论文题目

深度学习对设计模式组织自动化的影响:Implications of deep learning for the automation of design patterns organization

论文简介

虽然像其它领域,如电子邮件过滤,网页分类,情感分析,和作者识别,研究人员已经使用文本分类方法自动化组织和选择设计模式。然而,有必要在设计模式(即文档)与用于组织设计模式的特征之间的语义关系之间架起桥梁。在本研究中,我们提出了一种利用强大的深度学习算法深度信念网络 (DBN),以特征向量的形式去学习文档的语义表示方法。我们在一个基于文本分类的自动化系统中进行了一个案例研究,该系统用于软件设计模式的分类和选择。在案例研究中,我们重点研究了两个主要的研究目标:1)验证了除了所提出的方法之外,通过基于全局滤波器的特征选择方法构建的特征集的效果,2)利用该方法评估分类器分类决策(即模式组织)的改进效果。DBN参数的调整,例如一些隐藏层、节点和迭代,可以帮助开发人员构建更具说明性的特征集。实验结果表明,该方法对于构造更具代表性的特征集,提高分类器在设计模式组织方面的性能具有重要意义。

关键字

设计模式,深度学习,特征集,性能,分类器

论文作者

Shahid Hussain , Jacky Keung , Arif Ali Khan ,香港大学计算机科学系 Awais Ahmad ,大韩民国京山延南大学信息与通信工程系 Salvatore Cuomo,Francesco Piccialli, 意大利那不勒斯大学 Gwanggil Jeon , 韩国仁川国立大学嵌入式系统工程系 Adnan Akhunzada,巴基斯坦伊斯兰堡通信卫星信息技术研究所

论文翻译链接:https://pan.baidu.com/s/1P6mUE4nkt6ZNUSPFBLQBKw 提取码:0vnr

成为VIP会员查看完整内容
0
5

相关内容

设计模式(Design Pattern)是一套被反复使用、多数人知晓的、经过分类的、代码设计经验的总结。

Deep learning models on graphs have achieved remarkable performance in various graph analysis tasks, e.g., node classification, link prediction and graph clustering. However, they expose uncertainty and unreliability against the well-designed inputs, i.e., adversarial examples. Accordingly, various studies have emerged for both attack and defense addressed in different graph analysis tasks, leading to the arms race in graph adversarial learning. For instance, the attacker has poisoning and evasion attack, and the defense group correspondingly has preprocessing- and adversarial- based methods. Despite the booming works, there still lacks a unified problem definition and a comprehensive review. To bridge this gap, we investigate and summarize the existing works on graph adversarial learning tasks systemically. Specifically, we survey and unify the existing works w.r.t. attack and defense in graph analysis tasks, and give proper definitions and taxonomies at the same time. Besides, we emphasize the importance of related evaluation metrics, and investigate and summarize them comprehensively. Hopefully, our works can serve as a reference for the relevant researchers, thus providing assistance for their studies. More details of our works are available at https://github.com/gitgiter/Graph-Adversarial-Learning.

0
32
下载
预览

题目: Natural Language Processing Advancements By Deep Learning: A Survey

摘要: 自然语言处理(NLP)帮助智能机器更好地理解人类语言,实现基于语言的人机交流。算力的最新发展和语言大数据的出现,增加了使用数据驱动方法自动进行语义分析的需求。由于深度学习方法在计算机视觉、自动语音识别,特别是NLP等领域的应用取得了显著的进步,数据驱动策略的应用已经非常普遍。本综述对得益于深度学习的NLP的不同方面和应用进行了分类和讨论。它涵盖了核心的NLP任务和应用,并描述了深度学习方法和模型如何推进这些领域。我们并进一步分析和比较不同的方法和最先进的模型。

成为VIP会员查看完整内容
0
50

题目: Deep Learning for Biomedical Image Reconstruction: A Survey

摘要:

医学影像是一种宝贵的医学资源,因为它可以窥探人体内部,为科学家和医生提供丰富的信息,这些信息对于理解、建模、诊断和治疗疾病是必不可少的。重建算法需要将采集硬件收集的信号转换成可解释的图像。考虑到问题的病态性和实际应用中缺乏精确的解析反变换,重构是一项具有挑战性的任务。而最后几十年目睹了令人印象深刻的进步的新形式,提高时间和空间分辨率,降低成本和更广泛的适用性,几个改进仍然可以设想,如减少采集和重建时间以减少病人的辐射和不适,同时增加诊所吞吐量和重建精度。此外,在小功率手持设备中部署生物医学成像需要在准确性和延迟之间取得良好的平衡。

成为VIP会员查看完整内容
0
19

题目: Graph Summarization Methods and Applications: A Survey

摘要:

虽然计算资源的进步使处理大量数据成为可能,但人类识别这些数据模式的能力并没有相应提高。因此,压缩和简化数据的高效计算方法对于提取可操作的见解变得至关重要。特别是,虽然对数据摘要技术进行了广泛的研究,但直到最近才开始流行对相互关联的数据或图进行汇总。这项调查是一个结构化的,全面的概述了最先进的方法,以总结图形数据。我们首先讨论了图形摘要背后的动机和挑战。然后,我们根据作为输入的图形类型对摘要方法进行分类,并根据核心方法进一步组织每个类别。最后,我们讨论了总结在真实世界图上的应用,并通过描述该领域的一些开放问题进行了总结。

作者简介:

Yike Liu是密西根大学物理系五年级的博士生,也是计算机科学与工程系的一名硕士研究生。我是叶杰平教授的顾问。主要研究方向是深度学习和强化学习,尤其是在交通数据上的应用。在此之前,从事过基于图形的机器学习和数据挖掘,特别是图形总结和图形聚类,在这些工作中,开发了图形挖掘算法,帮助更好地理解底层的图形组织并理解它。

Tara Safavi是密西根大学博士研究生,研究重点是知识表示及其在以人为中心的任务中的使用、评估和解释,还对更广泛的AI+社会问题感兴趣,比如隐私、偏见和环境可持续性。研究目前得到了美国国家科学基金会(NSF)研究生奖学金和谷歌女性科技创造者奖学金的支持。

成为VIP会员查看完整内容
0
26

题目: Machine learning and the physical sciences

摘要:

机器学习(ML)包含广泛的算法和建模工具,用于大量的数据处理任务,这些任务近年来已经进入大多数科学学科。本文有选择地回顾了机器学习与物理科学接口的最新研究进展。这包括由物理洞察力驱动的ML的概念发展,机器学习技术在物理中的几个领域的应用以及这两个领域之间的交叉。在介绍了机器学习方法和原理的基本概念之后,举例说明了如何用统计物理来理解ML中的方法,然后介绍了ML方法在粒子物理和宇宙学、量子多体物理、量子计算、化学和材料物理中的应用。此外,还强调了针对加速ML的新型计算体系结构的研究和开发。每个部分都描述了最近的成功以及特定领域的方法和挑战。

作者简介:

Giuseppe Carleo于2018年加入了位于美国计算量子物理中心的Flatiron研究所。2007年,他在罗马大学获得物理学学士学位;2011年,他在意大利国际高等研究学院获得凝聚态理论博士学位。他在法国光学研究所和瑞士苏黎世联邦理工学院获得博士后。他也是苏黎世联邦理工学院计算量子物理学的讲师。Carleo的主要研究方向是发展先进的数值算法来研究强相互作用量子系统的挑战性问题。他的研究应用范围包括凝聚态物质、超冷原子和量子计算。他对量子蒙特卡罗方法的发展做出了贡献,包括平衡和动态特性,包括时变蒙特卡罗和神经网络量子态。在CCQ,他正在开发和推广基于人工智能的新技术来解决量子问题。他是开源项目NetKet的创始人和开发负责人。

成为VIP会员查看完整内容
0
21

主题: Graph-based Methods in Pattern Recognition and Document Image Analysis

简介: 模式识别和文档图像分析中的许多任务被公式化为图形匹配问题。尽管问题具有NP难性,但快速准确的收敛已在模式识别的广泛应用中取得了重大进展。因此,学习基于图的表示形式和相关技术是真正兴趣。在本教程中,我们将介绍用于获得不同应用程序的图形表示的许多方法。之后,我们将解释用于在图域中识别,分类,检测和许多其他任务的基于图的不同算法,方法和技术。我们将介绍最近的趋势,包括图卷积网络和图中的消息传递,重点介绍在各种模式识别问题中的应用,例如化学分子分类和网络图形表示中的检测。此外,除了这些算法在文档图像分析和识别(尤其是模式识别)领域的不同应用之外,还将提供相关经验。

嘉宾介绍: DUTTA Anjan是位于巴塞罗那计算机视觉中心的P-SPHERE项目下的Marie-Curie博士后。他于2014年获得巴塞罗那自治大学(UAB)的计算机科学博士学位。他是IJCV,IEEE TCYB,IEEE TNNLS,PR,PRL等期刊的定期审稿人,并经常担任BMVC,ICPR,ACPR和ICFHR等各种科学会议的程序委员会委员。他最近的研究兴趣围绕视觉对象的基于图形的表示和解决计算机视觉,模式识别和机器学习中各种任务的基于图形的算法。

Luqman Muhammad Muzzamil博士是文档图像分析,模式识别和计算机视觉的研究科学家。自2015年11月以来,卢克曼目前在拉罗谢尔大学(法国)的L3i实验室担任研究工程师。Luqman曾在波尔多生物信息学中心(波尔多生物信息中心)担任研究工程师,并在拉罗谢尔大学(法国)的L3i实验室担任Jean-Marc Ogier教授的博士后研究员。 Luqman拥有FrançoisRabelais的图尔大学(法国)和巴塞罗那的Autonoma大学(西班牙)的计算机科学博士学位。他的博士学位论文由Jean-Yves Ramel教授和Josep Llados教授共同指导。他的研究兴趣包括结构模式识别,文档图像分析,基于相机的文档分析和识别,图形识别,机器学习,计算机视觉,增强现实和仿生学。

成为VIP会员查看完整内容
0
23

Standard deep learning systems require thousands or millions of examples to learn a concept, and cannot integrate new concepts easily. By contrast, humans have an incredible ability to do one-shot or few-shot learning. For instance, from just hearing a word used in a sentence, humans can infer a great deal about it, by leveraging what the syntax and semantics of the surrounding words tells us. Here, we draw inspiration from this to highlight a simple technique by which deep recurrent networks can similarly exploit their prior knowledge to learn a useful representation for a new word from little data. This could make natural language processing systems much more flexible, by allowing them to learn continually from the new words they encounter.

0
5
下载
预览
小贴士
相关VIP内容
相关资讯
【论文笔记】Graph U-Nets
专知
54+阅读 · 2019年11月25日
【论文笔记】自注意力图池化
专知
43+阅读 · 2019年11月18日
笔记 | Deep active learning for named entity recognition
黑龙江大学自然语言处理实验室
19+阅读 · 2018年5月27日
大牛的《深度学习》笔记,Deep Learning速成教程
极市平台
16+阅读 · 2018年4月10日
收藏 | 就喜欢看综述论文:情感分析中的深度学习
黑龙江大学自然语言处理实验室
3+阅读 · 2018年2月1日
就喜欢看综述论文:情感分析中的深度学习
机器之心
8+阅读 · 2018年1月26日
通俗理解粒子群优化算法
机器学习研究会
8+阅读 · 2017年12月1日
相关论文
A Survey on Bayesian Deep Learning
Hao Wang,Dit-Yan Yeung
38+阅读 · 2020年7月2日
A Survey on Trajectory Data Management, Analytics, and Learning
Sheng Wang,Zhifeng Bao,J. Shane Culpepper,Gao Cong
11+阅读 · 2020年3月25日
Liang Chen,Jintang Li,Jiaying Peng,Tao Xie,Zengxu Cao,Kun Xu,Xiangnan He,Zibin Zheng
32+阅读 · 2020年3月10日
Zilong Zhong,Jonathan Li,David A. Clausi,Alexander Wong
3+阅读 · 2019年5月12日
Large-Scale Study of Curiosity-Driven Learning
Yuri Burda,Harri Edwards,Deepak Pathak,Amos Storkey,Trevor Darrell,Alexei A. Efros
6+阅读 · 2018年8月13日
Bipedal Walking Robot using Deep Deterministic Policy Gradient
Arun Kumar,Navneet Paul,S N Omkar
3+阅读 · 2018年7月16日
Yu-An Chung,Hung-Yi Lee,James Glass
4+阅读 · 2018年4月21日
Wonsik Kim,Bhavya Goyal,Kunal Chawla,Jungmin Lee,Keunjoo Kwon
15+阅读 · 2018年4月2日
Vincent Dumoulin,Francesco Visin
6+阅读 · 2018年1月11日
Andrew K. Lampinen,James L. McClelland
5+阅读 · 2017年10月27日
Top