摘要：点击率(CTR)预测通过预测用户对广告或商品的点击概率,实现数字广告精准推荐。针对现有CTR模型存在原始嵌入向量未精化、特征交互方式偏简单的问题,本文提出自注意力深度域嵌入因子分解机(self-attention deep field-embedded factorization machine,Self-AtDFEFM)模型。首先,通过多头自注意力对原始嵌入向量加权,精化出关键低层特征;其次,构建深度域嵌入因子分解机(FEFM)模块,设计域对对称矩阵以提升不同特征域之间的交互强度,为高阶特征交互优选出低阶特征组合;再次,基于低阶特征组合构建深度神经网络(DNN),完成隐式高阶特征交互;然后,围绕精化后的嵌入向量,联合多头自注意力与残差机制堆叠多个显式高阶特征交互层,通过自注意力捕获同一特征在不同子空间上的互补信息,完成显示高阶特征交互;最后,联合显式与隐式高阶特征交互实现点击率预测。在Criteo和Avazu两大公开数据集上,将Self-AtDFEFM模型与主流基线模型在AUC和LogLoss指标上进行对比实验;为Self-AtDFEFM模型调制显式高阶特征交互层层数、注意力头数量、嵌入层维度及隐式高阶特征交互层层数等参数;对Self-AtDFEFM模型进行消融实验。实验结果表明:在两大数据集上,Self-AtDFEFM模型的AUC、LogLoss均优于主流基线模型;Self-AtDFEFM模型的全部参数已调为最佳;各模块形成合力以促使Self-AtDFEFM模型性能达到最优,其中显示高阶特征交互层的作用最大。Self-AtDFEFM模型各模块即插即用,易于构建和部署,且在性能与复杂度之间取得平衡,具备较高实用性。

摘要：图像配准在临床医学诊断和辅助手术过程中非常重要,采用仿X光和数字减影图像的数字重建影像(DRR)设计将使医学图像配准精度和速度提高,提出用片段着色器同时生成三维渲染图像和仿X光或者数字减影图像的DRR,将复杂优化和配准计算采用并行计算语言OpenCL完成,使整个DRR图像生成和2D/3D配准交由图像处理单元GPU完成。实验结果表明,依赖仿真的X光图像或者数字减影图像配准方法可为图像引导的手术提供精确和快速的辅助作用。

摘要：针对传统差分演化算法在演化后期收敛速度变慢的问题,利用精英个体的良好信息,在一般反向学习方法的基础上,提出精英反向学习策略,并融合降低参数敏感性和变异策略敏感性的机制,设计了一种基于精英反向学习策略的混合差分演化算法(EOCoDE),从理论上证明了该算法的全局收敛性.新算法使用精英反向策略初始化种群,在进化过程中,如果满足预设定的学习概率,就执行精英反向算子,否则,随机组合参数知识库和策略知识库中的知识来产生差分演化种群.对比实验结果表明,精英反向学习策略比一般反向学习策略具有更强的搜索能力,EOCoDE算法的性能具有明显优势.