摘要： 中亚天山高海拔地区的复杂地形和恶劣天气条件以及稀少的水文气象站点分布，导致该地区气象和水文观测数据缺乏。而传统的基于物理过程的水文模型需要大量的观测数据来校准空间参数，使得高山区分布式水文模拟颇为困难。机器学习方法（LSTM）由于非线性拟合能力强大而逐渐被应用于水文建模。这种方法能分析输入和输出数据之间的关系，为流量模拟提供了新策略。中国科学院新疆生态与地理研究所荒漠与绿洲生态国家重点实验室研究员陈亚宁团队对比分析了四种机器学习模型与两种水文模型在天山开都河流域日流量和极端流量模拟方面的准确性和适用性,

关键词： 基金年报   文本情感分析   情感词典   语义分层   写作风格  

摘要： 我们发现在目前的基金研究领域中,当投资者们关注信息披露时,往往重点关注基金的显性信息,例如基金的财务状况、公司信息、基金经理的身份特征等,但信息披露中的大量文本数据实际上也包含着关于基金未来业绩走向的增量信息,也可以认为是一些隐性信息。随着计算机技术的发展,针对海量文本的信息挖掘和分析如今得以实现。许多国内外学者从实证角度验证了诸如年报、招股说明书以及业绩说明会中文本信息对于决策的有用性,但对于业绩预告部分的文本分析相关研究还比较少。有人从财经新闻、论坛发帖、视频弹幕、留言评论等内容上面去分析股市或公司未来发展趋势。然而,考虑到这些信息在一定程度上受虚假信息、群体效应的影响,社会消息面和恐慌心态都会造成金融市场舆情变化不定,当前相关监督部门还不能及时监控金融市场舆情动态以及正确引导其发展,会造成信息在金融市场传递过程中出现失真现象。投资者们会被这些信号所干扰,影响他们做出精准地判断,导致产生不必要的损失。可以说稳健、可靠、有效的文字信息已经成为当前基金市场研究的稀缺资源。相比财经新闻,基金年报中“展望”部分对基金公司当年整个经营情况和未来发展战略做出了详细说明,在年报信息披露期间,不仅会要求专业审计人员进行调查,而且还有监管部门的工作人员对公司年报内容进行多次审核,从而保证了年报内容的准确性和有效性。除此之外,基金年报还具有良好的固定格式和强制发布性,非常适合用于进行学术研究。因此,本文基于2010―2020年基金年报中“展望”部分的文本内容,借助词典法构建了基金经理基于语义分层的情感语调指标,尝试探索基金经理的写作风格对基金业绩的预测能力。主要研究内容如下:从基金定期发布的年报文本中挖掘出作者的行文风格中隐含的信息,即这些信息中体现出的微妙的情绪变化以及其中所传递的内容。在以基金年报作为研究语料的基础上,我们使用PYTHON相关的库对数据进行了预处理,并使用无监督的机器学习算法和人工挑选相结合的方式来生成情感词典。我们的词典不仅分为正面和负面的情绪词,而是将正面和负面的表达程度进行了进一步细致的分层。其中本文中就以三分层作为表达自信水平的标准,他们分别是:确定性,表达强度和情感夸张。我们可以利用这三个标准,来衡量基金经理写给投资者的公开信中所表达出来的自信程度。最后我们通过词嵌入技术以及语调度量方法TF-IDF将这种自信程度进行了量化表达,作为一项特征,与财务特征向量进行融合后以向量的形式加入到模型的训练和预测过程当中。最后用来研究文本信息中的基金经理情感语调是否能够明显提升对基金业绩的预测能力。最终,本文得出了许多与基金经理自信程度相关的重要结论:基于语义分层的情感得分对基金业绩的预测效果与传统的正负向词典的情感得分相比有了明显的提升。我们的研究表明,衡量基金文本的自信程度与人们在交流时所感知到的自信在信息层面上的极性强度是截然不同的,写作风格蕴涵着重要的前瞻性信息。在此基础上我们将该情感语调分数应用于投资组合的选择,结果发现使用语义分层情感分数选出的投资组合获得了超额回报。

关键词： 胃印戒细胞癌   机器学习   生存预测   BP神经网络   Cox回归  

摘要： 本研究基于大样本的胃印戒细胞癌患者临床数据,采用机器学习算法建立了生存预测模型。基于分类和回归角度,预测胃印戒细胞癌患者的治愈情况和生存周期,并验证了其在不同临床特征下的准确性和可靠性。这一研究结果为胃印戒细胞癌患者的治疗和生存预测提供了一定的参考和支持,并在分类和回归模型的深度应用方面取得了一定的创造性成果。第一,从SEER数据库中获取胃印戒细胞癌患者的数据。首先,对数据进行预处理和描述性分析,其中包括缺失值、未知值、异常值、数据特征转化、数据特征选择和数据集拆分等基本工作。第二,结合数据集特征、研究目的和算法的特征,选择使用决策树、随机森林、支持向量机模型和BP神经网络模型用于分类预测。通过对比模型在测试集上的预测结果发现,BP神经网络模型对未知数据预测的准确率达到了82%,召回率为80%,泛化能力甚好,模型的预测效果最佳。第三,基于训练集构建AFT和Cox回归的生存分析回归模型,通过指标C-index和AIC值评估,Cox回归模型的预测能力较好。其次,基于最优回归模型绘制列线图可视化模型结果。通过C-index指数和校准图等多种指标评价模型,评价结果符合理想。由此得出Cox模型绘制的列线图可以达到预测效果。第四,通过Kaplan-Meier生存分析算法绘制生存曲线,分别从单因素和多因素角度探究患者生存期概率大小的影响因素。其中,年龄、TNM分期以及手术等因素对患者生存期的概率影响较为明显。

关键词： 链路预测   相似性指标   监督学习   Node2vec   图神经网络  

摘要： 链路预测是研究复杂网络领域的热点问题,也是研究节点之间关系或可能连边的重要方法,且在很多复杂网络如蛋白质相互作用网络、食物链网络等的分析中具有非常重要的作用。传统的链路预测算法主要利用节点间的相似性特征,然而单一的相似性指标缺乏对节点对之间关系的全面考虑。因此,本文深入探讨如何更好地利用这些信息,以提高预测的准确性和效率。首先,本文分析了基于单个相似性指标的链路预测。分别选取了8个相似性指标在Karate、Jazz、Celegans、USair、Dolphins、Facebook六个公开的网络数据集上进行链路预测的实验,得到基于单个相似性指标的预测的AUC值,便于后面进行算法间的对比分析。其次,将链路预测问题转化为二分类问题研究了基于监督学习算法的链路预测效果。为了充分利用节点间的相似性特征,本文将节点间的8个相似性指标作为节点间的特征向量,分别使用Logistic回归算法和XGBoost集成算法在上述6个数据集上进行实验并与单个相似性指标算法进行对比。结果显示XGBoost算法在Karate、Jazz、Dolphins、Facebook四个数据集上取得了较高的AUC值,Logistic回归算法在Celegans数据集上取得较高的AUC值。最后,为了更方便、高效地得到节点间特征向量,本文采用Node2vec算法提取节点的邻域信息得到特征向量,并分别使用图卷积神经网络和图注意力神经网络进行链路预测,得到基于Node2vec的图卷积神经网络(N-GCN)链路预测算法和基于Node2vec的图注意力神经网络(N-GAT)链路预测算法。通过实例分析比较不同链路预测方法的AUC值,发现基于N-GCN和N-GAT的链路预测方法的AUC值较基于单个相似性指标的有监督的机器学习算法的AUC值有提升,且N-GCN链路预测算法在Karate、Jazz、Celegans和USair四个网络上取得最优AUC值,N-GAT预测算法在Dolphins和Facebook这两个网络上取得最优AUC值。

关键词： 股票分类   Boruta算法   Copula熵   机器学习   交互作用  

摘要： 股票市场是股票发行和交易的场所,良好的股票可以帮助公司吸引投资者投资以此来获取资金运作,同时投资者也可以通过投资良好的股票获得投资收益。因此良好的股票深受投资者青睐。本文针对ST股票类别非平衡和特征众多的特点,对数据进行SMOTEENN重采样的预处理与特征选择操作,之后通过六个经典的机器学习模型进行ST股票分类预测。主要研究内容与结果如下所示: (1)针对数据集问题,本文主要从数据层面入手,通过已有的数据接口,选择较为全面的139个特征,分别包括了财务指标和技术面因子,合理概括了投资者选择股票投资的依据。 (2)针对特征选择的问题,本文主要从特征选择角度出发,使用Boruta算法与Copula熵方法进行结合,前者可以刻画目标变量与特征变量之间的关系,后者刻画了变量之间的非线性关系。通过对比单纯使用Boruta算法,结果发现Boruta-Copula熵的特征选择在六个机器学习模型中的测试集的表现较为出色,证明了本文特征选择算法的具有一定的有效性。 (3)针对模型选择与解释的问题。本文在经典的逻辑回归建模来预测ST股票分类的基础上,使用XGBoost、ADABoost、Light GBM、Catboost、MLP五大模型对经过非平衡处理和特征选择后的数据进行建模预测,并且同时应用Optuna框架进行调优和交叉验证避免过拟合的结果。综合召回率、准确率、运行时间等指标的评估,最终选择XGBoost模型作为本次建模的最终模型。之后应用SHAP理论进行模型的解释与分析,探究特征变量之间的交互作用,并使用加入交互作用的变量进行再次建模,实验表明,加入交互作用的变量能够更加准确合理的提高ST股票分类的精度,验证了模型的有效性。

关键词： 人工智能   计算机断层扫描   包膜外侵犯   肝细胞癌   侵袭性   肝细胞癌   深度学习   可解释性   计算机断层扫描成像   肝细胞癌   计算机断层扫描   磁共振成像   钆塞酸二钠   包膜  

摘要： 目的 基于计算机断层扫描(computed tomography,CT)图像开发肝脏影像学分期网络(liver imaging staging networks,Li SNet),通过对肝细胞癌(hepatocellular carcinoma,HCC)的包膜外侵犯(extracapsular extension,ECE)分级,对HCC的侵袭性进行预测。 材料与方法 本研究回顾性纳入了共358名接受肝切除术的HCC患者。由三位肝脏影像专业组医师,根据CT图像对肿瘤ECE进行注释和分级。使用基于顺序学习的深度神经网络分别对其中193名和61名患者进行Li SNet模型的训练和验证,以模拟肝脏影像专业组医师对HCC侵袭性的诊断。由另外104名患者组成测试集;比较Li SNet、基于经验的诊断方案以及人类-人工智能协作的模型评估HCC预测微血管侵犯(microvascular invasion,MVI)的性能。此外,评估了Li SNet预测HCC预后的能力。 结果 LiSNet与肝脏影像专业组医师评估影像学上HCC的ECE I、II和III级的一致性分别为0.658(95%CI:0.490–0.779)、0.595(95%CI:0.406–0.734)和0.369(95%CI:0.134–0.566)。Li SNet与肝脏影像专业组医师预测MVI的能力相当(AUC:Li SNet:0.668[95%CI:0.559–0.776]vs肝脏影像专业组医师:0.699[95%CI:0.591–0.806],p>0.05)。在人类-人工智能协作诊断中,即结合Li SNet和基于经验的诊断可以实现对MVI的最佳预测(AUC:0.705[95%CI:0.589–0.820])。此外,Li SNet能够预测HCC切除术后的总生存期。 结论 本研究建立的LiSNet模型可辅助放射科医师在CT成像上对HCC的侵袭性进行自动分期,可能有利于患者的治疗选择和生存预测。 目的 本研究以专家经验为基础,引导深度网络对肝细胞癌(hepatocellular carcinoma,HCC)微血管侵犯(microvascular invasion,MVI)的关键影像特征进行学习,建立预测MVI的可解释模型。 材料与方法 本研究共纳入466例手术病理证实的HCC。其中MVI阴性者321例,MVI阳性者145例。根据CT图像对肿瘤内血管、瘤周强化、包膜以及结节隆突进行注释、分割以及预测。分割任务采用Dice相似系数及交并比进行评估。进行受试者操作特性曲线分析计算曲线下面积(area under curve,AUC),并基于混淆矩阵评估模型的诊断效能,计算模型的召回率、精准度、准确率。 结果 肿瘤内血管及瘤周强化的Dice相似系数分别为85.97±1.70,35.15±8.54,交并比分别为88.09±1.28,57.12±2.37。HCC包膜及结节隆突的1D Dice分别为66.67±1.23,75.45±0.22,肿瘤位置预测的Dice相似系数为88.13±0.32,88.36±0.62;与基线网络相比,基于全自动分割的多属性特征作为注意力监督源的深度网络模型具有较好的MVI预测能力(AUC:84.58±0.48 vs 78.62±2.52)。 结论 本研究建立了一个专家引导的分阶段模型预测HCC的MVI,该模型是可被感知并且可解释的,此外具有较好的MVI预测效果。 目的 比较增强(contrast enhanced,CE)CT和钆塞酸二钠(Gadolinium ethoxybenzyl diethylenetriamine pentaacetic acid,Gd-EOB-DTPA)增强MRI显示肝细胞癌(hepatocellular carcinoma,HCC)包膜的能力,并确定包膜的预后预测价值。 材料与方法 回顾性纳入2015年1月至2020年7月期间在肝切除术前同时接受CECT和GdEOB-DTPA MRI检查的HCC患者共81例。两位肝脏影像专业组医师独立评估HCC在CECT和Gd-EOB-DTPA MRI不同期相的影像学特征,着重对包膜进行评估。根据影像学上包膜的完整性来划分包膜外侵犯(extracapsular extension,ECE)等级。评估者间一致性采用Cohen's kappa(κ)来评估。CT和MRI之间影像学特征的差异,采用Mc Nemar检验来比较。Kaplan-Meier曲线和Cox风险比例模型被用来评估ECE等级与微血管侵犯(microvascular invasion,MVI)和手术后生存率之间的关系。 结果 在ECE评估中,Gd-EOB-DTPA MRI图像,尤其是移行期(transit

关键词： 未充分标注数据   机器学习   多实例学习   异常检测   主动学习  

摘要： 近年来,以机器学习为代表的人工智能技术飞速发展,正在逐渐改变着人们的生活。传统的监督式机器学习要求训练数据均被充分标注,这一严格的条件制约了许多机器学习方法的应用。现实中存在广泛而形式多样的未充分标注数据,如何设计机器学习方法以利用这些未充分标注数据具有深厚的研究价值。 本文以多种形式的未充分标注数据为研究对象,针对其数据特点和已有方法的不足开展研究。具体而言,本文开展了如下工作: 面向样本仅给出不确切标注的场景,本文将其建模为一个多实例学习问题。针对不确切监督语义分割模型的分割结果分辨率低、性能欠佳的问题,本文提出了一个端到端的神经网络模型Attention U-net,其主要创新点包括上采样-拼接-卷积结构和注意力池化层两个模块。对于图像与时序信号,本文分别在胸部X光和常规心电图两种医学数据上设计实验并验证了模型的性能与应用价值。 面向样本仅给出负样本标注的场景,本文将其建模为一个异常检测问题。对于图像的细粒度缺陷检测,针对现有的基于知识蒸馏的异常检测方法中异常检测结果不稳定、异常定位模糊的问题,本文提出了De STSeg模型,它由一个降噪自编码器学生网络、一个教师网络和一个用于自适应特征融合的异常分割网络组成,可以在检测出异常样本的同时精准地分割出异常区域。在工业产品外观质检数据上,本文的方法可以在图像级、像素级和异常实例级异常检测上提升异常检测的性能。 面向允许人机交互标注的场景,在减少人工标注量的目标下,本文将其建模为一个主动学习问题。针对主动选取策略对模型的提升效率在特定时期不如简单随机选取策略的问题,本文提出了自适应主动-随机选取策略(ASRS)算法,它可以根据某一时刻模型的状态自适应地选择主动选取策略或随机选取策略,结合了两种策略的优点,在少样本交互标注的情境下可以得到性能更优的模型。在动态心电图的半自动诊断场景下,ASRS可以显著节约人工标注量。 综上所述,本文从多种未充分标注数据场景出发,提出了相应的机器学习方法,改进了已有方法的不足,并在相关应用场景中充分验证了提出方法的有效性,可以推动有关研究的后续发展。

关键词： 高分子物理   机器学习   传播子方程   自洽场理论  

摘要： 在高分子物理中,自洽场理论是极其重要的理论之一,传播子方程则是高分子自洽场理论的关键方程。因此,在本文中,我们使用机器学习方法对高分子链传播子方程进行了求解。 首先,我们采用了一种基于笛卡尔网格采样和拉丁超立方采样混合的物理神经网络来求解一维高分子链传播子方程的正向和逆向问题。我们使用了一种新的方法进行数据采样,提出了新的周期边界条件损失函数的构建方法。然后在训练过程中对神经网络中的参数进行了优化。最后我们使用这个模型对给定的高分子链传播子方程的正向问题和逆向问题进行求解,并得到了相当合理的结果,证明了该神经网络求解器在正向和逆向问题上的有效性。同时我们将神经网络解与数值解进行了比较,证明了我们这个方法的精度较好,同时也有很高的计算效率。 进一步地,我们构建了一个神经网络模型来计算含有传播子方程的三维两嵌段聚合物自洽场方程组。网络模型包括两个前馈神经网络,一个网络表示传播子方程,另一个表示自洽场化学势场,两个网络由自洽场方程组所构建的损失函数进行耦合。通过优化损失函数,最终得到神经网络计算结果。通过对比网络解与数值解,我们证明了该模型的有效性和准确性。另外,我们也绘制了两嵌段共聚物微相分离过程的三维可视化图。本文通过使用机器学习方法对一维及三维传播子方程的研究可以为之后高分子物理问题的求解提供一定参考和帮助。

关键词： 计算机辅助分子设计   反应溶剂   溶剂化效应   前线轨道理论   机器学习  

摘要： 反应溶剂在有机合成中起着重要作用,在溶剂化效应下,可以调节液—液均相有机合成的反应速率。过程系统工程的优化方法可应用于反应溶剂分子结构设计,从而提高反应速率和选择性,改善产品收率和纯度,从根本上减少或消除副产品的生成,实现有机合成清洁生产。但反应溶剂的设计仍存在一些问题,例如现有反应动力学模型需要对基元反应的过渡态结构进行计算搜索,耗费大量的计算时间成本。对此,本文开展基于前线轨道理论及机器学习的反应溶剂设计研究,通过前线轨道能量量化溶剂化效应,构建反应动力学模型,进一步,结合机器学习对动力学模型计算过程中的重要参数——介电常数进行高通量预测,并以此为基础开展反应溶剂设计研究。本文主要研究内容及成果如下: （1）针对传统反应动力学半经验模型存在过渡态搜索耗时费力的问题,提出一种预测反应速率常数的混合建模方法用以构建反应动力学半经验模型。该方法由前线轨道理论推导、灵敏度分析与描述符选择与补充三个步骤组成,可分别改善反应动力学模型的泛用性、稳定性与准确性。采用文献中的两个算例对所提混合建模方法进行验证,得到了回归效果良好且抗干扰能力强的反应动力学半经验模型,从而证明了模型的准确性与通用性。本文所构建的反应动力学模型为后续反应溶剂设计工作奠定模型基础。 （2）提出一种预测介电常数性质的机器学习模型,用以解决反应动力学模型的描述符对介电常数参数精度依赖较高且介电常数实验数据经常缺失的问题。该方法由词嵌入无监督网络、图注意力网络与集成学习策略三部分组成,分别用于生成分子结构描述符、预测分子性质与进一步提高模型效果并避免误差放大问题。该方法不仅可以应用于介电常数预测,还可应用于毒性、水溶性、水合自由能性质预测,体现了其通用性。本文所构建的介电常数预测模型结合反应动力学模型可实现溶剂环境下反应速率常数的高通量预测。 （3）基于反应动力学半经验模型和介电常数性质预测模型,使用计算机辅助分子设计方法设计最优反应溶剂,实现快速、准确找到使反应速率常数最大化的反应溶剂目标。该方法由确认目标及性质要求的准备阶段、计算机辅助分子设计阶段以及验证分析阶段组成。能够快速求解得到符合要求的最优目标分子结构。并以SNAr反应和Menschutkin反应为例,设计得到使反应速率/选择性更优的反应溶剂分子结构,说明了所提方法的通用性以及反应溶剂反向优化设计的可行性与有效性。