网络首发
基于数据增强的医保欺诈嫌疑人分类方法
马宗臣;丁维龙;蔡瑞豪;邵靖诚;贺浩洋;赵卓峰;针对医保欺诈嫌疑人分类任务中样本不均衡和全局信息难以获取导致分类精度不足的问题,提出一种基于数据增强的医保欺诈嫌疑人分类方法。首先,通过提取微信聊天记录构建嫌疑人话术词表,并利用检索增强生成技术扩充少样本类别,生成与嫌疑人实例语义相似的关键信息,将其转化为图结构存入图数据库;其次,在图分类阶段引入图注意力网络模型,结合掩码矩阵优化训练过程,增强模型对关键特征的提取能力,从而实现精准的节点分类。在真实数据集上的实验结果显示,所提方法的宏平均F1值相比graphSAGE和ChatGLM4方法分别提升了3.3和12.9个百分点,显著提高了分类精度。
基于关联规则挖掘与动力学图的石油钻井工况智能识别
陕鑫;杨中国;赵卓峰;石油钻井多源传感器时序数据易受噪声干扰,现有深度学习方法可解释性差,并且传统关联规则挖掘方法难以捕捉参数突变与参数动态关联。为此,提出一种基于关联规则挖掘与系统动力学图的钻井工况识别方法。首先,引入自适应最优平滑窗算法对原始高维时序数据进行降噪处理;其次,提出基于符号化与突变感知的相关性挖掘算法,从符号序列中提取动态规则;最后,基于挖掘结果构建系统动力学图,揭示钻井参数在不同工况下的逻辑关系链条。实验结果表明,所提方法能有效识别钻井过程中关键参数的关联模式,生成可解释规则集,为石油工程智能监测与分析提供可靠支持。
自适应多重欠采样的不平衡数据集成分类
张震;郭宇杰;田鸿朋;王文娟;传统欠采样方法在处理不平衡数据时因固定采样比例和随机删除样本,容易导致欠拟合与信息丢失,为此提出一种自适应多重欠采样的集成分类方法。首先,在采样阶段设计了一种自适应动态欠采样策略,通过迭代过程自动确定最优不平衡比例,生成多个具有差异性的训练子集,从而在保留关键样本信息的同时突破固定采样比例的限制;其次,在分类阶段提出一种基于冲突判别和动态加权的证据融合策略,对基分类器组进行协同训练与集成,并综合评估其全局与局部权重以实现对样本的精准分类。在多个真实数据集上与其他模型进行对比,所提方法在准确率、精确度、马修斯相关系数等关键指标上均取得了显著提升,证实了其有效性与优越性。
多港口无人车关键部件剩余使用寿命联邦预测
马超;张呈呈;关志博;张恺琪;黄海;针对港口间因数据孤岛与隐私问题导致的设备剩余使用寿命预测困难,提出一种基于长短时记忆网络(long short-term memory,LSTM)的联邦学习方法。首先,在各港口本地部署自编码器提取关键特征并构建联邦LSTM模型;其次,设计了特征相似度驱动的自适应客户端分组与加权聚合策略,通过对具有相似退化模式的客户端分组,并在组内基于验证集性能进行模型聚合更新,以提升非独立同分布环境下的全局模型性能。在真实港口电池数据集上的实验结果表明,所提方法能有效缓解模型漂移,显著提升剩余使用寿命预测准确率。
基于模型检测的微服务系统弱终止性分析
杨丽;张楚;刘国玺;李乐成;代飞;针对微服务系统可靠交互需满足最低需求的自动检测问题,提出一种基于模型检测的微服务系统弱终止性分析方法。首先,将微服务建模为标号迁移系统,在异步通信(邮箱通信)下基于先进先出式缓冲区,微服务异步组合为微服务系统;其次,为了同时描述狭义终止和广义终止,将传统终态集扩展为弱终态集,并从无死锁和消息良构的角度提出弱终止性,明确描述微服务系统可靠交互需满足的最低需求。在经典微服务系统案例数据集上,基于模型检测技术自动验证系统是否满足弱终止性,结果表明,所提方法能够有效检测微服务系统的弱终止性,确保微服务系统的可靠交互。
基于小样本对抗学习的Transformer检索框架
胡广成;胡新荣;针对密集检索方法在面对查询变体时性能下降的问题,提出一种基于小样本对抗学习的Transformer检索框架。首先,引入小样本学习,在数据有限的情况下提升模型泛化能力,并利用对抗训练增强对查询变体的鲁棒性;其次,设计代理注意力机制,通过代理标记与查询和文档关键特征的交互,在保留全局上下文的同时捕捉隐含语义层次,从而改善语义映射效果。在TREC-DL-2019和TREC-DL-2020数据集上的实验结果表明,所提框架具有优秀的检索精度和鲁棒性,为复杂查询场景下的信息检索提供了新思路。
基于双闭环PID的元启发式算法研究
余春明;朱晓东;陈科;任春晓;为提升高维复杂问题求解中的全局搜索能力与局部开发效率,提出一种基于双闭环PID(proportional-integral-derivative)控制机制的全局优化元启发式算法(dual closed-loop PID global optimization metaheuristic, DCLPID)。算法受控制理论启发,构建位置-速度双闭环结构,外环位置控制用于强化全局探索,内环速度控制用于增强局部开发,通过动态调整PID参数,在搜索过程中实现自适应平衡。在CEC 2017基准函数上对DCLPID算法进行全面测试,并与8种主流元启发式算法进行对比。实验结果表明,DCLPID在收敛精度与速度方面均表现出优越性能,且秩和检验显著优于对比算法,表现出良好的优化性能与应用前景,为高维复杂优化问题提供了一种有效的解决方案。
基于改进型深度Q网络求解图着色问题
宋家欢;王晓峰;丁红胜;胡思敏;锁小娜;颜冬;图着色问题(graph coloring problem, GCP)作为典型的NP难(NP-hard)组合优化问题,其在无线频谱分配、并行任务调度与资源配置等场景中具有广泛应用和深远影响。针对大规模、结构复杂的图所带来的计算瓶颈,提出一种基于改进型深度Q网络(dueling deep Q-network, DDQN)的强化学习求解框架,将图着色过程建模为马尔可夫决策过程,并设计了状态表达、动作定义和奖励机制,引导智能体在训练中高效减少颜色冲突并压缩颜色数。所采用的DDQN架构通过显式分离状态价值函数和动作优势函数,有效提升了策略评估精度和训练稳定性。在多个标准图基准数据集上实验结果表明,该方法在解的质量、颜色利用效率和收敛速度等关键指标上均显著优于传统启发式方法。该研究不仅为图着色问题提供了具备可扩展性和泛化能力的智能优化范式,也为复杂组合优化问题的强化学习建模与求解提供了新路径和理论支撑。
基于X光影像的肺炎分类与定位方法研究
温亚雪;李玉琴;蒋振刚;师为礼;代博璠;肺炎是一种高致死率的疾病,针对肺炎治疗与早期筛查工具的研究受到了广泛关注。然而,胸部影像的复杂性、标注的困难性,以及肺炎类间相似性、类内差异性均为研究带来了挑战。首先,采用基于孪生网络的自监督学习方法提取胸部X光影像的自监督视觉特征表示,并通过多层感知机(multilayer perceptron, MLP)检测头完成肺炎的分类任务。其次,在YOLOv10的骨干网络中引入空间通道注意力机制,利用通道内的空间信息增强肺炎病灶特征,从而提升YOLOv10网络对肺炎病灶的识别能力。最后,在COVID-19 Radiography Database和RSNA Pneumonia Detection数据集上对所提出的方法进行了评估,实验结果表明所提出的算法在基于X光影像的肺炎分类与定位任务中的有效性。
基于图注意力机制和多距离分析的社区发现算法
张震;吴国豪;张红霞;周麒;针对大规模社交网络中节点关系复杂、社区结构隐蔽导致社区发现算法精度较低的问题,提出一种基于图注意力机制和多距离分析的社区发现算法。首先,在预训练部分引入多层感知机模块提高样本的识别精度。其次,提出基于图注意力机制的读出操作模块,通过自适应地学习节点在图表示学习中的贡献权重,实现加权聚合操作,从而增强图表示的判别能力,提升社区发现精度和鲁棒性。最后,设计一种多距离分析方法,增强对小目标的感知能力,提升检测准确率。实验结果表明,改进模型在多个数据集上均表现优异。Amazon数据集上的F1值达到了90.22%,相比CLARE和ProCom模型分别提高了11.33个百分点和5.86个百分点。Jaccard相似度则达到了83.46%,相比CLARE和ProCom模型分别提高了14.96个百分点和7.62个百分点。