摘要：针对监督式神经网络测试网络威胁时需根据数据类别标记进行建模的局限性,提出了一种基于无监督多源数据特征解析的网络威胁态势评估方法。首先,设计了一个面向安全威胁评估的变分自动编码器-生成式对抗网络(V-G),将只包含正常网络流量的训练数据集输入V-G的网络集合层进行模型训练,并计算各层网络输出的重构误差。然后,通过输出层的三层变分自动编码器重构误差学习并获取训练异常阈值,使用包含异常网络流量的测试数据集测试分组威胁并统计每组测试的威胁发生概率。最后,根据威胁发生概率确定网络安全威胁严重度,结合威胁影响度计算威胁态势值以获取网络威胁态势。仿真实验结果表明,所提方法对网络威胁具有较强的表征能力,能够有效直观地评估网络威胁的整体态势。

摘要：为捕捉样本之间的复杂关系,提升噪声鲁棒性,提出一种基于动态超图学习拉普拉斯矩阵的无监督特征选择方法。通过对训练样本的协方差矩阵施加正交约束,利用超图动态学习拉普拉斯矩阵分别保持低维训练样本的全局和局部结构,获取样本之间的复杂关系;引入的两种子空间学习方法增强特征选择的辨别能力。通过公共数据集实验结果验证了提出方法能够提升特征选择质量,以及相关上游任务的精度和鲁棒性。

摘要：在高光谱图像分类中,丰富的数据提升了其地物识别能力。然而,由于样本特征数大且有标记训练样本点少,导致"维度灾难"问题。本文提出一种基于无监督特征选择的高光谱图像分类方法,该方法同时考虑数据的流形嵌入映射和稀疏表达,将特征选择问题转化为一个优化问题,数据的流形嵌入和稀疏表达作为约束项加入目标函数。设计了三个目标函数,第一个目标函数描述流形学习的局部性原则,第二个目标函数将原始样本点回归到低维嵌入空间,第三个目标函数对回归系数进行正则化。针对目标函数非凸的问题,用迭代的方法来解这个约束优化问题,给出了解该优化问题的算法。优选特征用于参与后续的分类识别任务。在真实的高光谱数据集上的实验表明,新方法能够提高分类的精度。

摘要：针对无监督行人重识别(person re-identification,ReID)中行人特征表达不充分以及聚类过程产生噪声标签的问题,提出一种联合特征细化和耐噪声对比学习的无监督ReID方法。首先,为丰富无标记的行人表征,设计了非局部通道细化模块(non-local channel refinement module,NCRM)对关键特征信息进行加权强化,其融合了非局部通道的重要特征来捕获无标记数据的类间区别表征,形成更具有鉴别度的特征描述符。其次,考虑到特征的充分表达,采用广义均值(generalized mean,GEM)池化自适应调整参数来增强不同细粒度区域信息的提取能力。再次,为了减轻噪声标签对网络的负面影响,设计了耐噪声的动态对比均衡(dynamic contrastive equilibrium,DCE)损失函数进行无监督联合学习。最终,在两个公共数据集上的实验结果验证了所提方法的有效性和先进性,mAP分别达到了83.1%和71.9%,优于其他先进方法。

摘要：为高效便捷地获取互联网上发布的真实事件信息,提出了一种无监督的互联网事件抽取框架。该框架利用DOM树模型的平行结构特性对表格页面进行事件抽取,并以表格页面抽取的事件作为种子来总结详情页面的对应模式,进一步使用总结的模式在详情页面中抽取。在大量网站页面中应用该框架,并将抽取结果与常用的包装器生成算法进行比较,结果表明了该框架的有效性以及在详情页面中的抽取质量优于包装器算法。

摘要：基于深度学习的水下图像复原方法已经取得了较大进展,但大多数是有监督学习方法,其通常需要大量高质量的清晰图像作为参考,难以应用于实际水下场景.因此,从水下图像降质机理和视觉质量提升等角度出发,提出一种基于视觉质量驱动且无需任何参考图像的无监督水下图像复原方法.网络主体采用基于小波变换的编解码结构,包含一些对称的卷积层和反卷积层,学习端到端的数据映射;为了实现特征复用,在编解码对应层加入跳层连接,增强特征提取能力;使用小波变换取代传统上采样和下采样,保证特征提取过程中较好地保持图像细节;设计残差增强模块,有效缓解梯度消失和过拟合现象.更为重要的是,从图像视觉质量改善角度出发,设计一系列无参考损失函数,包括感知损失、全变差正则化损失、颜色损失、对比度损失等,网络可实现由水下降质图像到清晰图像的直接输出.实验结果表明,所提无监督水下图像复原方法优于部分监督式方法,无参考评价指标Entropy、UIQM分别取得最高值7.38、3.31,且复原图像细节丰富、色彩自然,具有较强的泛化能力,可较好用于实际水下场景.

摘要：为减小语料库对中文指代消解的影响,设计一个基于无监督聚类的中文名词短语指代消解平台并给出其预处理、特征选择及聚类过程。采用3种评测工具对中文新闻语料进行评测,在自动情况下,平均F值为59.43%。实验结果表明,该中文指代消解平台能够较好地解决中文缺少语料库的问题。

摘要：随着互联网应用的蓬勃发展,一个人在不同的社交网络平台上都拥有账户是很常见的.如何在多个社交网络上找到同一个人的账户,对许多应用是很重要的问题,也被称为用户对齐问题.在用户对齐问题上,目前有两个主要的挑战:首先,收集手工对齐的用户对作为训练数据的代价非常大,但传统的有监督方法往往需要大量的标注数据才能获得较好的效果;其次,不同网络中的用户的结构和属性往往不太相同,进一步增加了用户对齐的难度.提出一种无监督用户对齐方法SPUAL(Soft Principle for User Alignment),设计了一种新颖的基于用户的属性与结构的软对齐一致性原则,通过无监督方法计算用户对是否服从此原则来推断用户对是否对齐.在几个公共数据集上的实验表明,该方法的性能比目前最先进的无监督方法都有明显提高.

摘要：针对双目视觉深度估计成本高、体积大以及监督学习需要大量深度图进行训练的问题,为实现无人机在飞行过程中的场景理解,提出一种面向无人机自主飞行的无监督单目深度估计模型。首先,为减小不同尺寸目标对深度估计的影响,将输入的图像进行金字塔化处理;其次,针对图像重构设计一种基于ResNet-50进行特征提取的自编码神经网络,该网络基于输入的左视图或右视图以及生成对应的金字塔视差图,采用双线性插值的方法重构出与其对应的金字塔右视图或左视图;最后为提高深度估计的精度,将结构相似性引入到图像重构损失、视差图一致性损失中,并且联合视差图平滑性损失、图像重构损失、视差图一致性损失作为训练的总损失。实验结果表明,经过在KITTI数据集上的训练,该模型在KITTI和Make3D数据集上相比其他单目深度估计方法具有更高的准确性和实时性,基本满足无人机自主飞行对深度估计准确性和实时性的要求。

摘要：子空间聚类任务中的无标记数据具有维度高、数据分布分散等特点,传统方法对数据预处理未进行详细地针对化设计且大多使用欧氏距离度量数据间的相似性,使聚类性能提升受限.因此,本文提出融入无监督度量学习的稀疏子空间聚类模型,该算法将距离度量与子空间聚类联合到同一框架,设计由两步组成的聚类过程.该方法对原始数据进行度量学习并重构了稀疏子空间聚类模型,使数据预处理不再是一个单独的步骤,最大限度地将输入的无标记数据之间相似度提高,有效提升了子空间聚类性能、加强了模型泛化能力.我们在真实公开数据集上进行实验测试,实验结果表明该方法优于现有的子空间聚类算法,具有良好的聚类性能.