关键词： 机器学习   众包   标签噪声   质量控制  

摘要： 众包技术的快速发展使得众包平台成为机器学习获取训练数据的一个重要来源。但是因为众包平台中工作者的不可靠性,获取的数据中存在着噪声。数据中的噪声会对机器学习模型产生很大的负面影响,因此需要对数据进行筛选或者是调整机器学习模型结构以减少噪声对模型的影响。传统的机器学习处理噪声的方法大多只考虑到样本的难度或者是标签的类别,而忽略了众包平台中一些工作者的相关的信息。本文着重于探索利用众包中的冗余回答来获取相关的工作者特征,对其进行建模以提高用众包数据训练的模型的准确度的方法。论文的主要贡献如下:(1)首先介绍了传统的机器学习中处理噪声的方法,然后总结了建模工作者来提升机器学习模型准确度的方法,即:一类方法通过分析工作者特征来提升聚合众包数据标签的质量来提升训练的模型的准确度,另一类方法将原始的冗余数据输入到模型中,在训练模型的同时建模工作者来提升模型准确度。(2)针对流行的二分类的任务,在同质工作者的情况下,设计了一个机器学习与众包相互辅助并融合的方法,充分利用已被完成的历史任务来训练模型以辅助完成当前任务。首先,利用历史数据中标签的冗余特性估测获取工作者的错误率以修改分类器的损失函数,并用历史数据训练分类器。然后,用分类器来预测当前批次的任务的回答,将分类器视为一个提交了当前任务的所有回答的虚拟工作者,并将其回答与工作者的回答融合在一起以辅助当前任务获得最终的回答。实验表明,该方法充分的利用了众包中的信息,达到了机器学习与众包相互辅助的效果。(3)针对多分类任务,研究了在工作者为异质,且存在恶意的工作者的情况下,使用原始冗余数据训练并优化深度学习网络模型的问题。为了减少恶意工作者对模型的影响,本文提出了一个利用可信工作者提供的可信标签计算其他工作者提供的标签与可信工作者提供标签的相似度以筛选出恶意的工作者并处理其标签的方案,通过处理恶意工作者的回答来减少标签中的噪声以提高其训练出来的模型的准确度。本文在AMT上的Label Me数据集上进行了实验,首先对数据集进行了分析,然后评估了恶意工作者对模型的影响,之后使用本文提出的方案来筛选处理数据集合,判断方案中的各个参数对筛选效果的影响,最终证明了该方法能够有效的筛选出恶意的工作者,并且使用处理完毕的数据集训练出来的模型的准确度得到了提升。

关键词： 专利价值   特征选择   自然语言处理   BP神经网络   支持向量机   朴素贝叶斯  

摘要： 随着知识时代的到来,专利数据体量呈爆发性增长,专利信息日益重要,但是其中的专利价值参差不齐,急需一种手段来对此进行辨别。传统的专利价值评估方法需要大量市场指标,已不能适应大规模的专利数据。利用机器学习方法不但可以减轻评估人员繁重的分析任务,还可以提高分析效率和准确率。然而,大多数利用机器学习对专利价值进行评估的研究仅仅考虑专利样本中较好处理的结构化数据,没有建立专利文本与专利价值之间的联系。本研究旨在构建一个全面科学的专利价值指标体系,通过一系列机器学习算法搭建预测模型,实现对专利价值客观、准确、高效地评估。本文首先深入分析了专利价值指标,利用公共数据集上的专利数据构建了包含数值型和分类型的15个结构化指标以及包含文本信息的2个非结构化指标,并用自然语言处理方法将文本信息构建成了可用于分类算法分析的5个数值型特征;然后对比验证了改进的Relief-NMI特征选择算法的有效性,并运用该算法分别对结构化指标和非结构化指标进行重要性排序;最后分别运用支持向量机、BP神经网络和朴素贝叶斯分类算法对专利数据进行分析,确定最优特征指标集,并据此指标集再次对算法进行十折交叉验证,分析算法性能,最终得到基于机器学习的专利价值分类预测模型的指标体系与分类算法。实验结果表明:利用改进的Relief-NMI算法对专利特征选择后分类算法的准确率得到了有效提高;加入由文本信息构成的数值型特征后,算法的准确率得到了进一步提升,此时选择的最优特征集为:专利被引用数、申请人类型、IPC分类数、法律状态、目标专利与当年之前在同一类的专利之间的平均余弦相似性、授权时长、申请人国籍、权利要求数等8个特征;并且验证了支持向量机在算法准确性和稳定性方面都高于另两种算法,准确率达到90%左右,是一种适合专利价值预测的分类算法。

关键词： 逆散射   机器学习   人工神经网络   三次样条   数据缺失  

摘要： 逆散射问题是一类典型的数学物理逆问题,在石油勘探、医学成像等领域有广泛应用,因此,关于逆散射问题的研究具有重要的科学意义和实用价值。本文主要研究一类声波逆散射问题:已知入射波场和测得的远场信息,重构未知散射体的边界形状。此类问题的数值求解通常会面临非线性性和不适定性等难点,特别地,实际问题中的观测信息常常会存在不可避免的数据缺失,使得逆散射问题的有效求解极具挑战性。近些年,随着机器学习技术的不断发展,该技术被广泛的应用于图像处理、地质勘探等领域。由于机器学习技术是数据驱动的计算技术,在一定程度上可以弥补传统算法中的数据缺失问题,所以机器学习技术被广泛应用到逆问题研究中。本文将基于机器学习技术,对这一类声波逆散射问题进行讨论分析。本文主要对以下问题进行讨论:首先,给出了通过三次样条插值函数近似散射体边界方程的方法构造数据集的数学语言表达。其次,通过人工神经网络模型,应用Fourier方法和三次样条方法分别构造数据集,对单个散射体进行数值反演,通过计算反演结果与散射体真实边界形状的相对误差,得到两种方法构造数据集获得的反演结果与真实散射体边界吻合度比较结果。同时发现对声硬边界条件下单个散射体的反演,机器学习方法同样是有效的。再次,以Fourier方法构造数据集为例,对多个散射体边界进行反演,发现通过机器学习方法对多个散射体的反演同样有很好的效果,并通过反演结果与散射体真实边界的相对误差值得到两个散射体在不同边界条件、远近及大小情况下的反演结果对比,验证了机器学习方法对上述问题均是有效的。最后,讨论了有限孔径和无相位数据问题的反演结果,验证了机器学习方法对数据缺失问题是有效的。

关键词： 地球科学大数据   构造背景判别   机器学习   元素协变图  

摘要： 地球科学已经步入大数据时代,大数据改变了地球科学研究的思维方式和研究方法,提供了多样化的数据挖掘方法和知识发现途径。地球科学大数据以及人工智能技术的快速发展和突破创新,为面向大数据处理的专业软件的研制与开发带来了新的机遇和挑战。以岩石构造背景的判别分析和应用为例,大地构造背景对火成岩的组成和化学特征具有控制作用,分析火成岩的化学组分特征能够反演指示岩浆成因和构造背景。构造背景判别图是识别火成岩构造背景的重要途径之一。但随着地质数据的积累,传统的判别方法在构造背景类型和岩石类型上受到了很大限制。本文基于全球岩石地球化学大数据集,采用改进的随机森林模型对玄武岩的构造背景进行判别分类,并融合迭代筛选的思想自动优化判别元素组合,在此基础上开发出一款能够自动优化判别元素组合且有效判别玄武岩构造背景的专用软件。通过实践证明,优化的玄武岩构造背景判别方法能克服传统基于图判别的限制,减少个人经验的主观干预,更加准确地识别不同岩石类型的构造背景。为检验随机森林判别模型的泛化能力,本文对PDF格式的学术文献中的表格数据进行了自动识别和提取整合,生成适用于随机森林判别模型评价检验的数据集,验证了构造背景判别模型的准确性与泛化性,并在此基础上设计开发出一款能够从PDF文件的表格中自动识别岩石地球化学数据并提取收集的专用软件。通过测试验证,本文采用的判别模型具有良好的泛化能力,能够为玄武岩不同构造背景的界定提供判别依据。不同构造背景和不同演化阶段,元素的地球化学特征具有差异性。元素协变图可以直观地显示元素在岩浆演化过程中的变化趋势。但现有方法在处理和分析地球化学大数据时,难以揭示大数据背景下地球化学元素之间的相关关系,限制了地球化学大数据的进一步分析和应用。为适应面向岩石地球化学大数据的元素协变图的处理需求,本文参考穷竭法处理思路,采用区间线性拟合方法,开发一款适用于岩石地球化学大数据的元素协变图自动绘制软件。该软件能够快速对岩石地球化学大数据集拟合趋势线并生成元素协变图,直观、清晰地展现元素在岩浆演化不同阶段和不同构造背景下元素的地球化学行为特征。

摘要： The 2020 International Conference on Intelligent Biology and Medicine (ICIBM 2020) provided a multidisciplinary forum for computational scientists and experimental biologists to share recent advances on all aspects of intelligent computing, informatics and data science in biology and medicine. ICIBM 2020 was held as a virtual conference on August 9-10, 2020, including four live sessions with forty-one oral presentations over video conferencing. In this special issue, ten high-quality manuscripts were selected after peer-review from seventy-five submissions to represent the medical informatics and decision making aspect of the conference. In this editorial, we briefly summarize these ten selected manuscripts.

关键词： Machine learning   clustering   shaping   polymer nanocomposites  

摘要： Molecular dynamics (MD) simulation has been an invaluable tool for polymer nanocomposites (PNCs) research. MD simulation investigations provide massive data about the movements of PNCs beads on the micro-level. However, there are many challenges involved in correctly understanding and predicting the performance and properties of molecules from these massive MD simulation data. Traditional data-driven techniques are limited due to computational expense, required accuracy, and the availability of high-dimensional PNCs structures. Machine learning can give an effort to process massive data, but not all machine learning methods are available for all occasions;domain knowledge or manual intervention is required. Here, we aim to investigate unsupervised machine learning algorithms to discover clustering and shaping movements of PNCs beads under tension. Cluster Envelope Shaping Method (CESM) was proposed to analyze the clustering of beads and the shaping of clusters based on MD simulation data. The matrix-free PNC based elastomer simulation and Single-Chain Polymer Nanoparticles simulation, which demonstrate two types of deformations, verified the validity of this method.

关键词： coronaviruses   Spike protein   Machine learning   Sequence clustering   Viral host specificity   t-SNE  

摘要： Coronaviruses infect many animals, including humans, due to interspecies transmission. Three of the known human coronaviruses: MERS, SARS-CoV-1, and SARS-CoV-2, the pathogen for the COVID-19 pandemic, cause severe disease. Improved methods to predict host specificity of coronaviruses will be valuable for identifying and controlling future outbreaks. The coronavirus S protein plays a key role in host specificity by attaching the virus to receptors on the cell membrane. We analyzed 1238 spike sequences for their host specificity. Spike sequences readily segregate in t-SNE embeddings into clusters of similar hosts and/or virus species. Machine learning with SVM, Logistic Regression, Decision Tree, Random Forest gave high average accuracies, F-1 scores, sensitivities and specificities of 0.95-0.99. Importantly, sites identified by Decision Tree correspond to protein regions with known biological importance. These results demonstrate that spike sequences alone can be used to predict host specificity. (C) 2020 Elsevier Inc. All rights reserved.

关键词： 爆裂   隧道火灾   多场耦合   机器学习   数值分析  

摘要： 隧道火灾温升快,峰值温度高,易引起衬砌发生爆裂,严重危害隧道结构承载能力与安全性。研究爆裂过程的传统多场分析方法涉及复杂非线性系统求解,计算时间长,数值稳定性弱。本文利用已有的强耦合热-水-气-力-化学多场分析模型,对大量不同混凝土类型,环境湿度,火荷载条件下的高温混凝土内孔压和温度增长过程展开分析。将结果作为输入信息,导入开发的机器学习方法中,从而利用机器学习方法来归纳学习高温下衬砌爆裂发展规律,从而无须求解方程而可以快速预测评估任意含水量和配比的隧道衬砌在不同火荷载下衬砌爆裂风险。通过与实验结果对比,证明了方法可靠性,研究成果可以有效辅助工程人员对在建与已建隧道快速开展耐火抗火风险评估。

关键词： 避险货币   因子模型   利率平价   随机森林模型   机器学习  

摘要： 今年伊始,新冠疫情在全世界范围内肆虐,对全球经济造成了沉重打击。在当前全球不确定性不断上升的背景下,如果人民币依旧能够持续升值并保持稳健(即成为避险货币),一方面将有效地减少资本外流从而保障我国金融安全与稳定,另一方面也能够极大地提升人民币的国际地位。本文通过一个类因子模型发现,影响一国货币汇率收益与避险价值的既包括本国因素,还包括本国经济联系密切的其他各国因素(本文称其为外国因素)和全球风险因素。随后,本文利用机器学习方法对此进行了实证检验,分析表明:(1)本国与外国因素均会对货币避险价值造成影响,其中利率因素的影响最为明显,而价格水平因素的影响程度则相去甚远;(2)多数基本面因素不会直接地影响货币避险价值,但会通过影响经济基本面的各类因素对其造成显著的间接影响;(3)本国利率水平、金融要素市场建设与资本市场开放情况对于货币避险价值具有重要意义,但其中大多数外国因素对货币避险价值的影响相对较小。