面向应用研究的香港理工大学

<正>香港理工大学电子计算学系创立于1974年,乃香港最早提供信息科技和电子计算学位之一,也是学生人数最多的特区政府资助高等院校。理大提供40多个本科专业,而电子计算学系的教学以实用见称,课程紧贴时代脉搏,培育学生成为全面的人才。我们更致力推动科研与创新,除     

中文金融新闻中公司名的识别

在金融领域信息抽取中,公司名扮演着非常重要的角色;因此如何正确识别文本中出现的公司名是一个非常重要的研究课题。在对金融新闻文本进行了深入地分析和研究的基础上,总结出了公司名的结构特征及其上下文信息,建立了六个用于识别公司名的知识库,并提出了一个基于两次扫描过程的识别策略。初步实验结果表明,在封闭测试中实验系统公司名识别的精确率可以达到97.3% ,召回率可达89.3%;在开放测试中精确率可以达到62.8% ,召回率可达62.1%。     

一种改进的winner-take-all模型及在图像中的应用

作为一种广泛存在于各个领域的竞争现象,关于赢者通吃(winner-take-all)的大部分研究太复杂以至于难以很好地理解该现象。为了用简单的方式解释winner-take-all现象,提出了一个改进的winner-take-all模型,由离散时间差分方程表示,该模型的状态空间是一个矩阵并且模型具有多范数可选性,对应的初始输入矩阵中具有最大输入值的元素最终获胜。对提出模型的收敛性和稳定性进行了严格的理论分析,并将该赢者通吃模型应用于图像处理的实验中,分别比较了单层和多层赢家通吃模型的效率。实验正确地生成了winner-take-all现象,表现了多层winner-take-all图像处理的高性能,理论和实验都验证了所提出模型的正确性和有效性。     

基于正则表达式、程序插桩和代码替换的以太坊智能合约bug检测和修复方法

作为当前最大的支持智能合约的区块链平台,数以百万计的智能合约被部署在以太坊上.由于即使发现包含bug也无法修改已部署的智能合约,因此对于开发人员而言,在部署合约前修复合约中的bug至关重要.当前研究人员已经提出了许多智能合约分析工具,用于检测合约中的bug.这些工具要么使用基于以太坊虚拟机字节码的符号执行来检测bug,要么将源代码转换为中间表示形式后再检测bug.然而,基于符号执行的工具通常无法覆盖合约中的大部分bug;将源代码转换为中间表示形式会对检测速度产生负面影响.此外,现有的工具都只能检测bug,而无法根据检测结果自动修复bug.为了解除以上限制,提出了一种名为SolidityCheck的方法,该方法通过使用正则表达式、程序插桩和语句替换等技术,实现快速检测合约中的bug并自动修复其中某些种类bug的目的.文中进行了 一系列实验来评估SolidityCheck,实验结果表明,与现有方法相比,SolidityCheck在多个指标上显示出了优异的性能.     

词语序差的分布特点与文本间词汇异同

该文在已有关于“频级”“频序”研究的基础上,结合两种不同类型的语料,采用词汇计量分析方法,考察词语的“序差”所具有的分布特点。该研究发现,对于两种文本的共有词集,词的序差呈对称分布,且集中分布于中位数附近,存在离群值序差。这一特点在序差图上表现为“中段平直,双尾翘曲”的“双尾分布”形态。根据词语序差的分布规律,可以将文本共有词划分为“中段”“下尾”“上尾”三个层次。“中段”词语反映两个文本的共性特征,“下尾”及“上尾”词语反映两个文本的差异性特征,这些特征具有反映文本的主题内容和文体风格的语言学意义。     

稀疏标签传播:一种鲁棒的领域适应学习方法

稀疏表示因其所具有的鲁棒性,在模式分类领域逐渐得到关注.研究了一种基于稀疏保留模型的新颖领域适应学习方法,并提出一种鲁棒的稀疏标签传播领域适应学习(sparse label propagation domain adaptation learning,简称SLPDAL)算法.SLPDAL通过将目标领域数据进行稀疏重构,以实现源领域数据标签向目标领域平滑传播.具体来讲,SLPDAL算法分为3步:首先,基于领域间数据分布均值差最小化准则寻求一个优化的核空间,并将领域数据嵌入到该核空间;然后,在该嵌入核空间,基于l₁-范最小化准则计算各领域数据的核稀疏重构系数;最后,通过保留领域数据间核稀疏重构系数约束,实现源领域数据标签向目标领域的传播.最后,将SLPDAL算法推广到多核学习框架,提出一个SLPDAL多核学习模型.在鲁棒人脸识别、视频概念检测和文本分类等领域适应学习任务上进行比较实验,所提出的方法取得了优于或可比较的学习性能.     

结合卷积神经网络和词语情感序列特征的中文情感分析

目前基于词嵌入的卷积神经网络文本分类方法已经在情感分析研究中取得了很好的效果。此类方法主要使用基于上下文的词嵌入特征,但在词嵌入过程中通常并未考虑词语本身的情感极性,同时此类方法往往缺乏对大量人工构建情感词典等资源的有效利用。针对这些问题,该文提出了一种结合情感词典和卷积神经网络的情感分类方法,利用情感词典中的词条对文本中的词语进行抽象表示,在此基础上利用卷积神经网络提取抽象词语的序列特征,并用于情感极性分类。该文提出的相关方法在中文倾向性分析评测COAE2014数据集上取得了比目前主流的卷积神经网络以及朴素贝叶斯支持向量机更好的性能。     

一个移动Agent算法性能评价的仿真环境

移动Agent是一种新的分布计算技术，自90年代被提出以来受到广泛关注。研究人员提出了很多基于移动Agent的算法，以解决传统分布式计算问题和移动计算中的问题。然而由于移动Agent所具有的反应性、自治性、可移动性等的特性使得对移动Agent的算法的性能评价成为一个相当复杂的问题。本文使用直接执行仿真(Direct Execution Simulation)的方法建立了一个移动Agent系统的仿真环境MADESE，通过执行移动Agent代码来获取其基本数据，并通过仿真计算出移动Agent算法在各种环境中的性能。文章讨论了MADESE的事件和同步机制以及其系统环境的设计结构，并介绍了其实现原型。     

VRML场景中的纹理水印

针对虚拟现实场景中的纹理,提出了一种新的数字水印方案。首先分析了三维场景中的纹理水印与一般图像水印的不同,并根据这些特性给出了具体数字水印方案,包括水印生成、基于钥相关基函数的水印嵌入和水印检测等。在描述算法的基础上,给出了实验结果及攻击分析。实验表明该算法具有较好的透明性和强壮性。