Heterogeneous network embedding (HNE) is a challenging task due to the diverse node types and/or diverse relationships between nodes. Existing HNE methods are typically unsupervised. To maximize the profit of utilizing the rare and valuable supervised information in HNEs, we develop a novel Active Heterogeneous Network Embedding (Ac-tiveHNE) framework, which includes two components: Discriminative Heterogeneous Network Embedding (DHNE) and Active Query in Heterogeneous Networks (AQHN). In DHNE, we introduce a novel semi-supervised heterogeneous network embedding method based on graph convolutional neu-ral network. In AQHN, we first introduce three active selection strategies based on uncertainty and representativeness, and then derive a batch selection method that assembles these strategies using a multi-armed bandit mechanism. ActiveHNE aims at improving the performance of HNE by feeding the most valuable supervision obtained by AQHN into DHNE. Experiments on public datasets demonstrate the effectiveness of ActiveHNE and its advantage on reducing the query cost.
translated by 谷歌翻译
Multi-view Multi-instance Multi-label Learning(M3L) deals with complex objects encompassing diverse instances, represented with different feature views, and annotated with multiple labels. Existing M3L solutions only partially explore the inter or intra relations between objects (or bags), instances, and labels, which can convey important contextual information for M3L. As such, they may have a compromised performance. In this paper, we propose a collaborative matrix factorization based solution called M3Lcmf. M3Lcmf first uses a heterogeneous network composed of nodes of bags, instances, and labels, to encode different types of relations via multiple rela-tional data matrices. To preserve the intrinsic structure of the data matrices, M3Lcmf collaboratively factorizes them into low-rank matrices, explores the latent relationships between bags, instances, and labels, and selectively merges the data matrices. An aggregation scheme is further introduced to aggregate the instance-level labels into bag-level and to guide the factorization. An empirical study on benchmark datasets show that M3Lcmf outperforms other related competitive solutions both in the instance-level and bag-level prediction.
translated by 谷歌翻译
多聚类旨在探索替代聚类,从不同角度将数据组织成有意义的组。现有的多聚类算法是针对单视图数据而设计的。我们假设可以利用多视图数据的个性和通用性来生成高质量和多样化的聚类。为此,我们提出了一种新的多视图多聚类(MVMC)算法。 MVMC首先采用多视图自身表示学习来探索个性化编码矩阵和多视图数据的共享通用矩阵。它还使用希尔伯特 - 施密特独立准则(HSIC)减少了矩阵之间的冗余(即,增强个性),并通过强制共享矩阵在所有视图中平滑来收集共享信息。然后,它使用单个矩阵的矩阵因子以及共享矩阵,生成高质量的多样化聚类。我们进一步扩展了多视图数据的多聚类,并提出了一种称为多视图多聚共聚(MVMCC)的解决方案。我们的实证研究表明,MVMC(MVMCC)canexploit多视图数据可以生成多个高质量和多样化的聚类(共聚类),具有优于最先进方法的性能。
translated by 谷歌翻译
计算颜色恒定性是指场景照明的估计并且使得感知的颜色在变化照明下相对稳定。在过去几年中,深度卷积神经网络(CNN)在光源估计方面提供了卓越的性能。通过使用CNN学习图像块的局部外观,几种表示方法将其表示为多标签预测问题。然而,这些方法不可避免地对受其邻域背景影响的模糊斑块进行不正确的估计。当结合到全局预测中时,不准确的局部估计可能会导致性能下降。针对上述问题,我们提出了一种基于补丁的光源估计的上下文深度网络,该网络具有细化性。首先,具有中心环绕架构的上下文网络从图像补丁中提取局部上下文特征,并生成初始光源估计和相应的颜色校正补丁。基于观察到具有大的色差的像素良好地描述照明,对斑块进行采样。然后,细节网将输入的补丁与校正的补丁集成,并与中间特征的使用相结合,以提高性能。为了训练这样一个具有众多参数的网络,我们提出了一种阶段性的训练策略,其中特征和预测的光源是相当的。提供给下一个学习阶段的阶段,恢复更精细的评估。实验表明,我们的方法在两个光源估算基准上获得了竞争性能。
translated by 谷歌翻译
基于数据自表达的子空间聚类方法已经变得非常流行,以便从位于低维线性子空间的并集中的数据中学习。然而,子空间聚类的适用性受到限制,因为原始形式的实际视觉数据不一定位于这样的线性子空间中。另一方面,虽然卷积神经网络(ConvNet)已经被证明是从视觉数据中提取判别特征的有力工具,但是训练这样的ConvNet通常需要大量的标记数据,这在子空间聚类应用中是不可用的。为了实现同时特征学习和子空间聚类,我们提出了一种端到端的可训练框架,称为自监督卷积子空间聚类网络(S $ ^ 2 $ ConvSCN),它结合了ConvNet模块(用于特征学习),一个自我表达模块(用于子空间聚类)和光谱聚类模块(用于自我监督)进入联合优化框架。特别是,我们引入了一种双重自我监督,利用光谱聚类的输出来监督特征学习模块的训练(通过分类丢失)和自我表达模块(通过光谱聚类损失)。我们对四个基准数据集的实验表明了双重自我监督的有效性,并证明了我们提出的方法的优越性能。
translated by 谷歌翻译
最近多样化的移动应用程序的涌现,尤其是人工智能(AI)所支持的,正在引发关于无线通信未来发展的激烈讨论。虽然5G正在全球范围内部署,但工业界和学术界的努力已开始超越5G并将6G概念化。我们设想6G将进行前所未有的转换,这将使其与之前的无线蜂窝系统产生显着不同。特别是,6G将超越移动互联网,并将需要支持从核心到网络终端设备的无处不在的AI服务。同时,AI将在设计和优化6G架构,协议和操作方面发挥关键作用。在本文中,我们讨论了6G的潜在技术,以实现移动AI应用,以及支持AI的6G网络设计和优化方法。还将讨论向6G演变的主要趋势。
translated by 谷歌翻译
本文提出了一个名为LocalDeep-Feature Alignment(LDFA)的无监督深度学习框架,用于降维。我们为每个数据样本构建了邻居,并从邻域学习了一个局部Stacked ContractiveAuto-encoder(SCAE)来提取局部深度特征。接下来,我们利用仿射变换将每个邻域的局部深度特征与全局特征对齐。此外,我们从LDFA中推导出一种方法,将新数据样本明确映射到学习到的低维空间子空间。 LDFA方法的优点是它可以学习数据样本集的局部和全局特征:本地SCAE捕获数据集中包含的局部特征,而全局对齐过程将邻域之间的相互依赖性编码为最终的低维特征表示。数据可视化,聚类和分类的实验结果表明,LDFA方法与几种众所周知的降维技术具有竞争性,深度学习中的开发局部性是一个值得探讨的研究课题。
translated by 谷歌翻译
在本文中,我们将嵌套极性代码构造建模为马尔可夫决策过程(MDP),并使用先进的强化学习(RL)技术解决它。首先,在极性编码的背景下定义具有状态,动作和奖励的MDP环境。具体来说,状态表示$(N,K)$极性代码的构造,动作指定其减少为$(N,K-1)$子代码,并且奖励是解码性能。提出了一种由策略和价值网络组成的神经网络体系结构,以基于观察到的状态生成动作,旨在最大化整体提升。定义损失函数以在开发和开发之间进行权衡。为了进一步提高学习效率和质量,提出了“综合学习”范式。它首先使用遗传算法为每个$(N,K)$生成(子)最优极性码的群体,然后将它们作为先验知识用于改进RL中的策略。这样的范例用于加速训练过程,并且收敛于更好的性能。模拟结果表明,所提出的基于学习的极性构造比连续取消列表(SCL)解码器的现有技术具有可比性或甚至更好的性能。最后但并非最不重要的是,如果没有利用极地编码理论中的任何专业知识来学习算法,就可以实现这一目标。
translated by 谷歌翻译
交通预测对于城市交通管理和引导至关重要。然而,现有方法很少利用交通速度观测的时频特性,往往忽略了从上游到下游路段的交通流的传播。在本文中,我们提出了一种混合方法,它可以了解交通流量的时空依赖性,并预测道路网络上的短期交通速度。具体来说,我们采用小波变换将原始流量数据分解为具有不同频率子带的几个分量。基于Motif的图形卷积递归神经网络(Motif-GCRNN)和自回归移动平均(ARMA)分别用于训练和预测低频分量和高频分量。在Motif-GCRNN框架中,我们将图形卷积网络(GCN)与局部子图结构(Motifs)集成,以捕获路段之间的空间相关性,并应用长短期记忆(LSTM)来提取短期和周期模式在中国成都收集的交通数据集上的实验证明,所提出的混合方法优于六种最先进的预测方法。
translated by 谷歌翻译
由于深度卷积神经网络(CNN)的巨大改进,近年来人脸识别取得了显着进展。然而,deepCNN很容易受到对抗性的例子的影响,这些例子可能会在具有安全敏感性目的的真实世界人脸识别应用程序中造成致命的后果。对抗性攻击被广泛研究,因为它们可以在部署之前识别模型的脆弱性。在本文中,我们评估了基于决策的黑盒攻击设置中最先进的人脸识别模型的稳健性,其中攻击者无法访问模型参数和梯度,但只能通过发送查询来获取硬标签预测到目标模型。这种攻击设置在现实世界的人脸识别系统中更为实用。为了提高上述方法的效率,我们提出了一种进化攻击算法,该算法可以对搜索方向的局部几何进行建模,并减小这些空间的维数。大量实验证明了所提出的方法的有效性,该方法通过较少的查询引起对输入面部图像的最小扰动。我们还应用所提出的方法成功地攻击真实世界的人脸识别系统。
translated by 谷歌翻译