-Perspective Matching,BiMPM)进行比较匹配，得出关系预测结果。为验证本文提出的方法，在SimpleQuestions、WebQSP数据集上，与6种主流基线方法进行对比实验，本方法的准确率分别提升3.42个和0.45个百分点。]]></description>
<pubDate>2023/3/24 20:55:37</pubDate>
<category><![CDATA[机器学习模型]]></category>
<author><![CDATA[王栋，王海荣，车淼，孙崇]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20230109&flag=1]]></guid><cfi:id>8</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于组合赋权的暴恐转向风险预测研究]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20230110&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[研究群体性事件演变过程中的冲突升级引发暴恐转向的风险，对维护国家安全和社会稳定具有重要意义。本文提出基于词频-逆文档频率(Term Frequency-Inverse Document Frequency,TF-IDF)及三角模糊数(Triangular Fuzzy Number,TFN)的组合赋权法，并融合贝叶斯网络(Bayesian Network,BN)构建风险转向预测模型。首先，通过分析促使事件态势演变的影响因素，建立暴恐转向指标体系，利用TF-IDF方法对社交媒体文本数据中的代表性高频词汇进行筛选和分类，计算对应指标的客观权重。其次，结合TFN和德尔菲法设计调查问卷，采用全积分值法对专家小组评判结果进行解模糊化处理，得到指标的主观权重。再次，根据博弈论组合赋权法得到综合权重，融合BN概率推理模型，预测发生暴恐转向的概率。最后，利用反向推理得出影响因素的后验概率，分析引发暴恐转向的主要因素，为相关部门采取针对性措施提供理论参考。实例结果显示暴恐转向风险的预测概率为81%，与实际事件态势发展情况相符，验证了本文模型对群体性事件态势发生暴恐转向风险具有可行、准确的预测。]]></description>
<pubDate>2023/3/24 20:55:38</pubDate>
<category><![CDATA[机器学习模型]]></category>
<author><![CDATA[赵晓翠，康昭，田玲，惠孛，曾曦]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20230110&flag=1]]></guid><cfi:id>7</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于改进损失函数的实体类别平衡优化算法]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20230111&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对自然语言处理(Natural Language Processing，NLP)任务中，命名实体识别(Named Entity Recognition,NER)存在实体类别样本不平衡的问题，提出一种基于改进损失函数的实体类别平衡优化算法。新算法是对神经网络模型中的损失函数进行优化处理,通过分析命名实体识别数据特点，在平衡正负样本的基础上引入平滑系数和权重系数，保证模型在梯度传递的过程更关注于实体类别较少和带有嵌套的难识别样本，同时减少对样本数较多的、易识别样本的关注。利用公共数据集ACE05、MSRA进行实验对比，结果表明改进的损失函数在数据集ACE05和MSRA上，<i>F</i>1值分别提高1.53%和0.91%。上述结果表明改进的损失函数能够较好地缓解实体中正负难易样本的不平衡。]]></description>
<pubDate>2023/3/24 20:55:38</pubDate>
<category><![CDATA[机器学习模型]]></category>
<author><![CDATA[张俸玺，吴丞楚，张运泽，董洛兵]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20230111&flag=1]]></guid><cfi:id>6</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于时空图卷积网络的输电线路覆冰预测]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20230112&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对已有的输电线路覆冰预测模型鲜有考虑覆冰过程中的空间特征信息，从而导致预测精度欠佳的问题，本文从时空序列预测的角度建立输电线路覆冰方面的预测体系，采用图卷积网络(Graph Convolutional Network,GCN)构建输电线路覆冰预测模型，基于图神经网络设计对输电线路覆冰拉力的图数据进行深度特征学习与图特征向量表示，以更好地提取电网塔杆覆冰拉力值的时空分布特征，从而准确预测未来的拉力值。基于南方电网的真实实验数据，设计一套可靠的数据预处理流程，将电网覆冰拉力数据转化为可以深度学习的时空序列大数据进行训练和验证。实验结果表明，本文提出的模型较已有的主流覆冰预测模型具有更加优异和稳定的预测结果，能够为输电线路及时除冰工作提供决策参考。]]></description>
<pubDate>2023/3/24 20:55:38</pubDate>
<category><![CDATA[机器学习模型]]></category>
<author><![CDATA[文屹，吴建蓉，曾华荣，范强，何锦强，龚博，丁志敏]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20230112&flag=1]]></guid><cfi:id>5</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于多任务学习的国际疾病分类自动编码模型]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20230113&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[国际疾病分类(International Classification of Diseases,ICD)编码任务是将疾病编码分配给电子病历，每份电子病历分配一个或多个ICD编码。现有的方法大多考虑临床文本中症状与诊断之间的关系，而对诊断与诊断间关系以及症状与症状间关系缺乏考量。针对这一现状，对于诊断与诊断间关系，构造编码共现任务，采用多任务的形式使得预测结果不依赖于标签之间的顺序关系，且不会进行错误预测的传播；对于症状与症状间关系，使用对比学习获取有意义的表征，学习同一临床文本中的症状一致性。通过以上任务的组合，构建基于多任务学习的ICD自动编码模型框架。在MIMIC-Ⅲ数据集上的实验表明，所提出的方法相较于优异模型在Micro-f1指标上提高了1.0%，在Micro-auc指标上提高了0.3%，在P@5指标上提高了0.7%。]]></description>
<pubDate>2023/3/24 20:55:38</pubDate>
<category><![CDATA[机器学习模型]]></category>
<author><![CDATA[张艺，滕飞，胡节]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20230113&flag=1]]></guid><cfi:id>4</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[融合GAN与深度神经网络的混合信用评估方法]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20230114&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[随着信用卡和个人贷款业务在金融业的快速增长，如何在信息有限的情况下检测潜在违约或坏账业务已经变得极其重要。信用评分领域面临的主要困难是样本不平衡以及分类器性能不佳，为此本研究首先提出了一种基于表格数据的生成对抗网络Tab-GAN，从原始数据中生成足够的违约样本；随后设计了一种基于CNN-LSTM的混合深度学习模型用于特征提取，该模型包含卷积神经网络(Convolutional Neural Networks，CNN)和长短期记忆神经网络(Long Short-Term Memory，LSTM)两个子模型，分别从用户数据中提取静态局部特征和动态时间特征，并加入时空注意力模块对模型的输出进行重要度计算，从而抽取更关键的信息；最后在分类器层面引入焦点损失函数改进轻量级梯度提升机(Light Gradient Boosting Machine,LightGBM)分类器，实现违约风险的概率输出。在两个真实世界数据集中验证风险预测模型，实验结果表明生成对抗网络可以有效解决样本不平衡问题，CNN-LSTM+LightGBM模型在各项分类评价指标上均优于信用评分领域的其他先进算法，证明了该模型在信用评分领域的有效性和可移植性。]]></description>
<pubDate>2023/3/24 20:55:38</pubDate>
<category><![CDATA[机器学习模型]]></category>
<author><![CDATA[彭柏程，张安勤，张挺]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20230114&flag=1]]></guid><cfi:id>3</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于注意力机制的SK-YOLOv5海洋目标检测分类算法]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20230115&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[基于遥感影像的海洋目标图像具有多尺度、形状变化大、颜色暗淡、目标边界不清、图像模糊等特点，需要在现有的目标检测算法上进行改进，以满足遥感影像海洋目标检测及分类需要。针对这些问题，在You Only Look Once version 5 (YOLOv5)的网络架构中引入Selective Kernel Networks (SKNet)注意力模块，提出一种新的SK-YOLOv5网络，增强网络对多尺度复杂海洋目标的特征提取和自适应能力。经对比实验测试，在相同的海洋目标数据集上，改进后的网络比原网络整体检测及分类准确率提升了约9%。]]></description>
<pubDate>2023/3/24 20:55:38</pubDate>
<category><![CDATA[机器学习模型]]></category>
<author><![CDATA[李斌，文莉莉，邬满，刘画宁，许贵林]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20230115&flag=1]]></guid><cfi:id>2</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于改进Transformer和强化学习的僵尸网络DGA域名检测]]></title>
<link><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20230116&flag=1]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对现有僵尸网络检测方法检测精度不高和检测时间开销较大的问题，提出一种基于改进Transformer和强化学习的僵尸网络域名生成算法(Domain Generation Algorithm，DGA)的域名检测方法。首先，利用深度可分离卷积替换ResNet和ResNeXt网络中的卷积块，通过减少网络模型参数来降低模型的时间开销；其次，利用改进后的ResNet和ResNeXt网络将域名字符串映射到深度特征空间，构造多尺度特征，强化特征的表达能力；再次，利用长短期记忆神经网络(Long Short-Term Memory，LSTM)对Transformer网络进行改进，在保持字符间相对位置的同时，进一步建立上下文的长距离依赖编码，并在此基础上引入注意力机制，强化模型对关键特征的捕获能力；最后，引入强化学习对模型进行微调，提高DGA域名的检测精度。在多个DGA域名数据集上进行测试验证，结果表明该模型在保持检测时间开销较小的基础上，具有更高的检测精度。]]></description>
<pubDate>2023/3/24 20:55:39</pubDate>
<category><![CDATA[机器学习模型]]></category>
<author><![CDATA[马永忠，夏保丽]]></author>
<guid><![CDATA[http://gxkx.ijournal.cn/gxkx/ch/reader/view_abstract.aspx?file_no=20230116&flag=1]]></guid><cfi:id>1</cfi:id><cfi:read>true</cfi:read></item>
</channel>
</rss>