摘要：针对轴承故障诊断中存在训练样本和测试样本分布不同及各类故障数据不平衡导致故障识别率低的问题,设计了一种基于改进残差网络(ResNet)的领域自适应故障诊断方法。在诊断网络第1层使用多维度卷积结构进行特征提取,得到不同维度的故障特征信息;在领域自适应层采用局部最大平均差异(LMMD)对齐源域和目标域的分布,获取更多细粒度信息;使用类平衡损失函数(CBLoss)解决不平衡数据的训练问题,以Adam优化网络实现故障诊断。实验结果表明,所提方法可在故障样本类别不平衡下有较高的诊断结果。在2个轴承数据集和采集的风力发电机数据上进行实验验证,结果表明,所提方法具有一定的优越性,在数据样本不平衡情况下,诊断性能优于深度神经网络和领域自适应网络等深度迁移学习方法,可作为一种有效的跨工况故障分析方法。

摘要：该文针对当前法律智能体系可解释性差、低频易混淆法因预测效果不佳、民事纠纷研究过少的问题,设计了一种可解释性层次法因预测IHLCP模型,并将法因之间的层次依赖关系作为模型可解释性的来源进行了研究。模型首先基于案件的语义差异性对事实描述进行编码,然后通过改进的seq2seq-attention模块来预测法因路径,并利用法因内部的文本信息过滤事实描述中的噪声信息,以获得可靠的预测效果。该文设计的IHLCP模型在CIVIL、FSC和CAIL这三个大规模公开数据集上分别达到了当前最好的效果(CIVIL数据集:ACC-91.0%,PRE-67.5%,RECALL-57.9%,F1-62.3%。FSC数据集:ACC-94.9%,PRE-78.8%,RECALL-75.9%,F1-77.3%。CAIL数据集:ACC-92.3%,PRE-90.9%,RECALL-89.7%,F1-90.3%),其中ACC和F1值分别最高提升了6.6%和13.4%。实验结果表明,该设计能够帮助系统理解法因,弥补了当前法律智能体系在低频、易混淆法因预测上的不足,同时提升了模型的可解释性。

摘要：针对大多数学业预警方法忽略了学生社交行为对于学业的影响,且存在数据不平衡问题和长尾分布问题,提出一种基于虚拟节点策略的自监督对比学业预警模型(SCEW)。通过图神经网络对学生成绩、学生社交行为进行融合得到联合图嵌入;利用虚拟节点策略缓解数据不平衡问题的影响;基于自更新策略,采用节点级对比学习将自监督学习集成到网络的训练中,缓解长尾分布问题的影响。在真实数据集上的实验结果表明,SCEW模型的性能优于现有的主流方法。

摘要：滚动轴承作为机械设备重要部件,对保障设备安全稳定运行具有重要意义。针对实际诊断中的滚动轴承故障数据不平衡问题,提出了一种基于边界辅助判别的辅助分类生成对抗网络模型(BD-ACGAN)。首先,设计了一种可用于提取故障样本边界细节特征的边界辅助判别器,以引导生成器生成更真实的样本,并采用该生成样本解决了数据不平衡的问题;其次,采用了自适应权重损失模块,动态调整了损失权重,使该模型更加关注重要的特征信息,从而提高了该模型的生成质量和特征表达能力;利用生成样本和真实样本数据对BD-ACGAN模型进行了增强训练,提高了该模型的泛化能力和诊断能力;最后,进行了消融实验及对照实验,对BD-ACGAN模型的特征增强能力和诊断效果进行了验证,分别采用美国凯斯西储大学和西安交通大学滚动轴承数据集对模型进行了实验验证。研究结果表明:该BD-ACGAN模型能够有效利用故障样本的边界特征解决数据不平衡问题,并且故障诊断精确度为98.79%,优于其他对照模型,为滚动轴承故障诊断提供了一种新的方法。

摘要：随着互联网的迅速发展,电子商务和互联网金融呈现快速发展趋势,同时也带来了严重的线上交易欺诈问题。针对线上交易数据的不平衡性,提出了一种利用深度学习神经网络的方法检测线上交易中的欺诈。该方法首先通过SMOTEENN混合采样获得平衡数据集,以提高模型的泛化能力和鲁棒性,然后使用多个不同神经元数量的全连接层,提取并学习输入数据中更高级别的特征,最后利用平衡处理后的数据,训练上述所设计的分类模型,并进行模型评估。实验结果表明,该方法在不平衡分类的各项评价指标F-means、G-means、AUC值、精确率和召回率下,均明显优于常见的线上交易欺诈检测模型,显著提高了线上交易欺诈检测的准确性。

摘要：随着交通网络的快速发展,越来越多的旅客选择空铁联运出行,对空铁联运中转城市推荐方法提出了更高的要求。文章设计了符合空铁联运中转城市数据特点的数据不平衡处理方法,采用能够处理类别型特征的CatBoost算法构造基准模型,在2个不同数据分布的测试集上对该模型进行评估,模型准确率均超过85%。通过与其他算法的对比分析,证明了该模型具有较好的稳定性和更优的性能,提高了空铁联运中转城市的推荐效果,可更好地满足旅客的出行需求;通过对特征贡献度的分析发现,下单人的姓名特征会对模型预测带来影响,从而进一步提高空铁联运中转城市的个性化推荐效果。

摘要：高级持续性威胁(Advanced Persistent Threat,APT)是当前最为严重的网络安全威胁之一.DNS隐蔽信道(DNS Covert Channel,DCC)由于其泛在性、隐蔽性成为攻击者手中理想的秘密信息传输通道,受到诸多APT组织的青睐.人工智能赋能的DCC检测方法逐步流行,但APT攻击相关恶意样本获取难、活性低等原因造成训练数据不平衡问题明显,严重影响了模型的检测性能.同时,已有检测工作使用DCC工具流量及少数恶意样本来评估系统,测试集覆盖范围有限,无法对系统进行全面、有效的评估.针对上述问题,本文基于攻击战术、技术和程序(Tactics,Techniques,and Procedures,TTPs)设计DCC流量生成框架并生成完备度可控的、覆盖大样本空间的、大数据量的恶意流量数据集.基于本研究生成的数据集,训练可解释性较强的机器学习模型,提出基于攻击流量自生成的DCC检测系统——DCCHunter.本研究收集了8个DCC恶意软件流量样本,复现了已被APT组织恶意运用的3个DCC工具产生流量,基于上述真实恶意样本评估系统对其未知的、真实的DCC攻击的检测能力.结果发现,系统对DCC的召回率可达99.80%,对数以亿计流量的误报率为0.29%.

摘要：二维(2D)医学图像分割在疾病诊断和计算机辅助治疗中具有重要作用.针对2D医学图像由于目标大小、形状不一以及边界模糊而难以精确分割的问题,提出一种结合多尺度通道注意力和边界增强的2D医学图像分割方法.首先以2D医学图像作为输入,并利用编码器和边界增强模块从中分别提取出高级特征图和边界分割结果;然后利用多尺度通道注意力模块从高级特征图中提取出不同尺度的上下文信息,增强其中有用的特征并抑制无用的特征响应;最后将得到的上下文信息传入解码器中获得区域分割结果,并与边界分割结果进行整合,得到最终的分割结果.为了化解医学图像中出现的数据不平衡问题,提出一种自定义的损失函数.在包含残根的牙齿全景片、包含龋齿的牙齿全景片、视网膜血管和皮肤病灶4个数据集上的实验结果表明,所提方法的分割精确率分别达到了85.63%,70.15%,75.86%和85.92%;与其他医学图像分割方法相比,所提方法表现更佳.

摘要：针对传统入侵检测领域由于数据不平衡而出现少数类检测率低的问题,设计了一种基于条件生成对抗网络和CatBoost算法的数据生成模型(SA-WCGAN)。首先,采用CatBoost算法对原始数据集进行特征选择,减少模型训练时间。之后,利用SA-WCGAN生成模型进行数据扩充,解决数据不平衡问题,该生成模型引入自注意力机制(SA),提取攻击样本的全局特征,提高少数类攻击样本生成的质量;同时,引入Wasserstein距离和梯度惩罚,提高模型训练过程的收敛速度和稳定性。实验结果表明:在公开基准数据集NSL-KDD上,SA-WCGAN生成模型在只有少数样本的攻击类型上具有较高的精确率、召回率和F1分数。同时,与现有5种方法的比较分析也证实了该模型的优越性。

摘要：联邦学习在保护各方数据隐私的前提下,协同多方共同训练,提高了全局模型的精度。数据的类不平衡问题是联邦学习范式中具有挑战的问题,联邦学习中的数据不平衡问题可分为局部数据不平衡和全局数据不平衡,目前针对全局数据不平衡问题的相关研究较少。文中提出了一种面向全局不平衡问题的基于贡献度的联邦学习方法(CGIFL)。首先,设计了一种基于贡献度的全局判别损失函数,用于调整本地训练过程中的模型优化方向,使模型在训练中给予全局少数类更多的关注,以提高模型的泛化能力;然后,在全局模型更新阶段,设计了一种基于贡献度的动态联邦汇聚策略,优化了各节点的参与权重,更好地平衡了全局模型的更新方向。在MNIST,CIFAR10和CIFAR100这3个数据集上进行实验,实验结果表明了CGIFL在解决全局数据不平衡问题上的有效性。