基于贝叶斯网络与语义树的隐私数据发布方法

为在隐私预算相同的条件下提高发布数据的可用性,在PrivBayes的基础上,提出一种改进的隐私数据发布方法PrivBayes_Hierarchical。基于贝叶斯网络隐私数据发布方法的思想,引入语义树对含有层次关系的数据属性进行抽象,使用贝叶斯网络描述数据属性之间的依赖关系。利用格雷码减少随机噪声对数据精度的影响,并对贝叶斯网络结构学习方法进行优化,以减少不必要的隐私预算消耗,提高数据可用性。实验结果表明,该方法在公开数据集下可以获得比PrivBayes更高的数据精度,从而提升隐私数据集的可用性。     

基于因果模型的社交网络用户购物行为研究

社交网络用户的购物行为体现用户在社交影响下自身物质需求和社交需求的意愿,是社交网络营销的重要研究内容。传统的网络购物行为分析仅关注用户行为间的相似度,忽略了用户的社交需求及同伴行为的影响。对此,结合反从众理论和社交需求特性,对用户购物行为进行特征构建;其次,针对社交网络用户数据不完全观察特性,提出了基于快速因果推断（Fast Causal Inference,FCI）的用户行为因果机制发现算法;最后,基于模型的实验分析和实证分析验证了模型因果机制的合理性。     

基于低秩矩阵补全的单幅图像去雨算法

提出一种基于低秩矩阵补全的单幅图像去雨算法, 该算法采用检测、修补、优化的三阶段策略。在检测雨阶段, 利用雨的亮度先验信息构建检测雨模型; 在修补阶段, 先采用相似块匹配算法构造相似块矩阵, 再利用其具有低秩属性的特点, 将去雨问题转化为低秩矩阵补全问题; 在优化阶段, 提出修正策略进一步提升去雨效果和客观度量值。在合成雨图和真实雨图上验证算法, 实验结果表明, 该算法表现出较好的去雨效果, 且对大雨图像的处理也较为满意, 相比其他方法在客观度量值和主观视觉上均有一定的优势。     

网络会展电子商务功能分析——以“网上广交会”网站分析为例

网络会展电子商务平台的发展有重要的意义。网上广交会是个新兴的商务平台,处于会展业与第三方电子商务结合的初级发展阶段,有需要问题需要发现和解决。该研究从信息服务、匹配服务和交易服务等功能角度读网上广交会进行评估。目标是从第三方电子商务网站功能分析评估中发现其运行中存在的优缺点,通过对问题的分析,提供解决的思路和参考,探讨怎样更好地利用网络平台和信息技术促进会展业的发展。     

基于近邻图改进的块对角子空间聚类算法

块对角表示（BDR）模型可以通过利用线性表示对数据有效地进行聚类,却无法很好地利用高维数据常见的非线性流形结构信息。针对这一问题,提出了基于近邻图改进的块对角子空间聚类（BDRNG）算法来通过近邻图来线性拟合高维数据的局部几何结构,并通过块对角约束来生成具有全局信息的块对角结构。BDRNG同时学习全局信息以及局部数据结构,从而获得更好的聚类表现。由于模型包含近邻图算子和非凸的块对角表示范数,BDRNG 采用了交替最小化来优化求解算法。实验结果如下：在噪声数据集上,BDRNG能够生成稳定的块对角结构系数矩阵,这说明了BDRNG对于噪声数据具有鲁棒性;在标准数据集上,BDRNG的聚类表现均优于BDR,尤其在人脸数据集上,相较于BDR,BDRNG的聚类准确度提高了8%。     

结合相似块匹配与最小值滤波的图像去雨

雨天环境拍摄的图像容易受到雨线的干扰,影响图像的特征提取,继而导致视觉系统的处理性能下降。提出了一种基于相似块匹配与最小值滤波的单幅图像去雨算法,该算法包含检测和修补两个阶段。检测阶段利用雨的亮度先验和方向信息对图像中的雨像素点进行标记。在修补阶段,先采用粗粒度和细粒度层级结合的方式匹配相似块,然后将雨像素点通过最小值滤波用相似块中对应像素最小值替换,而非雨像素点则保持原有值不变。算法在合成雨图与真实雨图上进行了验证,实验结果表明该算法能实现雨像素精确定位,精准匹配相似块,最终高质量修补雨像素,相比其他方法在客观度量值和主观视觉上均有一定的优势。     

基于有监督的多视角图神经网络的药物组合协同预测算法

药物组合疗法在癌症治疗中具有重要应用价值。通过算法预测药物协同组合,可为生物学研究提供靶向指导,从而提高研究效率,降低实验成本。针对现有算法缺乏有效的药物互相作用建模方法、无法考虑细胞系之间的关系等问题,提出了一种基于多视角图神经网络的药物协同预测算法。首先,采用变分图自编码器来学习特定细胞系药物的向量表示;然后,通过多视角框架整合同一组织内其他细胞系的药物信息,提升药物表示向量的可靠性;最后通过引入已知的药物组合得分作为监督信号对模型进行监督训练,实现可靠的药物协同效果预测。在DrugComb数据集上的实验结果验证了本方法的有效性。     

面向故障间格兰杰因果发现的霍克斯过程研究

现有因果关系建模方法应用于故障事件序列时,难以有效引入因果先验,使得算法结果过于稠密,同时在稀疏、时间精度低的数据上因果关系可靠性较差。将不同故障类型事件的因果关系建模为基于霍克斯过程的格兰杰因果关系,提出一种面向故障序列的格兰杰因果发现的霍克斯过程模型。将霍克斯过程拓展到离散时间域,解决低时间精度数据的建模问题,并通过构造基于贝叶斯信息准则的目标函数,保证因果结构稀疏性,进而利用基于EM算法与爬山法的迭代优化算法引入因果先验,提高模型的可靠性。实验结果表明,该方法在由不同参数生成的模拟数据上均表现突出,且在两个通信网络的真实数据集中,F1评分相比ADM4、MLE-SGL、TSSO和PCMCI算法提升15.18%以上。而通过引入根因标注和因果依赖性先验,算法的F1评分进一步提升22.43%以上,验证了引入先验的有效性。     

面向多元时间序列的群体因果关系发现算法

从多元时间序列观测数据中学习多个变量之间的因果关系是许多专业领域中的重要基本问题。现有的多元时间序列因果关系发现方法通常从每个个体的观测数据中学习个体因果关系,没有考虑部分个体之间可能存在相同的因果关系,导致样本利用不足。提出一种面向多元时间序列的群体因果关系发现算法。该算法分为2个阶段：第一阶段基于因果关系对个体之间的相似性进行度量,并把多个个体划分成多个群体,且无须指定群体的个数;第二阶段基于变分推断方法充分利用每个群体内的所有个体数据,从而学习群体因果关系。实验结果表明,该算法在多组不同参数生成的仿真数据上均具有较好的表现,与对比算法相比,AUC评分提升了5%～20%。在真实数据集中,该算法能够较好地区分具有不同因果关系的群体,并且能够学习到不同群体之间不同的因果关系,表明算法不仅具有因果关系发现能力,而且还具有多元时间序列聚类能力。     

面向云端FPGA的卷积神经网络加速器的设计及其调度

卷积神经网络的高计算复杂性阻碍其广泛用于实时和低功耗应用,现有软件实现方案难以满足其对运算性能与功耗的要求,传统面向FPGA的卷积神经网络构造方式具有流程复杂、周期较长和优化空间较小等问题。针对该问题,根据卷积神经网络计算模式的特点,提出一种面向云端FPGA的卷积神经网络加速器的设计及其调度机制。通过借鉴基于HLS技术、引入循环切割参数和对卷积层循环重排的设计,采用模块化方式构造网络,并进行参数拓展以进一步优化加速器处理过程;通过分析系统任务和资源的特性总结调度方案,且从控制流和数据流两方面对其进行优化设计。与其他已有工作相比,提出的设计提供了一种同时具有灵活性、低能耗、高能效和高性能的解决方案,并且探讨了加速器的高效通用调度方案。实验结果表明,该加速器可在有效提高运算整速度的同时减少功耗。