6个研究背景和意义示例,教你写计算机高斯分布论文

今天分享的是关于高斯分布的6篇计算机毕业论文范文, 如果你的论文涉及到高斯分布等主题,本文能够帮助到你

基于变分自动编码和扩散概率分布的时序知识图谱推理研究

这是一篇关于时序知识图谱,链接预测,高斯分布,潜在变量,扩散概率分布的论文, 主要内容为时序知识图谱推理旨在补全知识图谱中缺失的链接(事实),其中每个事实都与时间戳绑定。随着人工智能技术的飞速发展,时序知识图谱推理在推荐系统、问答系统、预测系统等诸多领域发挥着越来越重要的作用,已成为当前研究的热点。目前,大多数推理方法专注于推理过去的时间戳缺失的事实,很少有研究去探索未来事实的推理工作。预测未来事实面临的主要挑战是如何有效地对历史事实进行建模,捕捉实体语义随时间的演化过程,从而对未来做出准确的预测,这更具有挑战性。然而,许多现有方法都有一个共同的局限性:它们专注于学习时序知识图谱的动态表示,很少考虑随时间变化而保持不变的静态特征。为了应对上述问题,本文主要做了两个主要工作如下所示:(1)基于变分自动编码器的时序知识图谱推理。本文引入了两个独立变量,动态潜在变量和静态潜在变量,分别表示在过去时间戳发生的所有历史事实的动态和静态特征。为了解决实体随时间演变的不确定性问题,本文使用基于高斯分布的推理网络对实体的动态和静态表示进行建模。其中,高斯分布的均值代表当前时间戳实体的预期位置,方差代表时间不确定性。首先,本文使用基于Bi-GRU的推理网络来学习历史事实的静态潜在表示、使用基于非线性离散时间转换的推理网络学习动态潜在表示。然后,本文使用重新参数化技巧对潜在变量进行多次采样,并将从历史序列中学习得到的实体的动态和静态表示组合成一个统一的表示,以预测未来事实。本文在四个公开的数据集(Yago11k,Wikidata12k,ICEWS14和ICEWS05-15)做了大量实验,实验结果验证了本文方法的优越性。(2)基于扩散概率分布的时序知识图谱推理。先前提出的基于变分自动编码器的方法在训练过程中容易出现过度拟合问题,从而不能精确捕捉实体语义的演化过程。因此,本文在先前工作的基础之上做了进一步的探究。本文建立了一个双向的迭代过程,将实体语义建模分为多个子模块。其中,每个子模块通过一个正向的加噪变换和反向的高斯采样组成,负责建模实体语义的一个微小演变过程。相对基于变分自动编码器的方法,该方法通过多个子模块联合建模显示地学习度量空间中实体语义随时间的动态表示,能够得到更为精确的建模。本文在四个公开的数据集(Yago11k,Wikidata12k,ICEWS14和ICEWS05-15)做了大量实验,实验结果验证了本文方法的优越性。

黑盒场景的词级别文本对抗攻击策略研究与应用

这是一篇关于文本对抗攻击,量子行为粒子群优化算法,高斯分布,动态攻击,可视化系统的论文, 主要内容为随着深度神经网络易受到对抗攻击的性质被发现,对抗攻击方法开始被广泛研究以提高模型鲁棒性与可解释性。当前的文本对抗方法存在搜索能力欠佳、攻击成本高等问题。同时,当前的文本对抗研究均停留在针对固定的模型的场景下,没有充分考虑随着数据逐渐增多、模型不断更新变化的动态场景。针对这些问题,本文研究了黑盒场景的词级别的文本对抗攻击任务,提出了一项新的改进方法。此外,针对动态模型下静态文本对抗方法的有效性问题,本文提出了一项新的研究任务、实验方法和评价指标。最后,本文设计并实现了一个文本对抗攻击的可视化系统。本文主要工作如下:(1)提出了Sememe-GQPSO,一种新的词级别的黑盒定向文本对抗方法。针对现有词级别文本对抗方法的攻击成功率低和修改率高等问题,该方法引入高斯分布到量子行为粒子群优化算法中,并使用基于义原的候选词提取方法,提高了攻击方法对受害模型的攻击能力。高斯分布的引入提升了对抗方法在迭代前期的搜索能力,并加速了对抗方法在迭代后期的全局收敛速度。实验结果表明,Sememe-GQPSO不仅提高了攻击成功率和降低了修改率,而且所生成的对抗样本质量更高,是一种高效的文本对抗方法。(2)提出了动态攻击这项新的文本对抗攻击任务,旨在探究动态模型下的静态文本对抗方法的原始性能能否得到保持。针对这一问题,本文定义了任务的内容,设计了新的实验方法,并提出了三个新的评估指标,以量化静态文本对抗方法在该任务中的性能退化程度。大量的实验表明,动态模型能显著影响静态对抗样本的有效性,导致攻击性能大幅降低。同时,所提出的新评估指标可以有效地测量静态对抗方法应对动态模型的能力。其中,更高的单独动态攻击成功率表明对抗样本更适合当前的受害动态模型;更高的持续动态攻击成功率表明对抗样本对受害模型有更强的持久攻击能力;更高的总体动态攻击成功率则表示对抗样本质量更高,对受害模型伤害度更大。本研究的结果有助于更深入地理解文本对抗攻击的机理,并为文本对抗攻击的研究提供了新的方向和挑战。(3)设计并实现了一款文本对抗攻击的可视化系统。该系统基于Django框架和My SQL数据库构建,融合了本文相关内容,包括五大系统功能:对抗样本生成、模型鲁棒性测试、自定义样本动态攻击、样本人工评测和相关内容介绍。本文对系统的需求进行了分析,然后着手设计并实现了该系统。实现效果和测试效果表明,该系统成功实现了设计需求,具有易操作、跨平台、功能全面等优良特性。该系统能够有效降低普通用户对文本对抗攻击的理解门槛,并为研究人员提供了一个实验平台,方便探索文本对抗攻击机理与方法,有利于文本对抗学术研究的发展。综上所述,本文针对文本对抗攻击问题,提出了一种新的词级别文本对抗方法和一项新的文本对抗攻击任务,实现了一个文本对抗可视化系统。经过实验和应用检验,证明了本文提出方法的有效性、新任务的必要性和系统的多样性。

基于医疗大数据的临床路径分析系统的设计与实现

这是一篇关于临床路径,Spark on Yarn,Sqoop,高斯分布,DBSCAN的论文, 主要内容为随着深度老龄化社会的到来和“全民医保”大环境下,“收不抵支”将成为医保基金的新常态。目前对于医保基金而言,开源空间并不大,基于临床路径进行费用控制成为医疗改革的必经之路。本文主要基于Spark on Yarn分布式平台,融合机器学习聚类算法、开源中间件Sqoop、大数据分析技术、正则表达式、数理统计、概率分布和JavaEE框架等理论技术,结合国家临床路径的核心内容,对经验临床路径分析所涉及的关键技术进行研究,提出一套由医疗数据迁移、医疗数据清洗、医疗数据分析和应用服务组成的基于医疗大数据的临床路径分析系统的解决方案。运用大数据分析和机器学习算法等技术,对医疗数据进行数据清洗、数据分析等操作,得到符合经验规律的临床路径,简称经验临床路径。本文首先对临床路径的发展现状进行分析,提出本文的研究目标和内容;其次,研究涉及的理论和技术;第三,根据用户需求对分析系统进行需求分析;第四,基于用户需求和现有资源,进行分析系统的总体架构、技术路线、功能模块和数据库设计;第五,对系统的关键模块进行详细设计与实现;基于Sqoop提出一种医疗数据迁移方法;基于Spark on Yarn平台,设计实现医疗数据清洗和分析方案;同时,基于SpringMVC框架,开发经验临床路径的数据服务交互接口。本文的主要工作内容如下所述。1、结合医疗数据迁移的实际需求,扩展Sqoop支持的数据源的数据类型;为支持数据对标、标准化处理和字符编码转换等业务,改造其ORM模块。2、对医疗数据的出院诊断文本进行研究,归纳其数据特征,设计实现从出院诊断文本中提取ICD-10病种编号的方法。分析医疗数据中退费项目特点,设计实现退费项目处理方法。3、基于Spark并行计算特点,对医疗数据清洗和分析的处理流程进行并行化设计与实现,提高分析系统的整体性能。4、基于分析单元的一维指标样本,其分布规律符合高斯分布,结合数理统计和概率分布理论,提出基于样本频率直方图的中心向外扩展算法。基于该算法完成临床路径的一维指标经验范围分析。5、运用机器学习聚类算法DBSCAN分析临床路径的关联指标经验范围。

基于高斯分布与深度学习的序列推荐方法研究

这是一篇关于序列推荐,知识图谱,注意力机制,高斯分布,推荐损失的论文, 主要内容为序列推荐系统是指针对时间序列数据进行推荐的一类推荐系统,广泛用于电子商务、新闻、在线广告、社交媒体以及工业生产等领域。在针对用户的偏好分析推荐中,序列推荐可以根据用户的过往行为习惯来预测用户未来可能感兴趣的物品或信息,并按照一定规则进行排序和推荐,以提高用户体验和满意度。序列推荐的应用不仅丰富了大众的需求,带来便捷的体验,也给互联网公司带来了庞大的客户群体和可观的利润,因此基于序列推荐的研究具有重要的现实意义。序列推荐算法由于能对用户的历史兴趣进行动态建模,跟随用户兴趣变化进行动态的推荐,在推荐效果和准确率上要优于传统推荐算法。然而目前的序列推荐系统在发展过程中还存在着问题:第一,其相关的方法忽视了交互项中的噪声对推荐准确率的影响;第二,没有对用户全局偏好和当前偏好进行充分挖掘与融合;第三,在对用户历史交互信息表示过程中,容易丢失会话的顺序信息。这些不足影响了相关算法模型准确建模用户历史兴趣从而提供个性化推荐的效果。针对上述问题,本文展开了以下研究工作:1)提出了一种基于高斯分布建模的序列推荐算法。该算法首先通过一个含有多头自注意力的不确定性感知图集合网络UAN,通过降低输入项的不确定性来提取输入的序列模式;其次将提取的输入序列模式建模为一个高斯分布,得到序列信息中的动态用户偏好以及偏好的不确定性;再将传统的推荐目标函数拓展为一个采样损失函数和一个不确定性正则化器,赋予每个训练实例适当的不确定性;最后将高损失且低不确定性的不可靠实例去除,增强序列推荐的准确性。在三个公开的数据集上进行实验测试的结果表明,该算法取得了5.3%的推荐准确率提升,得到了更优的序列推荐结果。2)提出一种基于注意力机制的偏好感知序列推荐方法SR-AMPA。利用GNN来获取会话中丰富的项目信息,并使用GRU来获得会话中的项目的顺序信息,以解决会话图表示过程中的信息丢失问题,使会话序列的表示更准确;其次,使用门控融合函数,将会话中的全局兴趣和当前兴趣结合起来,计算每个候选项目的推荐概率。通过在两个数据集上的实验验证,显示该方法具有更高的推荐准确率,实现了更优的推荐效果。

融合多维情景信息的兴趣点推荐算法研究

这是一篇关于推荐系统,兴趣点推荐,高斯分布,图卷积,多头注意力机制的论文, 主要内容为信息时代带来了海量难以处理的数据,用户无法从中快速筛选出自己需要的信息,容易产生选择困难、焦虑等问题,这称为“信息过载”。推荐系统在很多网络平台上应用,从而可以使用户避免“信息过载”。其中,基于位置的社交网络平台结合兴趣点推荐系统,可以为用户提供出行目的地建议。兴趣点推荐系统不仅能够帮助用户快速做出决策,减轻选择焦虑,而且在广告投放、商业决策等方面也具有极大的商业价值。在挖掘地理因素影响时,传统的兴趣点推荐系统往往划定用户的活动范围,导致活动范围外的内容几乎不可能被推荐到,这就使推荐结果多样性降低。基于这个问题,本文提出一种基于区域转移的兴趣点推荐算法。该方法结合地理影响因素,使用高斯分布对用户活动的热点区域进行建模;其次,设计动态划分相似用户组方法。该方法根据不同用户的偏好,建立个性化的虚拟朋友关系;最后,提出区域转移推荐算法用于生成兴趣点推荐列表。在传统兴趣点推荐方法的基础上,下一个兴趣点推荐方法同时考虑用户当前所处的位置和时间,为用户推荐下一个要去的地点。与传统推荐相比,该方法需要同时考虑多种上下文信息的变化趋势,这使算法设计更加复杂。现有的多数研究将下一个兴趣点推荐看成一个序列预测问题,没有对兴趣点数据中天然存在的图结构信息进行充分挖掘。为了解决以上问题,本文提出了一种基于图卷积和Transformer的下一个兴趣点推荐方法(GTR)。第一步,可以构建出兴趣点签到转移图、兴趣点距离图、兴趣点类别转移图以及用户社交关系图。这四种不同的图可以充分利用用户签到数据中的图结构信息,同时为后序的图卷积嵌入提供了四种不同视角。其次,该方法使用Transformer模型挖掘用户的长期和短期行为模式。最后,使用多层感知机对Transformer编码器挖掘的信息进行解码,输出推荐结果。实验结果表明,该方法相对于其他下一个兴趣点推荐方法有着更好的表现。