Performance Evaluation Indicator (PEI): A new paradigm to evaluate the competence of machine learning classifiers in predicting rockmass conditions

To illustrate an unprejudiced comparison among machine learning classifiers established on proprietary databases, and to guarantee the validity and robustness of these classifiers, a Performance Evaluation Indicator (PEI) and the corresponding failure criterion are proposed in this study. Three types of machine learning classifiers, including the strictly binary classifier, the normal multiclass classifier and the misclassification cost-sensitive classifier, are trained on four datasets recorded from a water drainage TBM project. The results indicate that: (1) the PEI successfully compares the competence of classifiers under different scenarios by isolating the effects of different overlapping-degree of rockmass classes, and (2) the cost-sensitive algorithm is warranted to classify rockmasses when the ratio of inter-class classes is more than 8:1. The contributions of this research are to fill the gap in performance evaluations of a classifier for imbalanced training data, and to identify the best situation to apply this classifier.     

Artificial intelligence for BIM content management and delivery: Case study of association rule mining for construction detailing

The proliferation of Building Information Modeling (BIM) applications, in tandem with the extensive variation of building products, pose new demands on design and engineering firms to efficiently manage and reuse BIM content (i.e., data-rich parametric model objects and assembly details). Tasks such as classifying BIM objects, indexing them with meta-data (e.g., category), and searching digital libraries to load objects into models still plague practice with inefficient manual workflows. This research aims to improve the productivity of BIM content management and retrieval by developing an AI-backed BIM content recommender system. Using data from a case-study firm, this research extracted content from over 30,000 technical BIM views (e.g., plans, sections, details) in historical projects to build an unsupervised machine-learning prototype with association rule mining. This prototype explicated the strength of relationships among co-occurring BIM objects. Using this prototype as the backbone AI-engine in live BIM sessions, this research developed a context-aware recommender system that dynamically provides BIM users with a set of objects associable with their modeling context (e.g., type of view, existing objects in the model) and human–computer interactions (e.g., objects selected by the user). By mining association data from hundreds of historical projects, this development marks a departure from the existing prototypes that rely on explicit coding, recurring user input, or subjective ratings to recommend BIM content to users. The simulation and experimental implementation of this recommender system yielded high efficacy in predicting content needs and achieved significant savings in the time spent on conventional BIM workflows.     

多跳机器阅读理解研究进展

与常规的单跳机器阅读理解相比,多跳机器阅读理解（MHMRC）需要在多个相关文档段落中进行多跳推理以实现对复杂问题的理解和回答,其更接近于人类的语言推理能力,具有广阔的应用前景但也极具挑战性。阐述MHMRC的研究背景,将现有方法根据适用场景分为封闭集合问答和开放域问答两类,主要包括基于问题分解的方法、基于图神经网络的方法、改进检索的方法、基于推理路径的方法等,分别从模型架构、特点、优劣等方面进行分析。介绍用于多跳推理的非结构化文本数据集和评测指标,对比各模型的性能表现。在此基础上,分析目前MHMRC研究的热点与难点,指出未来发展方向。     

基于层次隐马尔可夫模型和神经网络的个性化推荐算法

传统推荐系统将推荐准确性作为主要目标,而推荐结果的多样性和个性化有所欠缺。对此,设计一种基于层次隐马尔可夫模型和神经网络的推荐算法。采用层次隐马尔可夫模型建模用户喜好和上下文环境的关系,并通过隐马尔可夫模型预测上下文。设计神经网络结构来解决协同过滤推荐的问题,同时神经网络满足贝叶斯个性化排序的条件,实现对推荐列表的个性化排序。实验结果表明,该算法在保持推荐准确性的前提下,提高了推荐的多样性和个性化。     

可信机器学习的公平性综述

人工智能在与人类生活息息相关的场景中自主决策时,正逐渐面临法律或伦理的问题或风险.可信机器学习是建立安全人工智能系统的核心技术,是人工智能领域的热门研究方向,而公平性是可信机器学习的重要考量.公平性旨在研究机器学习算法决策对个人或群体不存在因其固有或后天属性所引起的偏见或偏爱.本文从公平表征、公平建模和公平决策三个角度出发,以典型案例中不公平问题及其危害为驱动,分析数据和算法中造成不公平的潜在原因,建立机器学习中的公平性抽象定义及其分类体系,进一步研究用于消除不公平的机制.可信机器学习中的公平性研究在人工智能多个领域中处于起步阶段,如计算机视觉、自然语言处理、推荐系统、多智能体系统和联邦学习等.建立具备公平决策能力的人工智能算法,是加速推广人工智能落地的必要条件,且极具理论意义和应用价值.     

基于超像素快速模糊C均值聚类与支持向量机的柑橘病虫害区域分割

针对目前柑橘病虫害图像数据集较少,病虫害目标复杂、散漫,难以自动定位分割的问题,提出了一种基于超像素快速模糊C均值聚类（SFFCM）与支持向量机（SVM）的农业柑橘病虫害区域分割方法。该方法充分利用了SFFCM快速、鲁棒的优点,且融合了空间信息的特点,同时避免了传统SVM在图像分割上需要人工选择样本的缺点。首先,利用改进的SFFCM分割算法对待分割图像进行预分割,得到前景和背景区域;接着利用形态学中的腐蚀和膨胀操作对前景和背景区域进行缩小,然后自动选取训练样本进行SVM模型训练;最后用训练好的SVM分类器完成整幅图像的分割。将所提方法与快速鲁棒模糊C均值聚类（FRFCM）、原始SFFCM及边缘引导网络（EGNet）这三种方法进行实验对比,结果表明所提方法的平均召回率为0.937 1,平均精确率为0.941 8,平均准确率为0.930 3,均明显优于对比算法。     

基于改进粒子群优化和极限学习机的网络安全态势预测

针对网络安全态势预测模型预测精度不高、收敛较慢等问题,提出了一种基于改进粒子群优化极限学习机（IPSO-ELM）算法的预测方法。首先,通过改进粒子群优化（PSO）算法中的惯性权重和学习因子来实现两种参数随着迭代次数增加的自适应调整,使PSO初期搜索范围大、速度高,后期收敛能力强、稳定。其次,针对PSO易陷入局部最优的问题,提出一种粒子停滞扰动策略,将陷入局部最优的粒子重新引导至全局最优飞行。改进粒子群优化（IPSO）算法既保证了全局寻优的能力,又对局部搜索能力有所增强。最后,将IPSO与极限学习机（ELM）结合来优化ELM的初始权值及阈值。与ELM相比,结合IPSO的ELM的预测精度提高了44.25%。实验结果表明,与PSO-ELM相比,IPSO-ELM的预测结果拟合度可达到0.99,收敛速度提升了47.43%。所提算法在预测精度和收敛速度等指标上明显优于对比算法。     

融合内容特征和时序信息的深度注意力视频流行度预测模型

针对视频流行度动态变化过程中的时序信息难以捕捉的问题,提出一种融合内容特征和时序信息的深度注意力视频流行度预测模型（DAFCT）。首先,根据用户的反馈信息,构建基于注意力机制的长短期记忆网络（Attention-LSTM）模型来捕捉流行趋势并挖掘时序信息;然后,采用神经网络因子分解机（NFM）处理多模态的内容特征,并采用嵌入技术对稀疏的高维特征进行降维处理,从而降低模型的计算复杂性;最后,采用concatenate方法融合时序信息和内容特征,并设计了一种深度注意力视频流行度预测（DAVPP）算法来求解DAFCT。实验结果表明,与Attention-LSTM模型和NFM模型相比,DAFCT的召回率分别提高了10.82和3.31个百分点,F1分数分别提高了9.80和3.07个百分点。     

基于溶液图像时序特征的元素组分含量动态监测系统

针对稀土萃取过程中组分含量难以实时监测以及现有组分含量检测方法耗时、耗内存的现状,设计了一种基于溶液图像时序特征的元素组分含量动态监测系统。首先使用图像采集装置获取萃取槽体溶液的时序图像,考虑萃取液颜色特性和单一颜色空间的不全面性,采用主成分分析（PCA）方法在HSI和YUV融合的颜色空间提取图像的时序特征,并结合生产指标构造基于鲸鱼优化算法（WOA）的最小二乘支持向量机（LSSVM）分类器来对工况状态进行判断。然后当工况处于非最佳状态时,在HSV颜色空间对图像提取颜色直方图和颜色矩特征,并开发以溶液图像间的混合特征差值的线性加权值为相似度度量的图像检索系统,从而获取组分含量值。最后进行镨/钕萃取槽体混合溶液测试,结果表明该系统能够实现元素组分含量的动态监测。     

融合MLP和DBN的光伏发电预测算法

精确的光伏发电预测对提高电力系统稳定性、保证电能质量、优化电网运行具有重大意义。为了解决现存光伏预测算法精度较低、性能较差的问题,同时为了综合利用多层感知器（MLP）解决非线性问题的能力以及深度信念网络（DBN）有效处理大量复杂数据的优势,构建了一种融合MLP和DBN的光伏预测算法（MLP-DBN）,其基本思想是先利用MLP模型进行初步预测,再将观测值与预测值的残差输入DBN预测模型进行预测,最后用残差预测值对MLP模型的预测值进行修正。利用光伏发电实测数据仿真,探究了不同学习率下模型的预测性能,并对模型的各参数进行了寻找优化设置。使用均方根误差、平均绝对误差以及决定系数等性能指标评估结果表明,与传统的预测算法支持向量机（SVM）以及具有较高预测精度的深度学习算法长短期记忆网络（LSTM）相比,MLP-DBN算法性能有明显的提升,为光伏发电提供了一种高精度高性能的预测算法,可以有效解决光伏发电预测问题。