期刊导航
期刊开放获取
唐山市科学技术情报研究..
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
4
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
融合动态图表示和自注意力机制的级联预测模型
被引量：
2
1
作者
张凤荔
王雪婷
+2 位作者
王瑞锦
汤启友
韩英军
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2022年第1期83-90,共8页
传统的级联预测模型不考虑信息传播过程中的动态性且极大依赖于人工标记特征,推广性差,预测准确性低。为此,该文提出一种融合动态图表示和自注意力机制的级联预测模型(DySatCas)。该模型采用端到端的方式,避免了人工标记特征造成级联图...
传统的级联预测模型不考虑信息传播过程中的动态性且极大依赖于人工标记特征,推广性差,预测准确性低。为此,该文提出一种融合动态图表示和自注意力机制的级联预测模型(DySatCas)。该模型采用端到端的方式,避免了人工标记特征造成级联图表示困难的问题;通过子图采样捕获级联图的动态演化过程,引入自注意力机制,更好地融合在观测窗口中学到的信息级联图的动态结构变化和时序特征,为网络合理地分配权重值,减少了信息的损失,提升了预测性能。实验结果表明,DySatCas与现有的基线预测模型相比,预测准确性有明显提升。
展开更多
关键词
级联预测
深度学习
动态图表示
信息传播
自注意力机制
在线阅读
下载PDF
职称材料
基于对比预测的自监督动态图表示学习方法
被引量：
1
2
作者
蒋林浦
陈可佳
《计算机科学》
CSCD
北大核心
2023年第7期207-212,共6页
近年来,以图对比学习为代表的图自监督学习已成为图学习领域的热点研究问题,该类学习范式不依赖于节点的标签并具有良好的泛化能力。然而,大多数图自监督学习方法采用静态图结构设计学习任务,如对比图的结构学习节点级或者图级的表示等...
近年来,以图对比学习为代表的图自监督学习已成为图学习领域的热点研究问题,该类学习范式不依赖于节点的标签并具有良好的泛化能力。然而,大多数图自监督学习方法采用静态图结构设计学习任务,如对比图的结构学习节点级或者图级的表示等,而未考虑图随时间的动态变化信息。为此,文中提出了一种基于对比预测的自监督动态图表示学习方法(DGCP),利用对比损失引导嵌入空间捕获对预测未来图结构最有用的信息。首先,利用图神经网络对每个时间快照图编码,得到对应的节点表示矩阵;然后,使用自回归模型预测下一时间快照图中的节点表示;最后,利用对比损失和滑动窗口机制对模型进行端到端的训练。在真实图数据集上进行实验,结果表明,DGCP在链接预测任务上的表现优于基准方法。
展开更多
关键词
动态图表示
学习
对比学习
图
神经网络
链接预测
在线阅读
下载PDF
职称材料
基于图框架变换的动态图神经网络模型
3
作者
杨圣鹏
施建栋
+1 位作者
周斯炜
李明
《浙江师范大学学报（自然科学版）》
2024年第1期19-28,共10页
为了有效地挖掘并利用动态图的低频和高频信息并捕捉其时空演变规律,提出了一种基于图小波的兼顾低通、高通滤波的多尺度图卷积,并将该卷积运算融入长短期记忆网络中,构建了一类基于图框架变换的动态图神经网络模型.在离散动态图的3个...
为了有效地挖掘并利用动态图的低频和高频信息并捕捉其时空演变规律,提出了一种基于图小波的兼顾低通、高通滤波的多尺度图卷积,并将该卷积运算融入长短期记忆网络中,构建了一类基于图框架变换的动态图神经网络模型.在离散动态图的3个基准数据集中采用2种不同的训练方式进行实验,对比了11种动态图表示学习方法.实验结果表明:所提模型通常能取得最优效果且稳定性更好,同时也验证了模型能够更好地捕获动态图的演变规律.
展开更多
关键词
多尺度
图
卷积
图
框架变换
动态
图
神经网络
动态图表示
学习
在线阅读
下载PDF
职称材料
基于最大池图匹配的形变目标跟踪方法
被引量：
7
4
作者
王治丹
蒋建国
齐美彬
《电子学报》
EI
CAS
CSCD
北大核心
2017年第3期704-711,共8页
该文提出了一种基于最大池图匹配的形变目标跟踪算法,适用于跟踪目标产生较大形变或者严重遮挡等场合.此方法首先将目标搜索区域过分割为候选目标部件并建立动态图表示,即目标部件的表象特征和它们之间的几何位置关系.然后采用最大池图...
该文提出了一种基于最大池图匹配的形变目标跟踪算法,适用于跟踪目标产生较大形变或者严重遮挡等场合.此方法首先将目标搜索区域过分割为候选目标部件并建立动态图表示,即目标部件的表象特征和它们之间的几何位置关系.然后采用最大池图匹配算法,得到目标图和候选图中部件的匹配关系,从而确定出目标位置的置信图.联合考虑目标整体和目标部件对目标位置的支持,投票决定出精确的目标位置.在各种形变目标的跟踪序列测试下,该算法与其他跟踪器的对比验证了其有效性和鲁棒性.
展开更多
关键词
视觉目标跟踪
动态图表示
最大池
图
匹配
在线阅读
下载PDF
职称材料
题名
融合动态图表示和自注意力机制的级联预测模型
被引量：
2
1
作者
张凤荔
王雪婷
王瑞锦
汤启友
韩英军
机构
电子科技大学信息与软件工程学院
出处
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2022年第1期83-90,共8页
基金
国家自然科学基金(61802033,61472064,61602096)
四川省区域创新合作项目(2020YFQ0018)
+3 种基金
四川省科技计划重点研发项目(2021YFG0027,2020YFG0475,2018GZ0087,2019YJ0543)
博士后基金项目(2018M643453)
广东省国家重点实验室项目(2017B030314131)
网络与数据安全四川省重点实验室开放课题(NDSMS201606)。
文摘
传统的级联预测模型不考虑信息传播过程中的动态性且极大依赖于人工标记特征,推广性差,预测准确性低。为此,该文提出一种融合动态图表示和自注意力机制的级联预测模型(DySatCas)。该模型采用端到端的方式,避免了人工标记特征造成级联图表示困难的问题;通过子图采样捕获级联图的动态演化过程,引入自注意力机制,更好地融合在观测窗口中学到的信息级联图的动态结构变化和时序特征,为网络合理地分配权重值,减少了信息的损失,提升了预测性能。实验结果表明,DySatCas与现有的基线预测模型相比,预测准确性有明显提升。
关键词
级联预测
深度学习
动态图表示
信息传播
自注意力机制
Keywords
cascades prediction
deep learning
dynamic graph representation
information diffusion
self-attention mechanism
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于对比预测的自监督动态图表示学习方法
被引量：
1
2
作者
蒋林浦
陈可佳
机构
南京邮电大学计算机学院
江苏省大数据安全与智能处理重点实验室(南京邮电大学)
出处
《计算机科学》
CSCD
北大核心
2023年第7期207-212,共6页
基金
国家自然科学基金(61876091)
南京大学计算机软件新技术国家重点实验室开放课题(KFKT2022B01)
南京邮电大学校级科研基金(NY221071)。
文摘
近年来,以图对比学习为代表的图自监督学习已成为图学习领域的热点研究问题,该类学习范式不依赖于节点的标签并具有良好的泛化能力。然而,大多数图自监督学习方法采用静态图结构设计学习任务,如对比图的结构学习节点级或者图级的表示等,而未考虑图随时间的动态变化信息。为此,文中提出了一种基于对比预测的自监督动态图表示学习方法(DGCP),利用对比损失引导嵌入空间捕获对预测未来图结构最有用的信息。首先,利用图神经网络对每个时间快照图编码,得到对应的节点表示矩阵;然后,使用自回归模型预测下一时间快照图中的节点表示;最后,利用对比损失和滑动窗口机制对模型进行端到端的训练。在真实图数据集上进行实验,结果表明,DGCP在链接预测任务上的表现优于基准方法。
关键词
动态图表示
学习
对比学习
图
神经网络
链接预测
Keywords
Dynamic graph representation learning
Contrast learning
Graph neural network
Link prediction
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于图框架变换的动态图神经网络模型
3
作者
杨圣鹏
施建栋
周斯炜
李明
机构
浙江师范大学计算机科学与技术学院
浙江师范大学浙江省智能教育技术与应用重点实验室
出处
《浙江师范大学学报（自然科学版）》
2024年第1期19-28,共10页
基金
浙江省教育厅科研项目(Y202249937)。
文摘
为了有效地挖掘并利用动态图的低频和高频信息并捕捉其时空演变规律,提出了一种基于图小波的兼顾低通、高通滤波的多尺度图卷积,并将该卷积运算融入长短期记忆网络中,构建了一类基于图框架变换的动态图神经网络模型.在离散动态图的3个基准数据集中采用2种不同的训练方式进行实验,对比了11种动态图表示学习方法.实验结果表明:所提模型通常能取得最优效果且稳定性更好,同时也验证了模型能够更好地捕获动态图的演变规律.
关键词
多尺度
图
卷积
图
框架变换
动态
图
神经网络
动态图表示
学习
Keywords
multi-resolution graph convolution
graph framelet transform
dynamic graph neural network
dynamic graph representation learning methods
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于最大池图匹配的形变目标跟踪方法
被引量：
7
4
作者
王治丹
蒋建国
齐美彬
机构
合肥工业大学计算机与信息学院
出处
《电子学报》
EI
CAS
CSCD
北大核心
2017年第3期704-711,共8页
基金
国家自然科学基金(No.61371155)
安徽省科技攻关项目(No.1301b042023)
文摘
该文提出了一种基于最大池图匹配的形变目标跟踪算法,适用于跟踪目标产生较大形变或者严重遮挡等场合.此方法首先将目标搜索区域过分割为候选目标部件并建立动态图表示,即目标部件的表象特征和它们之间的几何位置关系.然后采用最大池图匹配算法,得到目标图和候选图中部件的匹配关系,从而确定出目标位置的置信图.联合考虑目标整体和目标部件对目标位置的支持,投票决定出精确的目标位置.在各种形变目标的跟踪序列测试下,该算法与其他跟踪器的对比验证了其有效性和鲁棒性.
关键词
视觉目标跟踪
动态图表示
最大池
图
匹配
Keywords
visual tracking
dynamic graph representation
max-pooling graph matching
分类号
TP751 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
融合动态图表示和自注意力机制的级联预测模型
张凤荔
王雪婷
王瑞锦
汤启友
韩英军
《电子科技大学学报》
EI
CAS
CSCD
北大核心
2022
2
在线阅读
下载PDF
职称材料
2
基于对比预测的自监督动态图表示学习方法
蒋林浦
陈可佳
《计算机科学》
CSCD
北大核心
2023
1
在线阅读
下载PDF
职称材料
3
基于图框架变换的动态图神经网络模型
杨圣鹏
施建栋
周斯炜
李明
《浙江师范大学学报（自然科学版）》
2024
0
在线阅读
下载PDF
职称材料
4
基于最大池图匹配的形变目标跟踪方法
王治丹
蒋建国
齐美彬
《电子学报》
EI
CAS
CSCD
北大核心
2017
7
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
