基于元算子的深度学习框架缺陷检测方法

在用于构建深度学习模型的深度学习框架中,算子的正确计算对于深度学习模型的正确预测至关重要.然而,已有的深度学习框架缺陷检测方法只能通过比较和推测的方式找到不同深度学习框架之间计算结果相差较大的算子,而且无法检测深度学习模型在训练过程中产生的计算错误,具有很大的局限性.针对此问题,本文设计并实现了基于元算子的深度学习框架...     

基于计算机模拟技术优化筛选核酸适配体的初探

目的:通过分子模拟技术优化筛选5’单磷酸腺苷(AMP)的高特异性适配体,利用胶体金可视化试验验证筛选结果。方法:研究文献中已知的AMP原始适配体(S0)的结合位点,对7个关键碱基进行多轮迭代单点突变,获得新的适配体,进一步比较结合自由能,优化获得特异性高的适配体序列。结果:历经5轮筛选,优化筛选出4个特异性高的新序列(S1-S4),使用胶体金的可视化检测对最佳新序列(S4)和原始序列(S0)作比较,结果发现试验结果与模拟结果一致性良好。结论:计算机模拟技术优化筛选适配体具有省时、易制备、分子质量小、储存运输简单等多种优势,为快速获得特异性适配体提供了一个新方法、新思路。     

基于云‒端融合的个性化推荐服务系统

主流个性化推荐服务系统通常利用部署在云端的模型进行推荐,因此需要将用户交互行为等隐私数据上传到云端,这会造成隐私泄露的隐患。为了保护用户隐私,可以在客户端处理用户敏感数据,然而,客户端存在通信瓶颈和计算资源瓶颈。针对上述挑战,设计了一个基于云?端融合的个性化推荐服务系统。该系统将传统的云端推荐模型拆分成用户表征模型和排序模型,在云端预训练用户表征模型后,将其部署到客户端,排序模型则部署到云端;同时,采用小规模的循环神经网络（RNN）抽取用户交互日志中的时序信息来训练用户表征,并通过Lasso算法对用户表征进行压缩,从而在降低云端和客户端之间的通信量以及客户端的计算开销的同时防止推荐准确率的下跌。基于RecSys Challenge 2015数据集进行了实验,结果表明,所设计系统的推荐准确率和GRU4REC模型相当,而压缩后的用户表征体积仅为压缩前的34.8%,计算开销较低。     

一种延误航班旅客动态成行需求量预测算法北大核心

为了实现大面积延误场景下延误航班的旅客动态成行需求量的准确预测,从旅客个体角度提出了一个两阶段预测算法框架:一是预测旅客是否会流失,二是预测会流失旅客的具体流失时间。最后通过在任意时间点上将这些旅客个体行为整合至航班的方式来实现动态成行需求量的预测。其中的流失时间预测阶段由于旅客样本流失时间分布极不均衡且实际数据具有一定模糊性等原因成为该框架下的核心难点。为了缓解由这些问题给预测效果带来的负面影响,提出了结合标记分布学习和随机森林的旅客流失时间预测模型。最后在多个真实场景数据集上进行了仿真,结果表明所提方法优于其它对比方法,实现了更加准确的旅客动态成行需求量预测。     

基于图卷积网络融合群组关系的社会化推荐方法

协同过滤推荐系统普遍面临交互数据稀疏，社会化推荐通过引入用户社交信息来缓解数据稀疏问题。现有社会化推荐方法主要关注好友关系，即用户间形成的直接社交关系，但社交数据的稀疏性限制了该类方法的性能表现。由用户加入兴趣小组所形成的群组关系数量繁多且富有价值，然而目前较少有研究关注这种关系，仅有的方法多采用矩阵分解等传统方法建模，对用户协同兴趣和社交影响的表达不够深入。为提升推荐质量，进一步研究群组关系，从缓解社交数据稀疏性的角度论证其在辅助推荐方面的作用，并基于建模能力更强的图卷积网络学习用户、项目与群组之间的高阶关系，分别设计出以间接和直接方式利用群组关系的推荐方法 IGRec-Trans和IGRec-Direc，探索更合理的群组关系融合方式。在真实数据集上的实验结果表明，所提方法能有效提升推荐性能，相比最优基准方法DiffNet++，在HR@10和NDCG@10指标上最高可提升4.55%和3.98%，在冷启动用户推荐任务上NDCG@10指标最高可提升18.6%。     

融合市场动态层次宏观信息的股票趋势预测

股票市场结构复杂、信息多样，股票趋势预测极具挑战性。但现有研究大都把每只股票当作一个独立的个体，或者使用图结构对股票市场中复杂的高阶关系进行建模，缺少对股票、行业、市场三者间相互影响的层次性和动态性考量。针对上述问题，提出一种动态宏观记忆网络（DMMN），并基于DMMN同时对多只股票进行价格趋势预测。该方法按照“股票-行业-市场”的层次对市场宏观环境信息进行建模，并捕获这些信息在时序上的长期依赖；然后将市场宏观环境信息与股票微观特征信息动态融合，在增强个股对市场整体情况的感知能力的同时间接捕获到股票、行业、市场三者间的相互依赖。在收集的CSI300数据集上得到的实验结果表明，相较于基于注意力长短期记忆（ALSTM）网络、添加了图卷积的LSTM网络（GCN-LSTM）、卷积神经网络（CNN）等模型的股票预测方法，基于DMMN的方法在F1分数、夏普比率上都取得了更好的效果，和表现最优的对比方法 ALSTM相比分别提升了4.87%和31.90%，这表明DMMN在具备较好预测性能的同时还具备更好的实用价值。