首页期刊导航|计算机应用研究
期刊信息/Journal information
计算机应用研究
四川省电子计算机应用研究中心
计算机应用研究

四川省电子计算机应用研究中心

刘营

月刊

1001-3695

arocmag@163.com

028-85249567

610041

成都市成科西路3号

计算机应用研究/Journal Application Research of ComputersCSCD北大核心CSTPCD
查看更多>>本刊创刊于1981年，以其新颖性、技术性、实用性、工具性、知识性于一身，设置众多栏目，信息量极大，反映并涵盖了当今国内外计算机应用研究的主流技术、热点技术及最新发展趋势，是一份极具收藏价值的技术刊物。本刊读者对象为从事计算机应用、开发、研究的科技人员，大中专院校师生，各企事业单位技术人员，计算机业余爱好者及相关管理、情报工作者订阅、收藏。本刊现为中国计算机学会会刊，中国科技论文统计源核心期刊，全国中文核心期刊，中国科学引文数据库来源期刊， 中国学术期刊综合评价数据库来源期刊，并为多个检索数据库收录，在国内科技期刊评比中多次荣获优秀科技期刊奖。
正式出版
收录年代

    基于融合奖励的神经协同过滤去曝光偏差推荐模型

    李鹏李晓珊朱心如
    78-85页
    查看更多>>摘要：推荐系统中因交互数据稀疏性和曝光不均导致的强曝光偏差,会集中推荐高曝光物品,忽略低曝光物品的潜在价值,从而限制用户选择并降低用户体验.为解决这一问题,提出一种结合神经协同过滤和线性置信上界算法的去曝光偏差模型.首先,通过分析用户与物品之间的交互数据,利用神经协同过滤算法学习用户和物品的特征,捕捉其潜在偏好;其次,引入线性置信上界算法,并将其生成的奖励值特征嵌入到神经协同过滤模型中,以增强模型对低曝光物品的探索能力;最后,在MovieLens-100K和MovieLens-1M数据集上进行实验,结果显示,与传统的神经协同过滤模型相比,该模型的曝光度提升了约60％,说明其能够有效地缓解曝光偏差,并提高推荐的准确性和公平性,进一步验证了该模型的有效性.

    神经协同过滤线性置信上界曝光偏差个性化推荐

      原文链接:
    • 万方数据
    • 维普

    知识点表征强化的知识追踪模型

    张凯张慧玲王泽琛王雪...
    86-92页
    查看更多>>摘要：知识追踪模型主要使用监督学习范式建模给定题目信息条件下的作答结果概率分布,无法根据新的题目信息即时调整模型,最终影响了预测效果.针对这一问题,融合强化学习范式,提出知识点表征强化的知识追踪模型,主要包括基础网络、价值网络和策略网络三个部分.基础网络建模题目与知识点表征,价值网络计算题目价值及时间差分误差,策略网络优化预测结果.通过五个基线模型在三个数据集上的实验表明,该模型在AUC和ACC上表现优异,特别是在ASSISTments2009数据集上,AUC提升6.83％～14.34％,ACC提升11.39％～19.74％.进一步地,该模型表示质量较基线模型提高2.59％,还通过消融实验验证了强化学习框架的有效性.最后,将所提模型应用于三门真实课程的学习行为数据以预测学习者的表现,与基线模型的对比结果说明了所提模型在实际场景中的可用性.

    知识追踪知识点图神经网络强化学习

      原文链接:
    • 万方数据
    • 维普

    基于双子图和注意力机制的知识图谱补全方法

    周粤范永胜桑彬彬周岩...
    93-99页
    查看更多>>摘要：针对现有的知识图谱补全方法捕获知识图谱结构信息能力不足的问题,提出了一种基于双子图和注意力机制以获取全局结构信息完成知识图谱自动补全的模型.该模型首先分别构建以实体和关系为中心的双子图,来分别捕获实体邻域信息和关系结构的潜在有用信息,并将双子图形成的信息输入到编码器中以更好地更新实体和关系结构信息;然后,利用注意力机制自适应地学习更新后实体和关系之间的重要交互特征;最后,将包含全局结构信息的特征向量输入到解码器中,通过一个评分函数,对输入的特征边进行打分预测,最终使用预测结果来完成知识图谱补全任务.与基线方法的性能相比,该方法在FB15K-237和NELL995数据集上的MRR和hits@10评测指标分别取得了 5.1、8.8和3.4、2.2百分点的显著提升,同时在WN18RR数据集上,这两个指标也分别提高了 0.1和1.9百分点.实验结果表明,所建立模型采用的结构能有效捕获知识图谱全局结构信息,进而显著增强模型的表达能力和预测性能.

    知识图谱补全双子图注意力机制编码器解码器

      原文链接:
    • 万方数据
    • 维普

    基于自适应融合技术的多模态实体对齐模型

    任楚岚于振坤关超井立志...
    100-105页
    查看更多>>摘要：多模态实体对齐旨在识别由结构三元组和与实体相关的图像组成的不同的多模态知识图谱之间的等价实体.现有的多模态实体对齐的研究主要集中在多模态融合策略,忽略了模态缺失和不同模态难以融合的问题,未能充分利用多模态信息.为了解决上述问题,提出了 MACEA模型,该模型使用多模态变分自编码方法主动补全缺失的模态信息,动态模态融合方法整合不同模态的信息并相互补充,模态间对比学习方法对模态间进行建模,这些方法有效解决了模态缺失与模态难以融合的问题.相比于当前基线模型,MACEA的hits@1和MRR指标分别提升了 5.72％和6.78％,实验结果表明,该方法可以有效地识别出对齐实体对,具有较高的准确性和实用性.

    实体对齐知识图谱多模态动态融合模态缺失

      原文链接:
    • 万方数据
    • 维普

    基于互信息自适应的多模态实体对齐方法

    高永杰党建武张希权郑爱国...
    106-110页
    查看更多>>摘要：多模态实体对齐是知识融合过程中的关键一步,但异构的多模态知识图谱拥有较大的结构差异性,并且其多模态信息存在不完全性,利用当前的多模态实体对齐方法无法取得较好的对齐效果.针对上述问题,提出了基于互信息自适应的多模态实体对齐方法.一方面通过设计自适应融合机制来减小模态差异以及依据模态信息的贡献程度动态分配权重,另一方面引入互信息作为附加特征来强化实体的特征表示,最后利用实体相似度计算来进行实体对齐.实验表明,在5个通用的数据集上,MAMEA相较于当前基线模型,指标hits@1最大可提升1.8％,最小可提升1.4％,指标MRR最大可提升1.4％,最小可提升0.8％,证明了该模型可有效地提升多模态实体对齐的效果.

    多模态知识图谱实体对齐自适应特征融合对比表示学习互信息

      原文链接:
    • 万方数据
    • 维普

    神经先验增强的抗干扰鲁棒自动驾驶导航

    穆凡刘哲
    111-116页
    查看更多>>摘要：自动驾驶车辆广泛依赖感知系统来进行城市导航和环境理解,然而现有研究大多局限于良好的城市驾驶环境,在恶劣天气以及外部干扰下导致的传感器故障和感知失灵等严重影响现有自动驾驶系统的实际落地..为此提出了一种基于神经先验的自动驾驶信息重建算法,通过对大范围自动驾驶场景的隐式建模密集地存储场景几何先验,并基于注意力机制结合隐式神经先验进行自动驾驶感知信息的鲁棒重建,最终提出一个通用的自动驾驶导航鲁棒性增强框架.在CARLA自动驾驶模拟器仿真实验中,该算法显著提升了多个现有自动驾驶模型在外部干扰下的导航性能,使自动驾驶模型在攻击和干扰下的性能衰减率从82.74％下降到了 8.84％,证明了所提方法的通用性和有效性.

    自动驾驶鲁棒性神经辐射场

      原文链接:
    • 万方数据
    • 维普

    基于BC-MAAC算法的高速入口匝道合并类人决策

    于镝张昌文熊双双刘朋友...
    117-124页
    查看更多>>摘要：针对在自动驾驶复杂环境下多智能体强化学习算法决策缺乏人类表现出的智能性和奖励函数设计难度大的问题,提出基于BC-MAAC算法的高速入口匝道合并类人决策方案.将行为克隆思想与多智能体注意力动作—评价算法相融合,提出BC-MAAC算法,并且从Highway-env平台收集的多智能体专家数据中推导出专家策略,利用推导的专家策略与智能体当前策略的KL散度来塑造奖励函数,指导智能体训练过程.同时,应用动作屏蔽机制,在每一步过滤掉不安全或无效的动作,提高学习效率.两种不同交通密度场景的仿真结果表明所提算法整体性能优于基线算法,提升了车辆的通行效率和安全性.简单模式中,所提算法的成功率达到100％,平均速度和平均奖励分别至少提升0.73％和11.14％;困难模式中,所提算法的成功率达到93.40％,平均速度和平均奖励分别至少提升3.96％和12.23％.可见BC-MAAC算法通过专家奖励函数指导网联自动驾驶车辆,能够通过合作更类人的完成高速入口匝道合并任务.

    网联自动驾驶车辆智能决策高速入口匝道合并行为克隆多智能体强化学习

      原文链接:
    • 万方数据
    • 维普

    基于相似性的个性化联邦学习模型聚合框架

    武文媗王灿黄静静吴秋新...
    125-132页
    查看更多>>摘要：传统联邦学习中经过加权聚合得到的全局模型无法应对跨客户端的数据异构的问题.现有研究通过形成个性化模型应对,但个性化模型如何平衡全局的共性信息和本地的个性信息是一个挑战.针对上述问题,提出了一种个性化联邦学习模型聚合框架 FedPG(federated learning with personalized global model).FedPG 基于客户端模型的相似性,将归一化后的模型参数变化量的余弦相似度作为模型聚合的个性化权重,从而实现面向客户端的全局模型个性化聚合.通过引入平滑系数,该框架可以灵活地调整模型中共性信息和个性信息的比重.为了降低平滑系数的选择成本,进一步提出调度平滑系数的个性化联邦学习模型聚合框架FedPGS(federa-ted learning with personalized global model and scheduled personalization).在实验中,FedPG 和 FedPGS 两个框架使得FedAvg、FedProto、FedProx算法在特征分布偏移的数据集上的准确率平均提升1.20～11.50百分点,且使得模型的准确率受恶意设备的影响更小.结果表明,FedPG和FedPGS框架在数据异构和存在恶意设备干扰的情况下能有效提升模型的准确率和鲁棒性.

    个性化联邦学习余弦相似度数据异构模型聚合恶意设备

      原文链接:
    • 万方数据
    • 维普

    加强决策边界与自监督的在线持续学习方法

    王伟尤可鑫刘晓芮
    133-138页
    查看更多>>摘要：针对在线持续学习于图像分类中既要适应新数据,又要减轻灾难性遗忘这一问题,基于重放的方法在减轻在线持续学习的灾难性遗忘方面展现出了优良性能.然而,此类方法中的大多数模型往往更倾向于学习与对象无关的解决方案,这些方案难以泛化且易于遗忘,因此,学习最能够代表类别的特征对于解决灾难性遗忘问题显得极为关键.基于此,提出加强决策边界与自监督的在线持续学习方法.首先,该方法通过加强新类之间的决策边界,帮助模型更好地进行任务的分类.其次,使用了一种融合的自监督学习方法,帮助模型更好地学习每个类的代表特征.通过与主流在线持续学习算法在公开数据集CIFAR-10和CIFAR-100上的实验对比,当内存库M为100时,该方法在CIFAR-10上的平均准确率达到了 60.8％,平均遗忘率达到了 15.5％.当内存库M为500时,该方法在CIFAR-100上的平均准确率达到了 25.9％,平均遗忘率达到了 13.7％.这一结果验证了加强决策边界与自监督的在线持续学习方法对减轻灾难性遗忘是有效的.

    持续学习灾难性遗忘对比学习决策边界

      原文链接:
    • 万方数据
    • 维普

    基于匹配的模型卸载边缘联邦学习方法

    顾永跟张吕基吴小红陶杰...
    139-148页
    查看更多>>摘要：针对边缘计算环境下联邦学习中因资源异质性导致的"滞后者"效应等问题,提出基于匹配的模型卸载边缘联邦学习方法(Fed-MBMO).该方法通过收集边缘设备的性能分析结果,将设备分别划分为强、弱客户端,考虑了模型训练的四个阶段时间占比,弱客户端通过冻结部分模型以节省在特征层上反向传播的时间,并将模型卸载至"强客户端"进行额外的训练,最后将强客户端模型的特征层与弱客户端的全连接层进行模型重构.为提高模型卸载效率,综合考虑模型特征层的相似度与任务完成时间构建了卸载成本矩阵,并将问题转换为迭代求解基于二部图的最优匹配问题,提出基于Kuhn-Munkres(KM)的模型卸载算法并进一步分析了 Fed-MBMO算法的时间复杂度.实验结果表明,在资源与数据极端异质的情况下,该方法能够加速模型收敛,模型训练时间与FedAvg、FedUE和Aergia相比分别平均减少46.65％、12.66％、38.07％.实验结果证明了所提的Fed-MBMO算法能够有效解决"滞后者"效应问题并显著提高联邦学习效率.

    联邦学习滞后者效应模型卸载强弱匹配资源异质性模型重构边缘计算

      原文链接:
    • 万方数据
    • 维普