生成模型

摘要： 随着进入大数据时代,“标记数据少,而未标记数据多”的现象越来越普遍.半监督学习是充分利用样本中“廉价”的未标记样本,让学习器不依赖外界交互、自动地利用未标记样本提升学习性能.通过构建多模态概率生成模型对数据进行建模,然后分析该模型上的监督学习过程和非监督学习过程,最后结合两种学习过程实现半监督学习.通过在MNIST数据集和FASHION_MNIST数据集上验证,证实本模型的可行性,并且对比经典的半监督学习可以看出,本模型提高了预测标签的精度.

摘要： 蛋白质是一切生命体的物质基础,是生命活动的主要承担者,参与各种生理功能的调节。设计具有特定功能的蛋白质在蛋白质工程、生物医药、材料科学等领域具有重要意义。蛋白质序列设计的目标是设计能够折叠成期望结构并具有相应功能的氨基酸序列,是所有理性蛋白质工程的核心问题,具有极其重要的研究和应用潜力。随着蛋白质序列数据的指数型增长和深度学习技术的快速发展,生成模型越来越多地被应用于蛋白质序列设计。本文简要介绍了蛋白质序列设计的重要意义和主要方法,概述了应用于蛋白质序列设计的主要生成模型,介绍了近年来生成模型在蛋白质序列表示、生成和优化方面的最新研究和应用现状,并对未来的发展方向进行讨论与展望。

摘要： 深度生成模型结合了生成模型与多层神经网络,在计算机视觉、目标检测、自然语言处理等领域得到广泛应用.变分自编码是一种重要的深度生成模型,通过多层神经网络对生成模型和后验概率分布的近似分布进行建模,得到目标函数的变分下界.变分自编码以其显式的生成模型建模方式及定量的下界表示形式受到研究者的关注.由于变分自编码中推理模型的表示能力有限,使得生成的图像精细度不高.本文提出一种基于对抗性策略的变分自编码模型,该模型通过在变分自编码模型的推理模型中加入随机噪声,提高推理模型的表示能力,同时引入对抗网络增加聚合正则化约束,进一步训练推理模型.通过在MNIST和Fashion-MNIST数据集上设计对比实验,表明该模型可以给出更优的变分似然下界,并生成效果更好的图像数据.

摘要： 标准对抗自编码模型能够以自监督方式自适应提取输入样本的特征,并通过对抗机制对提取的特征施加特定的先验分布,从该先验分布进行采样输入解码器,则可生成与输入样本近似的样本。但在实际应用中,有时需要生成指定类别的样本;对于模式识别任务,通常还需要对多类别样本的特征进行提取,并强化特征间差异,从而进行聚类分析。针对上述需求,本文提出基于二维独立均匀分布对抗自编码的分析模型。在该模型中,根据类别信息构建二维均匀分布,便于对不同类别的可视化特征进行专属约束,从而强化不同类别特征间的差异;此外,通过自监督与对抗训练,使得对应特定类别信息的均匀分布样本能够生成指定类别的样本。方法经网络公开数据MNIST数据集进行了验证,研究表明,该方法能够利用与类别信息相关的二维独立均匀分布对隐变量进行约束,提高了特征聚类性能,并能够生成指定类别的样本。

摘要： 计算安全的隐写理论很早就被提出,但一直不能用于主流的以多媒体数据为载体的隐写术。原因在于计算安全隐写的前提是可以获得载体的精确分布或可以按照载体分布精确采样,而自然采集的图像、音/视频无法满足这个前提条件。近几年,随着深度学习的发展,多媒体生成技术逐渐成熟且在互联网上的应用越来越普遍,生成媒体成为合理的隐写载体,隐写者可以用正常的生成媒体掩盖秘密通信,即在媒体生成过程中隐写信息,并与正常的生成媒体不可区分。一些生成模型学到的分布是可知或可控的,这将为计算安全隐写推向实用提供契机。以当前广泛应用的合成语音模型为例,设计并实现了计算安全的对称密钥隐写算法,即在音频生成过程中,根据样本点的条件概率,按算术编码的译码过程将消息解压缩到合成音频中,消息接收方拥有相同的生成模型,通过复现音频合成过程完成消息提取。在该算法的基础上进一步设计了公钥隐写算法,为实现包括隐蔽密钥交换在内的全流程隐蔽通信提供了算法支撑,在保证隐写内容安全的同时,还可以实现隐写行为安全。理论分析显示,所提隐写算法的安全性由嵌入消息的随机性决定,隐写分析实验进一步验证了当前技术下攻击者无法区分合成的载体音频与载密音频。

摘要： 随着软件规模和复杂性的增加,不可避免会出现各种各样的软件缺陷,其中安全相关的软件缺陷容易被攻击者利用而可能造成重大的经济与生命财产损失.在软件开发维护过程中一般会采用缺陷报告追踪系统以缺陷报告的形式及时地记录和追踪软件所产生的缺陷.自动识别安全缺陷报告可以快速将缺陷报告仓库中和安全相关的缺陷报告识别出来,帮助修复人员及时发现安全缺陷并优先修复.目前常见的安全缺陷报告自动识别方法主要是基于文本挖掘和机器学习相结合的技术,但是由于安全相关缺陷具有特征复杂以及在实际项目中数量较少的特点,使得传统的基于机器学习的识别模型难以提取和安全相关的深层次语义特征,并且模型训练过程受数据集噪音的影响较大,从而导致模型的泛化性能提升出现瓶颈.为了解决该问题,本文提出了一种噪音过滤和深度学习相结合的安全缺陷报告识别框架,该框架首先使用词嵌入技术获取语料库中所有单词的分布式向量表示,然后采用本文提出的基于生成模型的噪音过滤方法FSDON(Filtering Semantically Deviating Outlier NSBRs)过滤与安全缺陷报告语义相似并且可能是噪音的非安全缺陷报告,最后使用不同的深度神经网络(LSTM、GRU、TextCNN和Multi-scale DCNN)构建安全缺陷报告识别模型,完成安全缺陷报告自动识别任务.本文方法在5个不同规模的数据集上进行了实验评估,实验结果表明,相比于目前最先进的基于文本挖掘和机器学习相结合的方法,本文方法在g-measure指标上平均提升8.26%,并且在不同规模的数据集上的性能均优于现有最先进的方法.

摘要： 多对比度磁共振成像由于能够提供丰富且不同的对比度信息,因此在临床应用中是一种强大的成像工具。本文提出了一种高效的基于梯度域的无监督深度学习方法(UDLGD)用于多对比度磁共振成像重建,该方法的目的在于从部分采样的K空间数据中重建相同解剖截面的多对比度图像。UDLGD算法主要包含两个迭代关系阶段:其中在先验学习阶段,利用分数匹配生成网络模型从单对比度图像数据集中获取梯度域先验信息;先验信息可以应用于不同对比度图像数量、不同采样轨迹等多场景的磁共振成像重建。随后在迭代重建阶段通过迭代更新数据一致性、梯度域先验信息和组合稀疏性,以获得满意的重建结果。大量采用活体磁共振图像数据的实验结果表明,UDLGD方法与其他方法相比可以获得更低的重建误差和更好的图像纹理结构。

摘要： 变分自编码器(Variational Autoencoders,VAE)是一类重要的学习概率潜在变量的生成模型,然而VAE对复杂模型的表现力较差,生成的图像往往比较模糊.为了解决VAE生成图像模糊的问题,提出一种基于行列式点过程的变分拉普拉斯自编码器(Variational Laplace Autoencoders-Determinantal Point Process,VLAE-DPP)模型,将行列式点过程方法引入变分拉普拉斯自编码器模型,在原始目标函数的基础上添加一项无监督惩罚损失,以此来提高生成图像的质量.VLAE-DPP模型利用行列式点过程来捕获一个与真实数据类似的多样性,然后通过从编码器中提取特征来学习核.最后,训练解码器优化核的伪、实、特征值和特征向量之间的损失,以鼓励解码器模拟真实数据的多样性,从而生成高质量的图像.在Fashion-MNIST,SVHN,CIFAR10数据集上的实验结果表明,VLAE-DPP模型能提高生成图像的质量.

摘要： 随着风电渗透率的日益提高,如何有效地描述风电出力的不确定性成为了配电网运行和规划所面临的巨大挑战,为此,提出一种基于隐式最大似然估计的风电出力场景生成方法。针对风电出力曲线的数据特征,设计适用于风电出力场景生成的损失函数和网络结构。通过无监督训练使得场景生成器能够学习到高斯噪声与风电出力场景之间的映射关系。仅需调节模型中相关的参数,采用所提方法就能够生成不同时间尺度的风电出力场景。仿真结果表明,所提方法的预测区间平均宽度和预测区间覆盖率均优于现有的生成对抗网络,且所提方法对于不同的风电场具有一定的普适性。

摘要： 为了解决光学遥感探测中民用商用船舶和军舰样本不足的问题,提出面向船舶遥感图像的Wasserstein距离生成对抗网络(ship-WGAN)。在ship-WGAN中,生成器网络以U-Net结构为主,并利用重建损失和感知风格损失提高生成器生成图像的能力;在判别器中引入残差模块,减少网络参数的计算量。在Google Earth获取5类船舶遥感图像建立训练集,以此验证ship-WGAN的性能;在生成图像质量方面,峰值信噪比、结构相似性度量、起始距离分别可以达到24.91 dB、0.92、0.99;扩充样本后训练图像识别模型,识别准确率能够提升6%。提出的ship-WGAN可以生成高质量的船舶遥感图像虚拟样本,提高船舶识别的准确率,达到数据增广的效果。

摘要： 针对人体运动捕获数据底层特征和高层语义之间常常存在语义鸿沟的问题,结合深度学习思想,提出一种融合受限玻尔兹曼机生成模型和判别模型的运动捕获数据语义识别算法.该算法采用双层受限玻尔兹曼机,分别对运动捕获数据进行判别性特征提取(特征提取层)和风格识别(语义判别层),首先考虑到自回归模型对时序信息具有出色的表达能力,构建一种基于单通道三元因子交互的条件限制玻尔兹曼机生成模型,用于提取运动捕捉数据的时空特征信息;然后将提取出的特征与对应的风格标签相耦合,作为语义判别层中受限玻尔兹曼机判别模型的当前帧数据层输入,进行单帧风格识别的训练;最后,在获得各帧参数的基础上,在模型顶部加入投票空间实现对运动捕捉序列的风格语义的有效识别.实验结果表明,文中算法具有良好的鲁棒性和可扩展性,能够满足多样化运动序列识别的需求,便于数据的有效重用。

摘要： 本文提出了一种云端信息安全字形的生成模型.该模型将汉字字形抽象为汉字结构模式和汉字的风格模式,然后通过定义有效的汉字结构输出和汉字笔画生成方案,动态的生成了可用于信息安全保护的信息安全字形.实现了汉字字形的Web存储和在客户端的特征字形的输出的监控.克服了现代汉字由于整字编码而导致的汉字信息在云端安全服务方面的不足,为汉字信息的云端存储和云端数据安全服务保护提供了一种有效的策略和方法,同时,也为设计更深层次的云端汉字信息服务系统奠定了基础.

摘要： 情报提供及时、完整、准确的对抗态势,使得作战的指挥决策者能顺利完成决策任务。情报生成是保证情报质量的关键,现有计算机网络对抗缺少独立的情报生成系统.本文基于着色Petri网,为计算机网络对抗的战术情报提出一种生成模型.明确计算机网络对抗的作用对象及情报外延,形式地定义情报生成活动及过程,在此基础上建立战术情报生成的CPN模型,并通过CPN Tool 2.2进行仿真和分析,验证了该模型提供的情报生成过程的计算可行性和有效性,为相应的软件系统设计提供依据.

摘要： 本文利用量子化学计算方法和HB模型建立了NOx生成模型,考虑了热NOx、瞬发NOx生成机理以及途经N2O的NO生成机理,并确定了相关反应参数。利用新建立的模型对某柴油机三维燃烧排放过程进行了模拟计算,并完成了新模型计算结果与Zeldovich模型计算结果以及与实测数据相对比。模拟计算和对比,验证了新NO生成模型的正确性,并表明新模型可以提高NO计算的精度。

摘要： 如何生成适应度高的入侵检测器是计算机免疫学的一个重要课题。本文针对传统的否定选择算法生成检测器模型的不足,在继承生物免疫学中接种疫苗和免疫选择的思想上,提出了一种新的入侵检测器生成模型。实验结果证明,在选取了合适的模型参数后,本模型较传统模型在检测率上有了较大的提高。

摘要： 根据燃料型NOx产生的化学反应规律和生物质中燃料N的存在形式特点,建立了生物质燃料型NOx生成模型.通过数值计算,研究了回转窑内生物质燃料在高温空气燃烧(HTAC)条件下NOx的排放特性.分析了高温空气温度、含氧量和过剩空气系数等因素对NOx形成的影响.通过NOx实验测量值与相同工况下的计算值进行比较,验证了该模型的可靠性,证实了高温空气燃烧技术能达到低NOx排放和需要的相关条件.

摘要： 图像的自然语言描述(Image Caption)是一个融合计算机视觉、自然语言处理和机器学习的跨领域课题.它作为多模态信息处理的关键技术,近年来取得了显著成果.当前研究大多针对图像生成英文摘要,而对于中文摘要的生成方法研究较少.本文提出了一种基于多模态神经网络和特征融合的图像中文摘要生成方法.该方法由编码器和解码器组成,编码器基于卷积神经网络,包括单标签视觉特征提取网络和多标签关键词特征预测网络,解码器基于长短时记忆网络,由多模态摘要生成网络构成.在解码过程中,本文针对长短时记忆网络的特点提出了四种多模态特征融合方案CNIC-X、CNIC-H、CNIC-C和CNIC-HC.在中文摘要数据集Flickr8kCN上实验,结果表明本文提出的方法优于现有的中文摘要生成模型.

摘要： 由于一个作者可以用他/她所写的文章来大致描述，从文本中挖掘作者之间的影响关系就成为文本挖掘的研究内容之一。然而，现在的研究倾向于从那些有明显回复关系的文本中，挖掘作者之间影响关系。例如，利用电子邮件挖掘作者之间关系。在这篇论文中，我们将从没有明显回复关系的文本中挖掘作者之间的关系。为此，本文提出一个同时考虑文本、文本话题和作者之间影响关系的文本生成模型；利用Gibbs 采样算法对模型中的参数进行求解，从而发现作者之间的影响关系。最后，文本将所提出的模型与著名的作者话题模型的预测性能进行了对比，说明所提出的模型具有与作者话题模型相当的预测能力。

摘要： 系统事件日志记录是系统安全审计最重要的数据源.现有的日志保护机制主要解决事件日志生成后的数据完整性保护方面的问题,但对于日志数据生成阶段的可信生成方面还没有解决.本文主要贡献是提出了一种基于TCM模块的可信事件日志生成方法,为事件日志提供了生成时的数据完整性、可认证性等安全特性,增强了事件日志数据的可信性,通过分析证明了本方法的有效性和可实施性.

摘要： 系统事件日志记录是系统安全审计最重要的数据源.现有的日志保护机制主要解决事件日志生成后的数据完整性保护方面的问题,但对于日志数据生成阶段的可信生成方面还没有解决.本文主要贡献是提出了一种基于TCM模块的可信事件日志生成方法,为事件日志提供了生成时的数据完整性、可认证性等安全特性,增强了事件日志数据的可信性,通过分析证明了本方法的有效性和可实施性.

摘要： 本发明公开了一种保障生成模型唯一性的高分辨率三维模型生成方法，包括如下步骤：步骤一、通过体素堆叠进行三维建模，创作低分辨率三维模型M1；步骤二、获得用户信息B；步骤三、通过哈希算法F对用户信息B进行编码，得到哈希值H；步骤四、得到生成式神经网络算法C1；步骤五、将低分辨率三维模型M1生成为高分辨率三维模型M2；步骤六、将生成的高分辨率三维模型M2上传至支持智能合约与非同质化代币的区块链系统。本发明能够保障用户生成的高分辨率三维模型的唯一性；本发明的适用性极强，能够适用于所有卷积神经网络架构中，保障所有用户生成的所有高分辨率三维模型都唯一且确权。

摘要： 本发明公开了生成模型学习方法、生成模型学习装置及程序。本发明涉及能够最终生成所期望的数据的生成模型学习方法、生成模型学习装置及程序。本发明的生成模型学习方法，包括根据第1学习数据来学习用于生成数据的生成模型的第1学习步骤，和根据第2学习数据来学习第1学习步骤学习中的生成模型的第2学习步骤，并对第1学习步骤和第2学习步骤交替重复后来学习生成模型。

摘要： 本申请实施例提供了一种数字人生成模型、模型的训练方法以及数字人生成方法，数字人生成模型包括：数据采集模块、数据预处理模块、模型训练模块、预测处理模块。模型的训练方法包括：采集训练样本视频数据、对训练样本视频数据进行预处理、对所述音频数据进行特征提取、训练预设的第一神经网络模型、训练预设的第二神经网络模型，生成预测人脸图片、合成数字人视频。数字人生成方法包括：对视频数据进行人脸检测和裁剪，生成裁剪图片和遮住嘴部区域的人脸图片、将音频数据、人脸关键点数据和遮住嘴部区域的人脸图片输入至数字人生成模型中，生成数字人视频、将音频数据输入至数字人视频中，生成带有声音的二维数字人视频。

摘要： 本发明公开了一种保障生成模型唯一性的高分辨率三维模型生成方法，包括如下步骤：步骤一、通过体素堆叠进行三维建模，创作低分辨率三维模型M1；步骤二、获得用户信息B；步骤三、通过哈希算法F对用户信息B进行编码，得到哈希值H；步骤四、得到生成式神经网络算法C1；步骤五、将低分辨率三维模型M1生成为高分辨率三维模型M2；步骤六、将生成的高分辨率三维模型M2上传至支持智能合约与非同质化代币的区块链系统。本发明能够保障用户生成的高分辨率三维模型的唯一性；本发明的适用性极强，能够适用于所有卷积神经网络架构中，保障所有用户生成的所有高分辨率三维模型都唯一且确权。

摘要： 本申请提供了一种步态轨迹生成模型训练方法、用模型生成轨迹方法及设备。该步态轨迹生成模型训练方法包括：获取每一测试者的人体参数及不同速度下的正常步态轨迹，以及多个测试者在同一速度下的步态单元轨迹；正常步态轨迹包括正常步态长度和正常关节轨迹，步态单元轨迹包括步态单元长度和关节单元轨迹；使用正常步态轨迹训练编码器和解码器；将正常步态轨迹输入训练后的编码器，得到正常步态特征；将步态单元轨迹输入训练后的编码器，得到步态单元特征；以人体参数、正常步态长度、正常步态特征、步态单元长度及步态单元特征构建步态训练集；使用步态训练集训练极限学习机。本申请用以得到一种利于下肢障碍患者恢复正常步态的模型。

摘要： 本发明涉及人工智能的深度学习技术领域，提供一种模型训练及古诗生成方法、古诗生成模型、设备和介质。模型训练方法包括步骤：根据多个训练主题和每个所述训练主题关联的训练古诗，分别以每首所述训练古诗为训练样本，训练古诗生成模型，包括：获得一第一训练古诗的每句诗句的关键词；根据第一时刻的目标输出、所述第一时刻的下一时刻的目标输出的所属诗句的关键词、及所述第一训练古诗基于所述下一时刻的历史预测信息，生成所述下一时刻的输入信息；以及将所述下一时刻的输入信息输入所述古诗生成模型，获得所述下一时刻的预测输出。本发明将关键词和历史信息添加入模型的输入中，使生成的古诗主题清晰、上下文对应、整体连贯。

摘要： 本发明公开了一种基于关系模型的医学报告生成模型及其生成方法，所述模型包括：深度卷积网络，用于对异常术语进行分类并抽取视觉特征，并将其输入分为两级的双向长短期记忆网络层进行注意力操作，在每级双向长短期记忆网络层后接入全连接层以分别负责选择模板和单词；分级递归神经网络，包括2层双向长短期记忆网络层，其顶层双向长短期记忆网络层通过注意力操作，再连接全连接层选择正确的模板，低层双向长短期记忆网络层介入顶层的信息并连接全连接层选择正确的单词；报告生成模块，包括用于预测异常句子的模板解码器和用于正常句子生成的单词解码器，以根据所述分级递归神经网络的决策选择对当前句子生成使用模板检索或句子生成，并将所有来自检索或自动生成的句子最终连接起来形成医学报告。

摘要： 本说明书实施例提供了文本生成方法、文本生成模型、文本生成设备及存储介质，其中，文本生成方法包括：获取输入数据；其中：所述输入数据包括：字段信息；所述字段信息适于表征待生成文本所要包含的字段；所述字段信息包括至少一个字符；对所述输入数据进行特征编码操作，得到特征编码数据；基于所述特征编码数据，执行数据解码操作，生成与所述输入数据匹配的文本。采用上述方案，能够增加文本表达形式的多样性。

摘要： 本公开公开了训练生成文本生成模型的方法和文本生成方法。其中，训练生成文本生成模型的方法包括步骤：收集多个描述对象的文本，并生成文本中各段落对应的第一标签和第二标签，作为训练数据集；从训练数据集中选取出第一标签和第二标签均相同的第一数量个段落；从第一数量个段落中选取第二数量个句子，并对所选取的句子进行随机排序，作为第一子集；从第一数量个段落中选取第三数量个句子，作为第二子集；以及利用第一子集和所述第二子集，对初始的文本生成模型进行训练，得到训练好的文本生成模型，用来生成新的描述对象的文本。

摘要： 本申请公开了一种汉字字体生成模型的生成方法、汉字字体生成方法及装置，属于人工智能技术领域。所述方法包括：获取汉字图像；对汉字图像进行几何变换处理，生成汉字变换图像；将汉字变换图像输入至汉字鉴别模型，通过汉字鉴别模型对汉字变换图像进行鉴别处理，输出汉字变换图像的真伪性信息；基于真伪性信息，调整字体生成模型的模型参数，得到训练后的字体生成模型。本申请实施例提供的技术方案中，通过对汉字图像进行几何变换以指导模型提取高质量汉字特征；并通过汉字鉴别模型对汉字转换图像进行真伪判断的结果，调整模型参数以使模型效果最优，有效解决深度学习模型训练中的模式坍塌的问题，提升特征提取的指导与针对性，显著提升汉字生成效果。