虚拟专题文章

第十九届中国机器学习会议(CCML 2023)

默认 最新文章 浏览次数

Please wait a minute... 选择: 导出引用 EndNote Ris BibTeX 显示/隐藏图片 Select 1. 无负采样的正样本增强图对比学习推荐方法PAGCL 汪炅, 唐韬韬, 贾彩燕 《计算机应用》唯一官方网站    2024, 44 (5): 1485-1492.   DOI: 10.11772/j.issn.1001-9081.2023050756 摘要 （291）   HTML （19）    PDF （2404KB）（693）    可视化    收藏 对比学习（CL）因能够提取数据本身包含的监督信号而被广泛应用于推荐任务。最近的研究表明，CL在推荐方面的成功依赖于对比损失——互信息噪声对比估计（InfoNCE）损失带来的节点分布的均匀性。此外，另一项研究证明贝叶斯个性化排序（BPR）损失的正项与负项分别带来的对齐性和均匀性有助于提高推荐性能。由于在CL框架中对比损失能够带来比BPR负项更强的均匀性，BPR负项存在的必要性值得商榷。实验分析表明在对比框架中BPR的负项是不必要的，并基于这一观察提出了无需负采样的联合优化损失，可应用于经典的CL方法并达到相同或更高的性能。此外，与专注于提高均匀性的研究不同，为进一步加强对齐性，提出一种新颖的正样本增强的图对比学习方法（PAGCL），该方法使用随机正样本在节点表示层面进行扰动。在多个基准数据集上的实验结果表明，PAGCL在召回率及归一化折损累积增益（NDCG）这两个常用指标上均优于SOTA方法自监督图学习（SGL）、简单图对比学习（SimGCL）等，且相较于基模型轻量化图卷积（LightGCN）的NDCG@20提升最大可达17.6%。 图表 | 参考文献 | 相关文章 | 多维度评价 Select 2. 基于异步深度强化学习的车联网协作卸载策略 赵晓焱, 韩威, 张俊娜, 袁培燕 《计算机应用》唯一官方网站    2024, 44 (5): 1501-1510.   DOI: 10.11772/j.issn.1001-9081.2023050788 摘要 （251）   HTML （9）    PDF （2661KB）（358）    可视化    收藏 随着车联网（IoV）的快速发展，智能网联汽车产生了大量延迟敏感型和计算密集型任务，有限的车辆计算资源以及传统的云服务模式无法满足车载用户的需求，移动边缘计算（MEC）为解决海量数据的任务卸载提供了一种有效范式。但在考虑多任务、多用户场景时，由于车辆位置、任务种类以及车辆密度的实时性和动态变化，IoV中任务卸载场景复杂度较高，卸载过程中容易出现边缘资源分配不均衡、通信成本开销过大、算法收敛慢等问题。为解决以上问题，重点研究了IoV中多任务、多用户移动场景中的多边缘服务器协同任务卸载策略。首先，提出一种多边缘协同处理的三层异构网络模型，针对IoV中不断变化的环境，引入动态协作簇，将卸载问题转化为时延和能耗的联合优化问题；其次，将问题分为卸载决策和资源分配两个子问题，其中资源分配问题又拆分为面向边缘服务器和传输带宽的资源分配，并基于凸优化理论求解。为了寻求最优卸载决策集，提出一种能在协作簇中处理连续问题的多边缘协作深度确定性策略梯度（MC-DDPG）算法，并在此基础上设计了一种异步多边缘协作深度确定性策略梯度（AMC-DDPG）算法，通过将协作簇中的训练参数异步上传至云端进行全局更新，再将更新结果返回每个协作簇中提高收敛速度。仿真结果显示，AMC-DDPG算法较DDPG算法至少提高了30%的收敛速度，且在奖励和总成本等方面也取得了较好的效果。 图表 | 参考文献 | 相关文章 | 多维度评价 Select 3. 基于双路时空网络的驾驶员行为识别 席治远, 唐超, 童安炀, 王文剑 《计算机应用》唯一官方网站    2024, 44 (5): 1511-1519.   DOI: 10.11772/j.issn.1001-9081.2023050800 摘要 （246）   HTML （14）    PDF （3642KB）（231）    可视化    收藏 驾驶员危险驾驶行为是恶性交通事故发生的主要原因之一，因此识别驾驶员行为具有工程应用上的重要意义。目前，主流基于视觉的检测方法是对驾驶员行为的局部时空特征进行研究，针对全局空间特征及长时序相关性特征研究较少，这在一定程度上无法结合场景上下文信息对危险驾驶行为进行识别。为了解决上述问题，提出一种基于双路时空网络的驾驶员行为识别方法，整合不同时空通路的优点以提高行为特征丰富度。首先，使用一种改进的双流卷积神经网络（TSN）对时空信息进行表征学习，同时降低提取特征的稀疏性；其次，构建一种基于Transformer的串行时空网络补充长时序相关性信息；最后，联合双路时空网络进行融合决策，增强模型的鲁棒性。实验结果表明，所提方法在驾驶员疲劳检测数据集YawDD、驾驶员分心检测数据集SF-DDDD和最新驾驶员行为识别数据集SynDD1这3个公开数据集上分别取得99.85%、99.94%和98.77%的识别准确率，特别是在SynDD1上，与使用动作识别的网络MoviNet-A0相比识别准确率提升了1.64个百分点；消融实验结果也验证了该方法对驾驶员行为有较高的识别精度。 图表 | 参考文献 | 相关文章 | 多维度评价 Select 4. 基于负学习的样本重加权鲁棒学习方法 邹博士, 杨铭, 宗辰辰, 谢明昆, 黄圣君 《计算机应用》唯一官方网站    2024, 44 (5): 1479-1484.   DOI: 10.11772/j.issn.1001-9081.2023050880 摘要 （237）   HTML （5）    PDF （1241KB）（328）    可视化    收藏 噪声标记学习方法能够有效利用含有噪声标记的数据训练模型，显著降低大规模数据集的标注成本。现有的噪声标记学习方法通常假设数据集中各个类别的样本数目是平衡的，但许多真实场景下的数据往往存在噪声标记，且数据的真实分布具有长尾现象，这导致现有方法难以设计有效的指标，如训练损失或置信度区分尾部类别中的干净样本和噪声样本。为了解决噪声长尾学习问题，提出一种基于负学习的样本重加权鲁棒学习（NLRW）方法。具体来说，根据模型对头部类别和尾部类别样本的输出分布，提出一种新的样本权重计算方法，能够使干净样本的权重接近1，噪声样本的权重接近0。为了保证模型对样本的输出准确，结合负学习和交叉熵损失使用样本加权的损失函数训练模型。实验结果表明，在多种不平衡率和噪声率的CIFAR-10以及CIFAR-100数据集上，NLRW方法相较于噪声长尾分类的最优基线模型TBSS（Two stage Bi-dimensional Sample Selection），平均准确率分别提升4.79%和3.46%。 图表 | 参考文献 | 相关文章 | 多维度评价 Select 5. 基于节点结构的点云分类网络 高文烁, 陈晓云 《计算机应用》唯一官方网站    2024, 44 (5): 1471-1478.   DOI: 10.11772/j.issn.1001-9081.2023050802 摘要 （215）   HTML （16）    PDF （2562KB）（420）    可视化    收藏 点云数据的非结构化和不均匀分布给点云物体特征表示和分类任务带来极大挑战。为了提取点云物体的三维结构特征，现有方法多采用复杂的局部特征提取结构组建分层网络，导致特征提取网络复杂且主要关注点云物体的局部结构。为更好地提取不均匀分布的点云物体特征，提出采样点卷积密度自适应加权的节点结构网络（NsNet）。该卷积网络通过高斯密度对采样点自适应加权以区分采样点的密度差异，从而更好地刻画物体的整体结构；其次，通过加入球形坐标简化网络结构以降低模型复杂度。在3个公开数据集上与PointNet++和PointMLP等方法进行比较，实验结果表明：基于自适应密度加权的NsNet比PointNet++和PointMLP的总准确率（OA）分别提高了9.1和1.3个百分点；与PointMLP相比减少了4.6×106的参数量。NsNet可有效解决点云分布不均导致的边缘点信息损失问题，提高分类精度，降低模型复杂度。 图表 | 参考文献 | 相关文章 | 多维度评价 Select 6. 基于动态服务缓存辅助的任务卸载方法 张俊娜, 王欣新, 李天泽, 赵晓焱, 袁培燕 《计算机应用》唯一官方网站    2024, 44 (5): 1493-1500.   DOI: 10.11772/j.issn.1001-9081.2023050831 摘要 （205）   HTML （6）    PDF （2414KB）（329）    可视化    收藏 针对服务缓存和任务卸载联合优化中，由于缺乏对用户服务请求多样性和动态性的综合考虑而导致的用户体验质量降低问题，提出一种基于动态服务缓存辅助的任务卸载方法。首先，针对边缘服务器执行缓存服务动作空间较大的问题，重新定义了动作，并筛选出最优的动作集合以提高算法训练的效率；其次，设计一种改进的多智能体Q-Learning算法学习最优的服务缓存策略；再次，将任务卸载问题转换为凸优化问题，利用凸优化工具获得最优解；最后，利用拉格朗日对偶法求得最优的计算资源分配策略。为了验证所提方法的有效性，基于真实数据集进行了充分的实验。实验结果表明，对比Q-Learning、双层深度Q网络（D2QN）以及多智能体深度确定性策略梯度（MADDPG）方法，所提方法的响应时间分别降低了8.5%、11.8%和12.6%，平均体验质量分别提高了1.5%、2.7%和4.3%。 图表 | 参考文献 | 相关文章 | 多维度评价 Select 7. 轻量化沥青路面裂缝图像分割网络PIPNet 封筠, 毕健康, 霍一儒, 李家宽 《计算机应用》唯一官方网站    2024, 44 (5): 1520-1526.   DOI: 10.11772/j.issn.1001-9081.2023050911 摘要 （164）   HTML （14）    PDF （3158KB）（129）    可视化    收藏 裂缝分割是对路面病害损坏程度评估的重要前提，为平衡深度神经网络分割的有效性与实时性，提出一种基于U?Net编码-解码结构的轻量化沥青路面裂缝图像分割网络PIPNet（Parallel dilated convolution of Inverted Pyramid Network）。编码部分为倒金字塔结构，提出了具有不同空洞率的多分支并行空洞卷积模块，结合深度可分离卷积和普通卷积，逐级减少并行卷积的个数，对表层、中层及底层特征提取多尺度信息并降低模型复杂度；同时借鉴GhostNet特点，设计了逆残差轻量化模块，嵌入并行双池化注意力。在GAPs384数据集上的测试结果表明，PIPNet在参数量（Params）和计算量（MFLOPs）仅为ResNet50编码近1/6的情况下，平均交并比（mIoU）提高了1.10个百分点，且较轻量化GhostNet和SegNet分别高出4.14与9.95个百分点。实验结果表明，PIPNet在降低模型复杂度的同时，有着较好的裂缝分割性能，且对不同路面裂缝图像分割适应性良好。 图表 | 参考文献 | 相关文章 | 多维度评价 Select 8. 融合二连通模体结构信息的节点分类算法 郑文萍, 葛慧琳, 刘美麟, 杨贵 《计算机应用》唯一官方网站    2024, 44 (5): 1464-1470.   DOI: 10.11772/j.issn.1001-9081.2023050846 摘要 （155）   HTML （6）    PDF （1734KB）（143）    可视化    收藏 节点表示学习将图结构数据信息编码到低维的潜在空间中，在节点分类、聚类、链路预测等机器学习任务中被广泛应用。在复杂网络中，节点与节点之间不仅存在直接相连的低阶结构，也存在以特殊连接模式形成的高阶结构，称为模体。提出一种融合二连通模体结构信息的节点分类算法（FMI），利用节点间高阶二连通模体信息学习节点表示，完成节点分类任务。首先，统计网络中的二连通模体，利用其中信息提出一个节点重要性的度量指标——模体比值。根据模体比值计算采样概率进行邻域采样；构造一个带权辅助图以融合网络节点连接的低阶关系与高阶关系，对节点进行加权邻域聚合以得到节点表示。在5个数据集Cora、Citeseer、Pubmed、Wiki和DBLP上执行节点分类任务，与5种经典基准算法进行对比，所提算法FMI在准确度和F1-分数等指标上表现良好。 图表 | 参考文献 | 相关文章 | 多维度评价