首页期刊导航|计算机科学
期刊信息/Journal information
计算机科学
计算机科学

朱完元

月刊

1002-137X

jsjkx12@163.com

023-63500828

401121

重庆市渝北区洪湖西路18号

计算机科学/Journal Computer ScienceCSCD北大核心CSTPCD
查看更多>>本刊的读者对象是：大专院校师生，从事计算机科学与技术领域的科研、生产人员。办刊宗旨是：坚持“双百”方针，活跃计算机科学与技术领域的学术气氛，重点报导国内外计算机科学与技术的发展动态，为我国的计算机科学与技术立于世界之林、达到国际先进水平奋斗而矢志不渝。
正式出版
收录年代

    基于多类型计算重写的浮点表达式精度优化方法

    郝江伟杨鸿儒夏媛媛刘毅...
    86-94页
    查看更多>>摘要：表达式重写是精度优化领域的新兴方法,其核心思想是在不改变表达式精度类型的前提下,将其变换为语义上等价的表达式以尝试提升精度.然而,面对庞大的变换规则和变换空间,如何选取合适的变换策略成为了重写方法的问题所在.针对上述问题,提出了一个基于多类型计算重写的浮点表达式精度优化方法,支持包括函数计算、四则运算的表达式,并实现了表达式重写工具exprAuto.区别于其他精度优化工具侧重于对子表达式的替换,exprAuto更注重对表达式运算顺序的变换.ex-prAuto在对表达式化简和数学变换后,通过多项式变换获取不同的计算顺序,并尝试减少运算次数以提升精度,最终生成一个包含不同计算顺序的等价表达式集合,通过排序筛选和误差检测从中选出最终的精度优化结果.文中选取41个FPBench标准集中的表达式和18个常见数学函数的近似多项式作为测试用例,在经exprAuto优化后,所提方法相比原式最大误差降低了45.92％,平均误差降低了 34.98％;针对其中的18个近似多项式,相比原式最大误差降低了 58.35％,平均误差降低了43.73％.实验结果表明,exprAuto可以有效提升表达式尤其是多项式的精度.

    浮点计算精度优化重写变换

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于图卷积神经网络的节点分类方法研究综述

    张丽英孙海航孙玉发石兵波...
    95-105页
    查看更多>>摘要：节点分类任务是图领域中的重要研究工作之一.近年来随着图卷积神经网络研究工作的不断深入,基于图卷积神经网络的节点分类研究及其应用都取得了重大进展.图卷积神经网络是基于卷积发展出的一类图神经网络,能处理图数据且具有卷积神经网络的优点,已成为图节点分类方法中最活跃的一个研究分支.对基于图卷积神经网络的节点分类方法的研究进展进行综述,首先介绍图的相关概念、节点分类的任务定义和常用的图数据集;然后探讨两类经典图卷积神经网络——谱域和空间域图卷积神经网络,以及图卷积神经网络在节点分类领域面临的挑战;之后从模型和数据两个视角分析图卷积神经网络在节点分类任务中的研究成果和未解决的问题;最后对基于图卷积神经网络的节点分类研究方向进行展望,并总结全文.

    图数据节点分类图神经网络图卷积神经网络

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    CCF代表团出席日本IPSJ大会,CCF副理事长胡事民应邀作特邀报告

    CCF微信公众号
    105页
      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于Transformer的节点影响力排序模型

    席颖邬学猛崔晓晖
    106-116页
    查看更多>>摘要：节点影响力排序是复杂网络的一个重点话题,对识别关键节点和衡量节点影响力有着重要作用.目前,已有诸多研究基于复杂网络探索节点影响力,其中深度学习显示出了巨大的潜力.然而,现有卷积神经网络(CNNs)和图神经网络(GNNs)模型的输入往往基于固定维度特征,且不能有效地区分邻居节点,无法适应多样性的复杂网络.为了解决上述问题,文中提出了 一种简单且有效的节点影响力排序模型.该模型中,节点的输入序列包含节点本身及其邻居节点的信息,且可以根据网络动态调整输入序列长度,确保模型获取到足量的节点信息.同时该模型利用 自注意力机制,使节点可以有效地聚合输入序列中邻居节点的信息,从而全面地识别节点的影响力.在12个真实网络数据集上进行实验,通过多维度的评价标准验证了该模型相比7种已有方法的有效性.实验结果表明,在不同的网络结构中,该模型均能有效地识别网络中节点的影响力.

    Transformer复杂网络节点影响力SIR影响力排序

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于代表性节点扩张的保持社区结构的图采样算法

    宏宇陈鸿昶张建朋黄瑞阳...
    117-123页
    查看更多>>摘要：作为一种能够简化大规模图并保留其指定属性的方法,图采样被广泛应用于现实生活中.然而当前研究大多集中于保留节点级的性质,如度分布等,而忽略了图的社区结构等更为重要的信息.针对此问题,提出了 一种保持社区结构的图采样算法.算法主要分为两个步骤,第一步为初始化社区代表点,根据提出的节点重要度计算公式算出节点的重要度,然后选出每个社区的代表性节点;第二步为社区结构扩张,针对每个社区,选择可能引入最少额外邻居的节点加入社区中,直到达到该社区节点上限.在多个真实数据集上进行了对比实验,使用多个评价指标来评估实验结果.实验结果表明,所提出的采样算法能够很好地保持原始图的社区结构,为大规模图的社区结构采样提供了可行的解决方案.

    图采样社区结构代表性节点扩张重要度

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于聚簇模型重用的概念漂移数据流半监督分类算法

    康伟黎利辉文益民
    124-131页
    查看更多>>摘要：带概念漂移的半监督数据流分类任务中,仅有少部分的数据被标记,这给分类器的训练、概念漂移的检测以及分类器对新概念的适应带来了 巨大的挑战.现有的半监督聚簇分类算法仅对分类器池中的聚簇模型进行简单的增量更新,未能有效重用历史聚簇模型.因此,文中提出了 一种新的聚簇模型重用的半监督分类算法,称为CDCMR.首先,数据流以数据块的形式到来,对数据块分完类后,训练一个簇数自适应确定的聚簇模型.其次,通过计算分类器池中的各组件分类器与聚簇模型之间的相似度,挑选多个组件分类器.再次,用当前数据块对挑选出来的组件分类器进行模型重用后,与聚簇模型集成.然后,将分类器池划分为新旧更替和多样性最大化分类器池进行更新.最后,对下一个数据块的样本进行集成分类.在多个人工和真实数据集上进行实验,结果表明,所提算法1)能有效适应概念漂移,与现有方法相比其性能有显著性提升.

    数据流半监督学习概念漂移聚簇模型重用集成学习

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    图神经网络节点分类任务基准测试及分析

    张陶廖彬于炯李敏...
    132-150页
    查看更多>>摘要：图神经网络(Graph Neural Network,GNN)模型由于采用端到端的模型架构,在训练过程中能够更好地将节点隐藏特征的学习和分类目标协同起来,相比图嵌入(Graph Embedding)的方法,其在节点分类等任务上得到了较大的性能提升.但是,已有图神经网络模型实验对比阶段普遍存在的数据集类型单一、样本量不足、数据集切分不规范、对比模型规模及范围有限、评价指标单一、缺乏模型训练耗时对比等问题.为此,文中选取了包括cora,citeseer,pubmed,deezer等在内的来自不同领域(引文网络、社交网络及协作网络等)的共计20种数据集,以准确率、精确率、召回率、F-score值及模型训练耗时为多维评价指标,在FastGCN,PPNP,ChebyNet,DAGNN等17种主流图神经网络模型上,进行了全面且公平的节点分类任务基准测评,进而为真实业务场景下的模型选择提供了决策参考.通过基准测试实验发现,一方面,影响模型训练速度的因素排名依次是节点属性维度、图节点规模及图边的规模;另一方面,并不存在赢者通吃的模型,即不存在在所有数据集下全都表现优异的模型,特别是在公平的基准测试配置环境下,结构简洁的模型反而比复杂的GNN模型有着更好的性能表现.

    图神经网络基准测试节点分类性能评估模型选择

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于双路先验自适应图神经常微分方程的交通流预测

    袁蓉彭莉兰李天瑞李崇寿...
    151-157页
    查看更多>>摘要：准确的交通流量预测是智能交通系统不可或缺的组成部分.近年来,图神经网络在交通流预测任务中取得了较好的预测结果.然而,图神经网络的信息传递是不连续的潜在状态传播,且随着网络层数的增加存在过平滑的问题,这限制了模型捕获远距离节点的空间依赖关系的能力.同时,在表示道路网络的空间关系时,现有方法大多仅使用先验知识构建的预定义图或仅使用路网状况构建的自适应图,忽略了两类图结合的方式.针对上述问题,提出了一种基于双路先验自适应图神经常微分方程的交通流预测模型.利用时间卷积网络捕获序列的时间相关性,使用先验自适应图融合模块表示道路网络的空间关系,并通过基于张量乘法的神经常微分方程以连续的方式传播复杂的时空特征.最后,在美国加利福尼亚州4个公开的高速公路流量数据集上进行对比实验,结果表明所提模型的预测效果优于现有的10种对比方法.

    交通预测先验自适应图图卷积神经网络神经常微分方程张量乘法

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于差异补偿和短期采样对比损失的城市电力负荷预测方法

    陈润桓戴华郑桂能李惠...
    158-164页
    查看更多>>摘要：城市电力负荷预测是城市智能电网规划和调度的一项重要内容.然而,城市电力负荷预测中存在数据不均的问题,给城市电力负荷预测带来了巨大挑战.传统的基于单一模型的方法难以解决数据不均的问题,而现有的基于多模型的预测方法根据电力负荷分布将数据集拆分成多个子数据集,然后分别建立多个预测模型进行预测,该类方案在一定程度上解决了数据不均问题,但存在模型构建成本较高、不同分布样本间共有的电力分布特征发生分离等问题.基于此,提出了一个轻量级城市电力负荷预测模型(Lighten-DCSC-LSTM).该模型通过在长短期记忆网络的基础上引入差异补偿的思想和短期采样对比损失进行构建,同时构建共享特征提取层来降低模型构建成本.其中,差异补偿思想通过学习不同电力负荷分布样本之间的差异对主序列预测模块的预测结果进行差异补偿,短期采样对比损失通过动态类中心的对比学习损失对模型的训练进行正则化.为了验证模型的性能,进行了参数调优和对比实验.对比实验结果表明,模型在预测电力负荷的任务中取得了良好的性能.

    电力负荷预测长短期记忆网络深度学习对比学习损失

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于Transformer的街道停车位数据补全和预测

    林滨伟於志勇黄昉菀郭贤伟...
    165-173页
    查看更多>>摘要：随着城市汽车数量的持续增长,街道停车难已经成为一个热点问题.解决街道停车问题的关键在于准确预测街道未来的停车位信息.移动群智感知方式(CrowdSensing)通过在车辆上安装声呐以感知路边的停车位情况,是一种低成本、高效益的感知停车位的方式,然而这种方式感知的停车位数据在时间上存在高稀疏性问题,传统模型无法直接用于预测.针对此问题,提出了一种基于Transformer的停车位序列补全和预测网络,此网络通过编码器生成缺失停车位序列的记忆,进而解码器以自回归的方式补全停车位序列中缺失的部分,同时预测出未来的停车位信息.实验结果表明,所提方法在两个高缺失的街道停车位数据集上的补全和预测效果都优于传统的机器学习和深度学习方法.

    街道停车位数据补全时序预测机器学习深度学习

      原文链接:
    • NETL
    • NSTL
    • 万方数据