背景知识攻击通过利用先验知识推断用户行为模式,严重威胁轨迹隐私安全。现有轨迹重构方法存在两大局限:一是传统方法未能有效处理语义位置信息泄露问题,且缺乏对含噪数据下深度学习模型的优化,导致轨迹重构精度与语义提取能力不足;二...背景知识攻击通过利用先验知识推断用户行为模式,严重威胁轨迹隐私安全。现有轨迹重构方法存在两大局限:一是传统方法未能有效处理语义位置信息泄露问题,且缺乏对含噪数据下深度学习模型的优化,导致轨迹重构精度与语义提取能力不足;二是现有方法泛化能力弱,难以在异构数据集中实现高效重构,制约隐私保护全面性。为此,本研究提出基于语义信息编码的虚假轨迹重构方法(a deep learning-based semantic encoding method for synthetic trajectory reconstruction,DL-SESTR)。该方法结合双向长短时记忆网络(bidirectional long short-term memory,Bi-LSTM)与注意力机制,捕捉轨迹时空依赖关系并动态筛选关键点以增强抗噪能力;提出兴趣点语义标注算法(point-of-interest semantic annotation algorithm,PSA),通过高效匹配多源兴趣点(point-of-interest,POI)数据提升标注效率;提出基于哈斯图的层次化语义编码算法(Hasse diagram based semantic information encoding algorithm,HDSE),构建语义敏感度权重模型,区分高优先级语义信息与噪声。实验基于T-Drive和GeoLife数据集,验证了模型在密集/稀疏区域、不同隐私预算及昼夜场景下的性能。结果表明:DL-SESTR在隐私保护与数据效用平衡方面显著优于基线方法,Hausdorff距离降低0.3%,动态时间规整(dynamic time warping,DTW)效率提升1.2倍,轨迹平滑度(root mean square,RMS)提高1.18倍;低隐私预算(ε=0.01)下仍保持95%的Euclidean距离缩减率,展现了鲁棒性与泛化能力。展开更多
堆叠覆盖环境下的机械臂避障抓取是一个重要且有挑战性的任务。针对机械臂在堆叠环境下的避障抓取任务,本文提出了一种基于图像编码器和深度强化学习(deep reinforcement learning,DRL)的机械臂避障抓取方法Ec-DSAC(encoder and crop fo...堆叠覆盖环境下的机械臂避障抓取是一个重要且有挑战性的任务。针对机械臂在堆叠环境下的避障抓取任务,本文提出了一种基于图像编码器和深度强化学习(deep reinforcement learning,DRL)的机械臂避障抓取方法Ec-DSAC(encoder and crop for discrete SAC)。首先设计结合YOLO(you only look once)v5和对比学习网络编码的图像编码器,能够编码关键特征和全局特征,实现像素信息至向量信息的降维。其次结合图像编码器和离散软演员-评价家(soft actor-critic,SAC)算法,设计离散动作空间和密集奖励函数约束并引导策略输出的学习方向,同时使用随机图像裁剪增加强化学习的样本效率。最后,提出了一种应用于深度强化学习预训练的二次行为克隆方法,增强了强化学习网络的学习能力并提高了控制策略的成功率。仿真实验中Ec-DSAC的避障抓取成功率稳定高于80.0%,验证其具有比现有方法更好的避障抓取性能。现实实验中避障抓取成功率为73.3%,验证其在现实堆叠覆盖环境下避障抓取的有效性。展开更多
部分有序数据是同时包含有序特征与无序特征的一类数据,其广泛存在于现实生活中。传统的有序分类方法或者将所有特征都视为有序特征,或者对有序与无序特征分别进行处理,忽略了二者之间的关系,这些方法难以有效解决部分有序数据上的分类...部分有序数据是同时包含有序特征与无序特征的一类数据,其广泛存在于现实生活中。传统的有序分类方法或者将所有特征都视为有序特征,或者对有序与无序特征分别进行处理,忽略了二者之间的关系,这些方法难以有效解决部分有序数据上的分类问题。针对该问题,提出一种基于特征融合的部分有序深度森林模型,称为FFDF(feature fusion-based deep forest)。利用典型相关分析的思想,设计特征融合的贡献度计算方法,将有序特征和无序特征融合到同一特征空间,统一度量二者之间的关系。对融合的特征空间进行数据粒化,降低模型处理连续变量时的复杂性。设计融合空间下的特征矩阵输入级联森林,构建部分有序的深度森林模型。在来自UCI和WEKA的13个公共数据集上与部分单调决策树、有序分类模型、深度森林模型等六种方法进行比较实验,结果表明所提方法在准确性和平均绝对误差方面均优于对比方法;与集成模型深度森林gcForest和DF21进行了时间性能上的对比实验,结果表明所提方法在时间性能上优于对比方法。展开更多
文摘背景知识攻击通过利用先验知识推断用户行为模式,严重威胁轨迹隐私安全。现有轨迹重构方法存在两大局限:一是传统方法未能有效处理语义位置信息泄露问题,且缺乏对含噪数据下深度学习模型的优化,导致轨迹重构精度与语义提取能力不足;二是现有方法泛化能力弱,难以在异构数据集中实现高效重构,制约隐私保护全面性。为此,本研究提出基于语义信息编码的虚假轨迹重构方法(a deep learning-based semantic encoding method for synthetic trajectory reconstruction,DL-SESTR)。该方法结合双向长短时记忆网络(bidirectional long short-term memory,Bi-LSTM)与注意力机制,捕捉轨迹时空依赖关系并动态筛选关键点以增强抗噪能力;提出兴趣点语义标注算法(point-of-interest semantic annotation algorithm,PSA),通过高效匹配多源兴趣点(point-of-interest,POI)数据提升标注效率;提出基于哈斯图的层次化语义编码算法(Hasse diagram based semantic information encoding algorithm,HDSE),构建语义敏感度权重模型,区分高优先级语义信息与噪声。实验基于T-Drive和GeoLife数据集,验证了模型在密集/稀疏区域、不同隐私预算及昼夜场景下的性能。结果表明:DL-SESTR在隐私保护与数据效用平衡方面显著优于基线方法,Hausdorff距离降低0.3%,动态时间规整(dynamic time warping,DTW)效率提升1.2倍,轨迹平滑度(root mean square,RMS)提高1.18倍;低隐私预算(ε=0.01)下仍保持95%的Euclidean距离缩减率,展现了鲁棒性与泛化能力。
文摘堆叠覆盖环境下的机械臂避障抓取是一个重要且有挑战性的任务。针对机械臂在堆叠环境下的避障抓取任务,本文提出了一种基于图像编码器和深度强化学习(deep reinforcement learning,DRL)的机械臂避障抓取方法Ec-DSAC(encoder and crop for discrete SAC)。首先设计结合YOLO(you only look once)v5和对比学习网络编码的图像编码器,能够编码关键特征和全局特征,实现像素信息至向量信息的降维。其次结合图像编码器和离散软演员-评价家(soft actor-critic,SAC)算法,设计离散动作空间和密集奖励函数约束并引导策略输出的学习方向,同时使用随机图像裁剪增加强化学习的样本效率。最后,提出了一种应用于深度强化学习预训练的二次行为克隆方法,增强了强化学习网络的学习能力并提高了控制策略的成功率。仿真实验中Ec-DSAC的避障抓取成功率稳定高于80.0%,验证其具有比现有方法更好的避障抓取性能。现实实验中避障抓取成功率为73.3%,验证其在现实堆叠覆盖环境下避障抓取的有效性。
文摘部分有序数据是同时包含有序特征与无序特征的一类数据,其广泛存在于现实生活中。传统的有序分类方法或者将所有特征都视为有序特征,或者对有序与无序特征分别进行处理,忽略了二者之间的关系,这些方法难以有效解决部分有序数据上的分类问题。针对该问题,提出一种基于特征融合的部分有序深度森林模型,称为FFDF(feature fusion-based deep forest)。利用典型相关分析的思想,设计特征融合的贡献度计算方法,将有序特征和无序特征融合到同一特征空间,统一度量二者之间的关系。对融合的特征空间进行数据粒化,降低模型处理连续变量时的复杂性。设计融合空间下的特征矩阵输入级联森林,构建部分有序的深度森林模型。在来自UCI和WEKA的13个公共数据集上与部分单调决策树、有序分类模型、深度森林模型等六种方法进行比较实验,结果表明所提方法在准确性和平均绝对误差方面均优于对比方法;与集成模型深度森林gcForest和DF21进行了时间性能上的对比实验,结果表明所提方法在时间性能上优于对比方法。
