亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

多元時間序列的因果關系分析是數據挖掘領域的研究熱點. 時間序列數據包含著與時間動態有關的、未知的、有價值的信息, 因此若能挖掘出這些知識進而對時間序列未來趨勢進行預測或干預, 具有重要的現實意義. 為此, 本文綜述了多元時間序列因果關系分析的研究進展、應用與展望. 首先, 本文歸納了主要的因果分析方法, 包括Granger因果關系分析、基于信息理論的因果分析和基于狀態空間的因果分析; 然后, 總結了不同方法的優缺點、適用范圍和發展方向, 并概述了其在不同領域的典型應用; 最后, 討論了多元時間序列因果分析方法待解決的問題和未來研究趨勢.

時間序列是指現實世界中的某個觀測變量, 按照其發生的時間先后順序排列的一組數字序列. 時間序列可以分為一元時間序列和多元時間序列, 多元時間序列是指多個一元時間序列的組合, 可以認為是一次采樣中可以獲得不同來源的多個觀測變量. 多元時間序列廣泛存在于自然[1]、醫學[2]、社會[3]、工業[4]等各個領域的復雜系統中, 多個變量之間具有復雜的關聯關系, 相互影響作用不明確. 隨著數據采集和存儲技術的發展, 時間序列數據的維度和規模不斷增加, 為建立準確的預測模型增加了難度. 同時, 隨著數據維度的增加, 出現了大量冗余和無關變量, 容易掩蓋重要變量的作用, 對模型的建立產生負面的影響[5]. 時間序列數據挖掘[6-7]是當前研究的熱門問題, 研究如何有效地從多元時間序列中挖掘潛在的有用信息、構建預測模型, 能夠為自然、醫學、社會、工業等領域的控制、決策與調控提供理論指導, 具有十分重要的現實意義[8]. 因此, 本文主要研究多元時間序列的分析手段, 解釋未知系統的動力學特性與運行規律, 從而為建立更加精確的系統模型奠定基礎.

在多變量系統中, 通過分析可觀測變量之間的相關關系, 可以找出對建模貢獻度大的相關變量, 從而推斷出系統的運行機理. 目前, 多元時間序列相關性分析主要集中于統計學手段, 例如Pearson相關系數、秩相關系數、典型相關分析[9]、互信息[10]、最大信息系數[11]、灰色關聯分析[12]、Copula分析[13]等. 這些方法能夠有效處理線性或非線性相關關系, 其分析結果具有對稱性. 然而, 多個變量之間不僅存在直接相互作用, 還存在以中間變量為橋梁的間接相互作用, 并且影響關系通常具有非對稱性. 傳統的相關性分析方法難以處理間接關系、非對稱影響關系, 在實際應用中受到很大限制.

隨著系統復雜度的增加, 相關性分析難以滿足建模需求, 因果關系分析方法得到廣泛關注[14]. 因果關系是一個系統(因)與另一個系統(果)之間的作用關系, 其中第1個系統是第2個系統的原因, 第２個系統依賴于第1個系統. 1969年, Granger[15]首次提出了一種評價二變量時間序列之間是否存在相互作用的因果關系分析方法, 即Granger因果關系分析方法. 該方法基于系統的可預測性, 基本思想是: 對于兩個時間序列, 如果一個時間序列未來時刻的預測誤差, 能夠通過引入另一個時間序列的歷史信息而減小, 則稱第2個時間序列對第1個時間序列具有因果影響. 由于傳統的Granger因果分析建立在線性模型的基礎上, 僅對二元時間序列進行分析, 在提出之后出現了大量改進模型[16]. Granger因果分析方法具有很強的可解釋性, 但是此類方法只能給出定性分析結果, 并且對于高維時間序列容易產生虛假因果現象. 基于信息測度的因果分析是一類非參數方法, 包括轉移熵、條件熵、條件互信息等, 這類方法通過建立評價函數, 能夠定量分析因果關系的強弱[17]. 此外, 基于狀態空間的因果模型[18]、貝葉斯網絡等模型[19-20], 同樣用于分析各種類型的因果關系. 因此, 針對多變量系統的建模要求, 合理利用因果分析方法的優勢, 研究系統各個變量之間的驅動響應關系, 進而推斷系統內部結構和運行機理, 是當前研究的熱點問題[21].

綜上所述, 相比于常規的相關性分析方法, 因果分析方法能夠分析出具有方向性的直接因果關系, 更加適用于多變量系統的分析與建模. 本文針對多元時間序列因果關系分析的幾類典型方法進行綜述, 包括Granger因果關系分析、基于信息理論的因果分析和基于狀態空間的因果分析, 并結合當前流行的機器學習方法、不同領域時間序列建模的需求等, 討論因果分析方法的實際應用和未來發展趨勢.

//www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180189

摘要： Web 2.0時代,消費者在在線購物、學習和娛樂時越來越多地依賴在線評論信息,而虛假的評論會誤導消費者的決策,影響商家的真實信用,因此有效識別虛假評論具有重要意義。文中首先對虛假評論的范圍進行了界定,并從虛假評論識別、形成動機、對消費者的影響以及治理策略4個方面歸納了虛假評論的研究內容,給出了虛假評論研究框架和一般識別方法的工作流程。然后從評論文本內容和評論者及其群組行為兩個角度,對近十年來國內外的相關研究成果進行了綜述,介紹了虛假評論效果評估的相關數據集和評價指標,統計分析了在公開數據集上實現的虛假評論有效識別方法,并從特征選取、模型方法、訓練數據集、評價指標值等方面進行了對比分析。最后對虛假評論識別領域的有標注語料規模限制等未來研究方向進行了探討。

時間序列是在一段時間內觀察到的一系列觀測值xt。通常情況下，觀測可以在整個時間間隔內進行，可以在一個時間間隔內或在固定的時間點上隨機采樣。不同類型的時間采樣需要不同的數據分析方法。在本課程中，我們將重點討論在固定的等距時間點觀測的情況，因此我們將假設我們觀測到{xt: t∈Z} (Z ={…， 0, 1, 2，…})。讓我們從一個簡單的例子開始，獨立的、不相關的隨機變量(時間序列的最簡單的例子)。圖1.1給出了一個曲線圖。我們觀察到數據中沒有任何清晰的模式。我們對下一次觀測的最佳預測(預測器)是零(這似乎是平均值)。時間序列與經典統計學的區別在于觀察結果之間存在相關性。這使我們能夠更好地預測未來的觀測結果。

//www.stat.tamu.edu/~suhasini/

摘要： 深度學習作為人工智能技術的重要組成部分，被廣泛應用在計算機視覺、自然語言處理等領域。盡管深 度學習在圖像分類和目標檢測等方向上取得了較好性能，但研究表明，對抗攻擊的存在對深度學習模型的安全應 用造成了潛在威脅，進而影響模型的安全性。本文在簡述對抗樣本的概念及其產生原因的基礎上，分析對抗攻擊 的主要思路，研究具有代表性的經典對抗樣本生成方法。描述對抗樣本的檢測方法與防御方法，并從應用角度闡 述對抗樣本在不同領域的應用實例。通過對對抗樣本攻擊與防御方法的分析與總結，預測未來對抗攻擊與防御的 研究方向。

//www.ecice06.com/CN/10.19678/j.issn.1000-3428.0059156

我們生活在一個由大量不同模態內容構建而成的多媒體世界中，不同模態信息之間具有高度的相關性和互補性，多模態表征學習的主要目的就是挖掘出不同模態之間的共性和特性，產生出可以表示多模態信息的隱含向量.該文章主要介紹了目前應用較廣的視覺語言表征的相應研究工作，包括傳統的基于相似性模型的研究方法和目前主流的基于語言模型的預訓練的方法.目前比較好的思路和解決方案是將視覺特征語義化然后與文本特征通過一個強大的特征抽取器產生出表征，其中Transformer[1]作為主要的特征抽取器被應用表征學習的各類任務中.文章分別從研究背景、不同研究方法的劃分、測評方法、未來發展趨勢等幾個不同角度進行闡述.

//www.jos.org.cn/jos/ch/reader/view_abstract.aspx?file_no=6125&flag=1

近年來，隨著web2.0的普及，使用圖挖掘技術進行異常檢測受到人們越來越多的關注.圖異常檢測在欺詐檢測、入侵檢測、虛假投票、僵尸粉絲分析等領域發揮著重要作用.本文在廣泛調研國內外大量文獻以及最新科研成果的基礎上，按照數據表示形式將面向圖的異常檢測劃分成靜態圖上的異常檢測與動態圖上的異常檢測兩大類，進一步按照異常類型將靜態圖上的異常分為孤立個體異常和群組異常檢測兩種類別，動態圖上的異常分為孤立個體異常、群體異常以及事件異常三種類型.對每一類異常檢測方法當前的研究進展加以介紹，對每種異常檢測算法的基本思想、優缺點進行分析、對比，總結面向圖的異常檢測的關鍵技術、常用框架、應用領域、常用數據集以及性能評估方法，并對未來可能的發展趨勢進行展望.

//www.jos.org.cn/jos/ch/reader/view_abstract.aspx?file_no=6100&flag=1

摘要： 在自然語言處理領域，信息抽取一直以來受到人們的關注.信息抽取主要包括3項子任務：實體抽取、關系抽取和事件抽取,而關系抽取是信息抽取領域的核心任務和重要環節.實體關系抽取的主要目標是從自然語言文本中識別并判定實體對之間存在的特定關系，這為智能檢索、語義分析等提供了基礎支持，有助于提高搜索效率，促進知識庫的自動構建.綜合闡述了實體關系抽取的發展歷史，介紹了常用的中文和英文關系抽取工具和評價體系.主要從4個方面展開介紹了實體關系抽取方法，包括：早期的傳統關系抽取方法、基于傳統機器學習、基于深度學習和基于開放領域的關系抽取方法，總結了在不同歷史階段的主流研究方法以及相應的代表性成果，并對各種實體關系抽取技術進行對比分析.最后，對實體關系抽取的未來重點研究內容和發展趨勢進行了總結和展望.

//crad.ict.ac.cn/CN/10.7544/issn1000-1239.2020.20190358#1

摘要：近年來,基于深度學習的表面缺陷檢測技術廣泛應用在各種工業場景中.本文對近年來基于深度學習的表面缺陷檢測方法進行了梳理,根據數據標簽的不同將其分為全監督學習模型方法、無監督學習模型方法和其他方法三大類,并對各種典型方法進一步細分歸類和對比分析,總結了每種方法的優缺點和應用場景.本文探討了表面缺陷檢測中三個關鍵問題,介紹了工業表面缺陷常用數據集.最后,對表面缺陷檢測的未來發展趨勢進行了展望.