Query：
学者姓名：陈羽中
Refining：
Year
Type
Indexed by
Source
Complex
Co-
Language
Clean All
Abstract ：
对话状态追踪是对话系统的重要组成部分,旨在从用户与系统的对话中跟踪用户意图,其通常表示为槽位-槽值对序列.近年来,深度神经网络模型在对话状态追踪问题上取得了较大进展.然而,现有模型在槽位相关性建模方面还存在可拓展性差与易引入噪声等问题.针对上述问题,本文提出了一种知识增强与自注意力引导的图神经网络KESA-GNN(Knowledge-En-hanced &Self-Attention Guided Graph Neural Network).首先,KESA-GNN通过外部知识嵌入增强槽的语义表征提升多头自注意力机制对槽位间相关性的辨别能力.其次,为了精确建模槽位间的诸如共指、共现等相关性,提出了 一种自注意力引导的图神经网络建模槽位相关性.该网络采用多头注意力机制获得槽位间的注意力矩阵以及槽位表征,通过Max-N Relation算法获得注意力矩阵中强相关关系集,将稠密的注意力矩阵稀疏化,从而引导图神经网络中强相关槽位间的信息传播,降低无关槽位的噪声影响.最后,KESA-GNN采用门控融合机制过滤槽位多头注意力和图神经网络输出的槽位表征,从而获取更准确的槽位表征向量,进一步提升了 KESA-GNN的鲁棒性.在多域对话数据集上的实验结果表明,KESA-GNN模型的性能优于最新的基线模型.
Keyword ：
图神经网络 图神经网络 对话状态追踪 对话状态追踪 知识图谱 知识图谱 自注意力引导 自注意力引导 门控融合 门控融合
Cite：
Copy from the list or Export to your reference management。
| GB/T 7714 | 刘漳辉 , 林宇航 , 陈羽中 . 一种用于多域对话状态追踪的知识增强与自注意力引导的图神经网络 [J]. | 小型微型计算机系统 , 2024 , 45 (1) : 108-114 . |
| MLA | 刘漳辉 等. "一种用于多域对话状态追踪的知识增强与自注意力引导的图神经网络" . | 小型微型计算机系统 45 . 1 (2024) : 108-114 . |
| APA | 刘漳辉 , 林宇航 , 陈羽中 . 一种用于多域对话状态追踪的知识增强与自注意力引导的图神经网络 . | 小型微型计算机系统 , 2024 , 45 (1) , 108-114 . |
| Export to | NoteExpress RIS BibTex |
Version ：
Abstract ：
近年来,深度神经网络特别是图神经网络在方面级情感分析任务上取得了较大进展,但是仍存在未充分利用外部知识信息、句法依赖树的边关系信息以及知识图谱结构信息的缺陷.针对上述问题,本文提出了一种知识增强的双图卷积网络BGCN-KE(Knowledge-enhanced Bi-Graph Convolutional Network).首先,提出一种融合句法依赖关系与外部知识的子图构造算法,得到节点间语义关系更紧密的知识子图.其次,提出了双图卷积网络,分别利用两个图卷积网络在句法依赖知识子图中引导评论文本的节点学习邻接节点的外部知识,以及在评论文本的句法依赖图中融合特定方面相关的语义信息,从而增强评论文本的特定方面知识表示和语义表示.再次,BGCN-KE引入边关系注意力机制,更好地捕获特定方面和上下文词语间的语义关系.最后,提出了一种多级特征融合机制,充分融合特定方面相关的外部知识、语义信息和边关系特征.多个公共数据集上的实验证明,BGCN-KE的性能优于最新的对比模型.
Keyword ：
图卷积网络 图卷积网络 多级特征融合 多级特征融合 方面级情感分析 方面级情感分析 知识图谱 知识图谱 边关系注意力 边关系注意力
Cite：
Copy from the list or Export to your reference management。
| GB/T 7714 | 万宇杰 , 陈羽中 . 一种用于方面级情感分析的知识增强双图卷积网络 [J]. | 小型微型计算机系统 , 2024 , 45 (1) : 37-44 . |
| MLA | 万宇杰 等. "一种用于方面级情感分析的知识增强双图卷积网络" . | 小型微型计算机系统 45 . 1 (2024) : 37-44 . |
| APA | 万宇杰 , 陈羽中 . 一种用于方面级情感分析的知识增强双图卷积网络 . | 小型微型计算机系统 , 2024 , 45 (1) , 37-44 . |
| Export to | NoteExpress RIS BibTex |
Version ：
Abstract ：
立体图像颜色校正方法的目标在于消除立体图像左右视图之间的颜色差异.现有的立体图像颜色校正方法存在校正效果和时间效率不平衡的问题.为了解决这一问题,本文提出一种融合匹配特征的立体图像颜色校正方法.首先,通过视差注意力颜色校正网络得到待校正目标图像的初始校正图.然后,将初始校正图和参考图像输入基于光流的图像匹配网络得到光流匹配目标图.最后,由图像融合网络融合初始校正图、光流匹配目标图、参考图像和目标图像的特征并进行图像重建,得到最终的校正结果.实验结果表明,本文的方法具有先进的性能,能够在保持高时间效率的同时实现高质量的立体图像颜色校正效果.
Keyword ：
卷积神经网络 卷积神经网络 图像融合 图像融合 立体图像 立体图像 颜色校正 颜色校正
Cite：
Copy from the list or Export to your reference management。
| GB/T 7714 | 朱文婧 , 范媛媛 , 陈羽中 . 融合匹配特征的立体图像颜色校正方法 [J]. | 小型微型计算机系统 , 2024 , 45 (1) : 230-240 . |
| MLA | 朱文婧 等. "融合匹配特征的立体图像颜色校正方法" . | 小型微型计算机系统 45 . 1 (2024) : 230-240 . |
| APA | 朱文婧 , 范媛媛 , 陈羽中 . 融合匹配特征的立体图像颜色校正方法 . | 小型微型计算机系统 , 2024 , 45 (1) , 230-240 . |
| Export to | NoteExpress RIS BibTex |
Version ：
Abstract ：
随着互联网技术和自媒体行业的快速发展，人们可以方便快捷地从社交媒体中获取最新信息，但也让更多的谣言在网络中盛行.现有谣言检测模型多从文本内容、用户信息和传播模式中挖掘有效特征.然而，现有模型未充分学习文本的语义信息和谣言传播过程中的结构信息，并忽略了谣言传播的动态过程.针对上述问题，本文提出一种基于动态异构图的谣言检测模型DHGNN(Dynamic Heterogeneous Graph Neural Network).首先，为了增强帖子的文本语义表示，本文提出一种多级注意力网络，引导模型关注源帖子和相应评论中关键的词和句子，充分学习源帖与相应评论之间的语义关联.其次，引入了基于异构图的图神经网络，通过对异构传播图中的用户、帖子节点和转发(或评论)关系进行建模，为不同类型的节点和边生成特定的表示，充分学习异构传播图中的结构信息.最后，提出一种基于旋转记忆单元的时序注意力，分别为每个异构传播图快照建立记忆，捕获谣言动态传播的演化模式.在Twitter15、Twitter16数据集上的实验结果表明，DHGNN模型的性能优于最新的对比模型.
Keyword ：
图神经网络 图神经网络 多级注意力 多级注意力 异构传播图 异构传播图 时序注意力 时序注意力 谣言检测 谣言检测
Cite：
Copy from the list or Export to your reference management。
| GB/T 7714 | 朱文龙 , 陈羽中 , 饶孟宇 . 一种基于动态异构图的谣言检测模型 [J]. | 小型微型计算机系统 , 2024 , 45 (02) : 319-326 . |
| MLA | 朱文龙 等. "一种基于动态异构图的谣言检测模型" . | 小型微型计算机系统 45 . 02 (2024) : 319-326 . |
| APA | 朱文龙 , 陈羽中 , 饶孟宇 . 一种基于动态异构图的谣言检测模型 . | 小型微型计算机系统 , 2024 , 45 (02) , 319-326 . |
| Export to | NoteExpress RIS BibTex |
Version ：
Abstract ：
答案选择是问答领域的一个重要子任务，目标是根据问题从候选答案集合中选择最合适的答案.该任务的核心是问答语义匹配.近年来，随着深度神经网络和预训练语言模型的应用，许多端对端的问答匹配模型展现出优异的性能.但是，现有模型仍然存在语义信息提取不充分以及未有效利用外部知识信息等问题.针对上述问题，本文提出一种知识增强图卷积网络(A Knowledge-enhanced Graph Convolutional Network, KEGCN).首先，KEGCN提出一种基于图卷积神经网络的问题-答案结构信息提取机制，在利用BERT获得文本语义信息的基础上，KEGCN通过图卷积神经网络学习问答对之间的结构信息，增强语义信息.其次，KEGCN设计了一种基于自注意力门控网络的扩展知识语义构建机制，利用自注意力门控网络获取扩展知识实体之间的上下文语义关联并过滤知识噪声，增强模型的鲁棒性.最后，KEGCN利用多尺寸卷积神经网络提取多粒度的全局语义信息，以进一步提高答案选择推理的准确性.WikiQA和TrecQA数据集上的实验结果表明，与对比模型相比较，KEGCN的综合性能更加优异.
Keyword ：
图卷积神经网络 图卷积神经网络 多粒度语义 多粒度语义 知识图谱 知识图谱 答案选择 答案选择 自注意力门控网络 自注意力门控网络
Cite：
Copy from the list or Export to your reference management。
| GB/T 7714 | 郑超凡 , 徐俊杰 , 陈羽中 . 一种用于答案选择的知识增强图卷积网络 [J]. | 小型微型计算机系统 , 2024 , 45 (02) : 278-284 . |
| MLA | 郑超凡 等. "一种用于答案选择的知识增强图卷积网络" . | 小型微型计算机系统 45 . 02 (2024) : 278-284 . |
| APA | 郑超凡 , 徐俊杰 , 陈羽中 . 一种用于答案选择的知识增强图卷积网络 . | 小型微型计算机系统 , 2024 , 45 (02) , 278-284 . |
| Export to | NoteExpress RIS BibTex |
Version ：
Abstract ：
检索式多轮对话是多轮对话中一个重要的分支,如何从众多的候选回复中选择出最适合当前上下文的答复是检索式多轮对话的关键问题.近年来,深度神经网络模型在多轮回复选择问题上取得了较大进展.然而,现有模型依然存在对上下文语义理解不准确,缺乏对上下文内部、话语内部蕴含的时序语义关系的学习等问题.针对上述问题,本文提出了一种基于预训练语言模型的多辅助任务优化的学习方法MSE-BERT.首先,通过区间掩码生成任务优化预训练模型,使其更好地适应当前领域的数据集.提出一种辅助任务是token乱序插入任务,该任务通过随机选择上下文中的一句话语并将其内部的token进行随机打乱,然后预测这句话在上下文中原本的位置,多粒度的学习蕴含在上下文之间的时序语义关系.最后,利用BERT特有的位置嵌入和深层注意力机制,提出了一种双向特征融合机制,将所有的局部信息进行融合,进一步优化模型进行回复选择的能力.在Ubuntu和E-commerce数据集上的实验结果表明,MSE-BERT模型的总体性能优于对比模型.
Keyword ：
双向特征融合 双向特征融合 回复选择 回复选择 多轮对话 多轮对话 语义关系 语义关系 辅助任务 辅助任务
Cite：
Copy from the list or Export to your reference management。
| GB/T 7714 | 刘律民 , 陈羽中 , 陈敬添 . 领域数据增强与多粒度语义理解的多轮对话模型 [J]. | 小型微型计算机系统 , 2024 , 45 (7) : 1585-1591 . |
| MLA | 刘律民 等. "领域数据增强与多粒度语义理解的多轮对话模型" . | 小型微型计算机系统 45 . 7 (2024) : 1585-1591 . |
| APA | 刘律民 , 陈羽中 , 陈敬添 . 领域数据增强与多粒度语义理解的多轮对话模型 . | 小型微型计算机系统 , 2024 , 45 (7) , 1585-1591 . |
| Export to | NoteExpress RIS BibTex |
Version ：
Abstract ：
问题生成是一项具有挑战性的自然语言处理任务,旨在生成具有给定答案和上下文的问题,近年来受到了广泛关注.最近,由于神经网络的发展,问题生成任务取得了较大的进展.然而,现有模型仍然存在未有效利用外部知识以及在利用图神经网络捕获隐藏结构信息未捕获语法信息等问题.针对上述问题本文提出知识增强双图交互网络KE-BGINN(Knowledge-En-hanced Bi-Graph Interaction Neural Network).首先为了有效利用外部知识信息,KE-BGINN通过知识图谱本身的图结构信息构造知识增强图,并利用图卷积网络对文本以及答案上下文语义信息进行扩充.其次,KE-BGINN引入一种双图交互机制,利用两个图卷积网络学习上下文的隐藏结构信息以及语法信息,在图间信息融合时,构造一个虚拟图来充分融合不同图之间的异构信息.最后,KE-BGINN利用指针网络解码机制来解决问题生成时罕见和未知词的问题.在SQuAD数据集上的实验结果证明,与对比模型相比较,KE-BGINN模型的综合性能更加优异.
Keyword ：
双图交互 双图交互 图卷积网络 图卷积网络 知识图谱 知识图谱 虚拟图 虚拟图 问题生成 问题生成
Cite：
Copy from the list or Export to your reference management。
| GB/T 7714 | 李亚峰 , 叶东毅 , 陈羽中 . 用于问题生成的知识增强双图交互网络 [J]. | 小型微型计算机系统 , 2024 , 45 (5) : 1032-1038 . |
| MLA | 李亚峰 等. "用于问题生成的知识增强双图交互网络" . | 小型微型计算机系统 45 . 5 (2024) : 1032-1038 . |
| APA | 李亚峰 , 叶东毅 , 陈羽中 . 用于问题生成的知识增强双图交互网络 . | 小型微型计算机系统 , 2024 , 45 (5) , 1032-1038 . |
| Export to | NoteExpress RIS BibTex |
Version ：
Abstract ：
与从现实场景中拍摄的自然图像不同，屏幕内容图像是一种合成图像，通常由计算机生成的文本、图形和动画等各种多媒体形式组合而成. 现有评估方法通常未能充分考虑图像边缘结构信息和全局上下文信息对屏幕内容图像质量感知的影响. 为解决上述问题，本文提出一种基于边缘辅助和多尺度Transformer的无参考屏幕内容图像质量评估模型. 首先，使用高斯拉普拉斯算子构造由失真屏幕内容图像高频信息组成的边缘结构图，然后通过卷积神经网络对输入的失真屏幕内容图像和相应的边缘结构图进行多尺度的特征提取与融合，以图像的边缘结构信息为模型训练提供额外的信息增益. 此外，本文进一步构建了基于Transformer的多尺度特征编码模块，从而在CNN获得的局部特征基础上更好地建模不同尺度图像和边缘特征的全局上下文信息. 实验结果表明，本文提出的方法在指标上优于其他现有的无参考和全参考屏幕内容图像质量评估方法，能够取得更高的主客观视觉感知一致性.
Keyword ：
Transformer Transformer 卷积神经网络 卷积神经网络 多尺度特征 多尺度特征 无参考屏幕内容图像质量评估 无参考屏幕内容图像质量评估 高斯拉普拉斯算子 高斯拉普拉斯算子
Cite：
Copy from the list or Export to your reference management。
| GB/T 7714 | 陈羽中 , 陈友昆 , 林闽沪 et al. 基于边缘辅助和多尺度Transformer的无参考屏幕内容图像质量评估 [J]. | 电子学报 , 2024 . |
| MLA | 陈羽中 et al. "基于边缘辅助和多尺度Transformer的无参考屏幕内容图像质量评估" . | 电子学报 (2024) . |
| APA | 陈羽中 , 陈友昆 , 林闽沪 , 牛玉贞 . 基于边缘辅助和多尺度Transformer的无参考屏幕内容图像质量评估 . | 电子学报 , 2024 . |
| Export to | NoteExpress RIS BibTex |
Version ：
Abstract ：
Low-light image enhancement is a challenging task due to the limited visibility in dark environments. While recent advances have shown progress in integrating CNNs and Transformers, the inadequate local-global perceptual interactions still impedes their application in complex degradation scenarios. To tackle this issue, we propose BiFormer, a lightweight framework that facilitates local-global collaborative perception via bilateral interaction. Specifically, our framework introduces a core CNN-Transformer collaborative perception block (CPB) that combines local-aware convolutional attention (LCA) and global-aware recursive transformer (GRT) to simultaneously preserve local details and ensure global consistency. To promote perceptual interaction, we adopt bilateral interaction strategy for both local and global perception, which involves local-to-global second-order interaction (SoI) in the dual-domain, as well as a mixed-channel fusion (MCF) module for global-to-local interaction. The MCF is also a highly efficient feature fusion module tailored for degraded features. Extensive experiments conducted on low-level and high-level tasks demonstrate that BiFormer achieves state-of-the-art performance. Furthermore, it exhibits a significant reduction in model parameters and computational cost compared to existing Transformer-based low-light image enhancement methods. IEEE
Keyword ：
bilateral interaction bilateral interaction Collaboration Collaboration Convolutional neural networks Convolutional neural networks hybrid CNN-Transformer hybrid CNN-Transformer Image enhancement Image enhancement Lighting Lighting Low-light image enhancement Low-light image enhancement mixed-channel fusion mixed-channel fusion Task analysis Task analysis Transformers Transformers Visualization Visualization
Cite：
Copy from the list or Export to your reference management。
| GB/T 7714 | Xu, R. , Li, Y. , Niu, Y. et al. Bilateral Interaction for Local-Global Collaborative Perception in Low-Light Image Enhancement [J]. | IEEE Transactions on Multimedia , 2024 : 1-13 . |
| MLA | Xu, R. et al. "Bilateral Interaction for Local-Global Collaborative Perception in Low-Light Image Enhancement" . | IEEE Transactions on Multimedia (2024) : 1-13 . |
| APA | Xu, R. , Li, Y. , Niu, Y. , Xu, H. , Chen, Y. , Zhao, T. . Bilateral Interaction for Local-Global Collaborative Perception in Low-Light Image Enhancement . | IEEE Transactions on Multimedia , 2024 , 1-13 . |
| Export to | NoteExpress RIS BibTex |
Version ：
Abstract ：
In order to provide more efficient and reliable power services than the traditional grid, it is necessary for the smart grid to accurately predict the electric load. Recently, recurrent neural networks (RNNs) have attracted increasing attention in this task because it can discover the temporal correlation between current load data and those long-ago through the self-connection of the hidden layer. Unfortunately, the traditional RNN is prone to the vanishing or exploding gradient problem with the increase of memory depth, which leads to the degradation of predictive accuracy. Many RNN architectures address this problem at the expense of complex internal structures and increased network parameters. Motivated by this, this article proposes two adaptive modularized RNNs to tackle the challenge, which can not only solve the gradient problem effectively with a simple architecture, but also achieve better performance with fewer parameters than other popular RNNs.
Keyword ：
Cumulative Priority Cumulative Priority Gate Mechanism Gate Mechanism General framework General framework Long-term Dependencies Long-term Dependencies Module Update Module Update Multi-timescale Connections Multi-timescale Connections Skip Length Skip Length Weight Pruning Weight Pruning
Cite：
Copy from the list or Export to your reference management。
| GB/T 7714 | Huang, Fangwan , Zhuang, Shijie , Yu, Zhiyong et al. Adaptive Modularized Recurrent Neural Networks for Electric Load Forecasting [J]. | JOURNAL OF DATABASE MANAGEMENT , 2023 , 34 (1) . |
| MLA | Huang, Fangwan et al. "Adaptive Modularized Recurrent Neural Networks for Electric Load Forecasting" . | JOURNAL OF DATABASE MANAGEMENT 34 . 1 (2023) . |
| APA | Huang, Fangwan , Zhuang, Shijie , Yu, Zhiyong , Chen, Yuzhong , Guo, Kun . Adaptive Modularized Recurrent Neural Networks for Electric Load Forecasting . | JOURNAL OF DATABASE MANAGEMENT , 2023 , 34 (1) . |
| Export to | NoteExpress RIS BibTex |
Version ：
Export
| Results： |
Selected to |
| Format： |
