计算机科学与探索杂志

计算机科学与探索杂志2020年第1期

• 生成对抗网络GAN综述

  梁俊杰，韦舰晶，蒋正锋

  生成对抗网络（GAN）作为一种新的无监督学习算法框架得到越来越多研究者的青睐，已然成为当下的一个研究热点。GAN受启发于博弈论中的二人零和博弈理论，其独特的对抗训练思想能生成高质量的样本，具有比传统机器学习算法更加强大的特征学习和特征表达能力。目前GAN在计算机视觉领域尤其是在样本生成领域取得显著成功，每年有大量GAN相关研究的论文产出。针对GAN这一热点模型，首先介绍了GAN的研究现状；接着介绍了GAN的理论、框架，详细分析了GAN在训练过程中存在梯度消失和模式崩溃的原因；然后讨论了一些典型的GAN的改进模型，总结了它们理论的改进之处、优点、局限性、应用场景以及实现成本，同时还将GAN与VAE、RBM模型进行比较，总结出GAN的优势和劣势；最后展示了GAN在数据生成、图像超分辨率、图像风格转换等方面的应用成果，并探讨了GAN目前面临的挑战以及未来的研究方向。

• 个性化新闻推荐技术研究综述

  王绍卿，李鑫鑫，孙福振，方春

  新闻每时每刻都在发生，阅读新闻已经成为很多人的习惯。新闻媒体众多，网络媒体凭其迅捷性和便利性成为很多人的首选。网络新闻众多导致新闻过载，这就迫切需要个性化的新闻推荐系统，帮助用户快速地找到感兴趣的新闻。伴随着新闻大数据的产生和移动互联网的蓬勃发展，个性化新闻推荐迎来了新的机遇和挑战。首先介绍了个性化新闻推荐的挑战性；然后提出了个性化新闻推荐系统的基本框架，该框架包含新闻建模、用户建模、推荐引擎和用户接口四个模块，并以该框架为基础，分别综述了每个模块的研究进展，列举了现有的个性化新闻推荐系统中四个模块所采用的技术；最后总结了常用数据集、实验方法、评测指标和未来的研究方向。

• 基于扩展主题模型的异常医疗处方检测方法

  刘少钦，唐爽，赵俊峰，王亚沙，卓琳

  异常处方指的是医生为患者所开具的存在异常的处方。医疗处方中出现异常，如滥用药或者开错药等，会影响患者的治疗效率，甚至造成严重的后果。由于一些主观或者客观原因，医生总会开具一些异常处方。检测出这些异常处方能够提升患者就医效率，减少社会医疗成本，并且对药物滥用、多开药、错开药的有效管理等都有着重要意义。为此，提出了一种基于扩展主题模型的异常处方检测方法。该方法能够自动地从大量处方数据中检测出异常处方，并且对于每一个新的处方，该方法都能够判断其诊断和用药是否匹配，进而判断其是否正常。与其他异常检测算法相比，该方法具有更广泛的应用，不仅可以在医疗领域中使用，以检测异常处方，还可以在其他领域中使用，以检测其他特征之间的匹配关系异常。该方法已经得到了实现，并在真实的处方数据集中得到了验证。

• 移动APP演化策略研究

  孙悦，郭斌，欧阳逸，於志文，王柱

  移动互联网时代中，APP用户更注重产品体验，通过评论的方式来表达自己的使用情况和建议。在线评价数据的研究已经成为热点，从评论中获得的用户反馈有助于APP演化升级，但目前针对APP的评论挖掘方兴未艾。从9家APP应用商店中采集得到大量用户评论数据，筛选评论所包含的需求属性和情感倾向，并运用KANO模型对其建模分析，映射属性到魅力、期望、必备等类别。根据APP具体属性和所属KANO类别给出合理有效的更新演化策略：APP演化应优先满足必备和期望属性的需求，并逐步实现魅力属性的需求，并且最终检验了模型的鲁棒性和易移植性。

• 基于朋友圈和节点感知的内容中心MSN路由机制

  张卜聆，王兴伟，李婕，易波，黄敏

  为了解决移动社交网络（MSN）中由于网络拓扑的时变性以及节点资源的受限性导致路由时延长、投递率低等诸多难题，利用信息中心网络（ICN）内容和位置分离的特点更好地支持终端移动性和网内缓存，设计了一种基于朋友圈和节点感知的内容中心MSN路由机制（FACMR）。首先，明确了节点模型的功能表，使节点具有感知能力。然后，基于节点关系强度和其缓存内容相似性构造朋友圈，快速高效地指导路由。其次，利用缓存特征和置换策略进行朋友圈的维护。最后，利用网络模拟器（NS3）对FACMR进行仿真。仿真结果表明，FACMR与现有的典型算法相比，缓存置换率减少了6.35%，误包数减少了22.9%，平均路由时延降低了43.5%，是一种可行且高效的MSN路由机制。

• 融入兴趣区域的差分隐私轨迹数据保护方法

  兰微，林英，包聆言，李彤，陈梦蓉，单今朝

  轨迹数据保护方法是当前隐私保护研究领域的热点问题。现有轨迹数据隐私保护方法多数采取在所有位置点上加噪的策略，这在保护轨迹数据的同时也降低了保护后数据的可用性。为解决该问题，提出了一种融入兴趣区域的差分隐私轨迹数据保护方法。该方法首先将用户长时间停留的相近位置点集合定义为兴趣区域，将兴趣区域的中心点定义为驻留点。然后通过划定阈值的方式，从所有驻留点中挖掘出频繁驻留点，使用驻留点替代原轨迹数据中对应的兴趣区域，精简轨迹数据。最后利用Laplace机制对频繁驻留点进行加噪。该方法仅需要在轨迹数据的局部数据点上进行加噪，即可实现对轨迹数据的差分隐私保护。分别在真实数据集和仿真数据集上进行了实验，实验结果表明该方法在保护轨迹数据隐私的前提下，能够进一步提高数据的可用性。

• 在幺模矩阵加密方法下的安全外包算法

  张胜霞，田呈亮

  关于大规模矩阵相乘（MMC）、矩阵求逆（MIC）和矩阵行列式（MDC）的算法在安全外包计算中得到广泛研究与运用，其存在的问题也日益凸显，隐藏原始矩阵中零元素的数目问题就是其中之一。然而，目前学术界关于保护零元素数目的研究较少，现有的研究也仅能保护零元素的位置，没有针对保护零元素的数目同时又能达到高效性的加密方法，这在大规模云计算环境中是很不安全的。针对这个问题，从算法的角度出发，改进了原有的置换矩阵的加密方法，并设计了一种新的安全外包MMC、MIC和MDC的算法。该算法将代数结构扩展到有限域中，首先对初始矩阵进行随机置换，然后进行幺模矩阵变换，并将加密后的矩阵发送给云服务端；云经过计算之后把结果返回给客户端，随后客户端进行解密和验证。通过理论证明，设计的三个协议不仅保护了原始矩阵零元素的数目，而且实现了正确性、隐私性和可验证性的目标。最后，通过实验证明了基于幺模矩阵的加密方法是高效的。

• 混合互信息和粒子群算法的多目标特征选择方法

  王金杰，李炜

  在数据挖掘中，由于数据集中含有大量的冗余和不相关的特征，因此特征选择是一个重要的预处理过程。提出了一个基于混合互信息和粒子群算法的过滤式-封装式的多目标特征选择方法（HMIPSO）。根据粒子的pbest距离上次更新的迭代次数，提出了自适应突变策略去扰动种群，避免种群陷入局部最优。同时基于帕累托前沿面和外部文档提出了一个新的集合概念。结合互信息和新的集合知识提出了一个局部搜索策略，使得帕累托前沿面中的粒子可以删除不相关和冗余的特征，然后通过精英策略更新学习前和学习后的帕累托前沿面。最后将提出的算法和另外4种多目标算法在15个UCI数据集上进行了测试，实验结果表明提出的算法能够更好地降低特征个数和分类错误率。

• 新的降维标准下的高维数据聚类算法

  万静，吴凡，何云斌，李松

  为了解决主成分分析（PCA）算法无法处理高维数据降维后再聚类精确度下降的问题，提出了一种新的属性空间概念，通过属性空间与信息熵的结合构建了基于特征相似度的降维标准，提出了新的降维算法EN-PCA。针对降维后特征是原特征的线性组合而导致可解释性变差以及输入不够灵活的问题，提出了基于岭回归的稀疏主成分算法（ESPCA）。ESPCA算法的输入为主成分降维结果，不需要迭代获得稀疏结果，增加了灵活性和求解速度。最后在降维数据的基础上，针对遗传算法聚类收敛速度慢等问题，对遗传算法的初始化、选择、交叉、变异等操作进行改进，提出了新的聚类算法GKA++。实验分析表明EN-PCA算法表现稳定，GKA++算法在聚类有效性和效率方面表现良好。

• 一种模型决策森林算法

  尹儒，门昌骞，王文剑

  随机森林（RF）具有抗噪能力强，预测准确率高，能够处理高维数据等优点，因此在机器学习领域得到了广泛的应用。模型决策树（MDT）是一种加速的决策树算法，虽然能够提高决策树算法的训练效率，但是随着非纯伪叶结点规模的增大，模型决策树的精度也在下降。针对上述问题，提出了一种模型决策森林算法（MDF）以提高模型决策树的分类精度。MDF算法将MDT作为基分类器，利用随机森林的思想，生成多棵模型决策树。算法首先通过旋转矩阵得到不同的样本子集，然后在这些样本子集上训练出多棵不同的模型决策树，再将这些树通过投票的方式进行集成，最后根据得到的模型决策森林给出分类结果。在标准数据集上的实验结果表明，提出的模型决策森林在分类精度上明显优于模型决策树算法，并且MDF在树的数量较少时也能取到不错的精度，避免了因树的数量增加时间复杂度增高的问题。

• 无逆矩阵在线序列极限学习机

  左鹏玉，王士同

  无逆矩阵极限学习机只能以批量学习方式进行训练，将其拓展为无逆矩阵在线学习版本，提出了无逆矩阵在线序列极限学习机算法（IOS-ELM）。所提算法增加训练样本时，利用Sherman Morrison Woodbury公式对新增样本数据后的模型进行更新，直接计算出新增隐含层输出权重，避免对已经分析过的训练样本的输出权重进行重复计算。给出了所提IOS-ELM算法的详细推导过程。在不同类型和大小的数据集上的实验结果表明，所提IOS-ELM算法非常适合在线方式逐步生成的数据集，在快速学习和性能方面都有很好的表现。

• 自适应多普勒补偿与变异选择的蝙蝠算法

  王永贵，张博雅，吕欢欢

  为克服蝙蝠算法在高维优化问题上求解精度低和早熟收敛的缺点，提出一种改进的蝙蝠算法。首先根据蝙蝠相对猎物距离的远近程度，对频率引入自适应多普勒补偿策略，并结合速度偏移机制修正飞行方向，产生靠近最优个体的新位置；其次对最优个体构造自适应变异选择策略，先利用柯西变异产生的较大步长摆脱局部极值的束缚，后利用高斯变异产生的较小步长精细搜寻最优区域；最后通过调整响度和脉冲发射率，平衡算法的全局探索和局部开发能力。从理论上分析了算法的收敛性和运算复杂性，对12个标准函数在不同维度下进行仿真实验，并与近年来其他蝙蝠算法进行比较，结果表明改进的算法在求解高维优化问题上具有较优的收敛速度和精度。

• 面向并行的动态增量式Delaunay三角剖分算法

  杨昊禹，刘利，张诚，于灏

  三角剖分是计算机图形学中的重要话题。并行三角剖分算法的发展对传统三角剖分算法提出了新需求，其中之一即是给定一个点数不断增大的点集，实现对该点集三角剖分的快速增量更新。虽然现今已有一些增量三角剖分算法，但都无法支持新增点落入原有三角剖分之外的情况。为解决此问题，提出了三角剖分的外扩技术，基于插入法设计了增量三角剖分算法TID。该算法能够支持任意次、任意数量、任意位置点的增量添加。TID算法能够对任意分布的点集均给出唯一三角剖分结果。对TID算法的性能评估表明，TID算法比现有算法具有更高的计算效率，且增量功能引入的额外开销较小。此外，该算法已成功作为局地三角剖分算法用于并行三角剖分算法中。

• 分类激活图增强的图像分类算法

  杨萌林，张文生

  分类激活图（CAM）具有稀疏、不连续、不完整等问题，并且目前大部分研究仅将其用于可视化分析。基于此，首先利用扩张卷积设计了自动加权的多尺度特征学习来弥补分类激活图存在的问题，并将该多尺度特征与分类激活图生成方法结合，设计了多尺度分类激活图生成方法。进一步，将该多尺度的分类激活图嵌入到网络中构成了端到端的结构，实现分类性能增强的目的。以残差网络ResNet为骨干网络，提出了分类增强模型ResNet-CE。在三个公开数据集CIFAR10、CIFAR100和STL10上，对该模型进行了大量的实验。实验表明：ResNet-CE在这三个数据集上的分类性能与参数量相当的ResNet相比有明显的提升，识别的错误率分别降低了0.23%、3.56%和7.96%，并且分类性能优于当前大部分的分类网络。提出的算法能够简单地迁移到已有的分类模型中，提高原有模型的分类性能。同时，该算法保留了对模型判断依据可视化和解释的功能，这在医疗影像中的疾病识别、无人驾驶的场景识别等场景中具有一定的应用价值和意义。

• 多尺度生成式对抗网络图像修复算法

  李克文，张文韬，邵明文，李乐

  As a research hotspot in the field of deep learning, image inpainting has important significance in people??s real life. Existing image inpainting methods have various problems that cause visual failure to meet people??s requirements. Aiming at the defects of low accuracy, poor visual consistency and unstable training, this paper proposes an image inpainting algorithm based on the generative adversarial network (GAN) model. The algorithm mainly improves the network structure of the discriminator, and introduces a multi-scale discriminator based on the global discriminator and the local discriminator. The multi-scale discriminators are trained on images of different resolutions. Different scale discriminators have different receptive fields, and guide the generator to generate a more global image view and finer details. Aiming at the problem of gradient disappearance or gradient explosion that often occurs in GAN training, the idea of Wasserstein GAN (WGAN) is adopted, and the EM distance is used to simulate the sample data distribution. The network model of the algorithm is trained and tested on the CelebA, ImageNet and Place2 image datasets. The results show that compared with the previous algorithm models, this algorithm improves the accuracy of image inpainting, can generate more realistic inpainting images, and is suitable for many types of image inpainting.

• 低尺度血管检测在视网膜血管分割中的应用

  吴鑫鑫，肖志勇，刘辰

  视网膜图像分析成为目前诊断多种疾病非侵入的主要方式，其中血管的提取是最重要的一步。监督学习的方法在血管提取上有很好的效果，为了进一步提高检测的精度，提出了低尺度血管检测（LVD）算法。该网络除了有一个提取输入原尺度下特征的子网络外，还增加了两个低尺度下的特征提取子网络，并将低尺度下的单一输出融合原尺寸下的特征，降维后得到最后的输出结果。考虑到眼底血管结构特性，在LVD中设计了具有较深层数和较少参数的非对称固定深度子网络（ADS）。在公共的数据库DRIVE中进行测试，仅采用彩色眼底图像的绿色分量和B-COSFIRE滤波响应作为特征输入，其敏感性、特异性、准确率以及AUC指标分别为0.819 2、0.984 2、0.969 5、0.978 2，达到了先进水平。