概念漂移是数据流挖掘中不可避免的难点问题,其典型特征是数据分布随时间可能发生改变.针对现有模型处理数据流分类任务时出现过拟合的问题,本文提出了一种目标解耦驱动的在线深度网络(Online Deep Network driven by Target Decoupling...概念漂移是数据流挖掘中不可避免的难点问题,其典型特征是数据分布随时间可能发生改变.针对现有模型处理数据流分类任务时出现过拟合的问题,本文提出了一种目标解耦驱动的在线深度网络(Online Deep Network driven by Target Decoupling,ODNTD).首先,该模型从历史数据流中学习一个任务未知型特征提取器,实现了对任务的无偏见表示学习,从而增强了模型的泛化能力;其次,模型利用任务特定的权重调整,使得任务未知的通用特征表示能够适应具体任务,通过这种目标任务的权重学习进一步提升了模型的适应性.实验结果表明,所提出的方法对含概念漂移的数据流有良好的泛化性能.展开更多
针对人体姿态估计中遮挡带来的缺乏图像低级特征指导和预测姿势与人体生理结构的不一致性问题,提出了一种新颖的生成式人体姿态估计方法(generative human pose estimation,GenPose)。该模型使用多尺度信息融合和条件生成模块解决了严...针对人体姿态估计中遮挡带来的缺乏图像低级特征指导和预测姿势与人体生理结构的不一致性问题,提出了一种新颖的生成式人体姿态估计方法(generative human pose estimation,GenPose)。该模型使用多尺度信息融合和条件生成模块解决了严重遮挡问题。多尺度模块从尺度和通道上细粒度融合图像特征,能捕捉到更多肢体细节,从而推理出遮挡关键点的特征信息。条件生成模块通过建模遮挡场景与姿态间的对应关系,根据标记编码器特征动态调整生成姿态,在保证可见点准确率的同时,在一定程度上减少了遮挡对非遮挡的干扰,提升了对遮挡姿态的生成效果。在公开的COCO和MPII数据集上,同以往方法相比,有了更好的结果,同时在CrowdPose、OCHuman以及SyncOCC数据集上验证了泛化能力。该模型在一定程度上能够解决严重遮挡下的姿态估计问题,提高了预测姿态的合理性,取得了更加优异的效果。展开更多
电网系统运行大安全管理数据规模较大,传统方法难以准确且快速地挖掘出异常数据。因此,文章提出了基于大语言模型(Large Language Model, LLM)的电网系统运行大安全管理异常数据挖掘。该方法在清洗并脱敏处理原始电网系统运行大安全管...电网系统运行大安全管理数据规模较大,传统方法难以准确且快速地挖掘出异常数据。因此,文章提出了基于大语言模型(Large Language Model, LLM)的电网系统运行大安全管理异常数据挖掘。该方法在清洗并脱敏处理原始电网系统运行大安全管理数据后,形成结构化的电网系统运行大安全管理数据集。通过构建LLM,该方法将结构化数据集输入模型,经训练后输出异常数据挖掘结果。实验分析表明,该方法数据挖掘结果的相对平方根误差仅为0.47%,交叉熵损失收敛值低至2.2146,显著优于传统聚类与小波方法,可为电网安全运行提供高效、可靠的异常监测支持。展开更多
文摘概念漂移是数据流挖掘中不可避免的难点问题,其典型特征是数据分布随时间可能发生改变.针对现有模型处理数据流分类任务时出现过拟合的问题,本文提出了一种目标解耦驱动的在线深度网络(Online Deep Network driven by Target Decoupling,ODNTD).首先,该模型从历史数据流中学习一个任务未知型特征提取器,实现了对任务的无偏见表示学习,从而增强了模型的泛化能力;其次,模型利用任务特定的权重调整,使得任务未知的通用特征表示能够适应具体任务,通过这种目标任务的权重学习进一步提升了模型的适应性.实验结果表明,所提出的方法对含概念漂移的数据流有良好的泛化性能.
文摘针对人体姿态估计中遮挡带来的缺乏图像低级特征指导和预测姿势与人体生理结构的不一致性问题,提出了一种新颖的生成式人体姿态估计方法(generative human pose estimation,GenPose)。该模型使用多尺度信息融合和条件生成模块解决了严重遮挡问题。多尺度模块从尺度和通道上细粒度融合图像特征,能捕捉到更多肢体细节,从而推理出遮挡关键点的特征信息。条件生成模块通过建模遮挡场景与姿态间的对应关系,根据标记编码器特征动态调整生成姿态,在保证可见点准确率的同时,在一定程度上减少了遮挡对非遮挡的干扰,提升了对遮挡姿态的生成效果。在公开的COCO和MPII数据集上,同以往方法相比,有了更好的结果,同时在CrowdPose、OCHuman以及SyncOCC数据集上验证了泛化能力。该模型在一定程度上能够解决严重遮挡下的姿态估计问题,提高了预测姿态的合理性,取得了更加优异的效果。
文摘电网系统运行大安全管理数据规模较大,传统方法难以准确且快速地挖掘出异常数据。因此,文章提出了基于大语言模型(Large Language Model, LLM)的电网系统运行大安全管理异常数据挖掘。该方法在清洗并脱敏处理原始电网系统运行大安全管理数据后,形成结构化的电网系统运行大安全管理数据集。通过构建LLM,该方法将结构化数据集输入模型,经训练后输出异常数据挖掘结果。实验分析表明,该方法数据挖掘结果的相对平方根误差仅为0.47%,交叉熵损失收敛值低至2.2146,显著优于传统聚类与小波方法,可为电网安全运行提供高效、可靠的异常监测支持。
