人工智能研究

人工智能研究

《人工智能研究》系开放获取期刊,主要围绕人工智能领域,关注产业政策,报道研究前沿,传播技术趋势,刊载应用案例,推动成果转化,服务我国制造业转型升级发展。本刊支持思想创新、学术创新,倡导科学,繁荣学术,集学术性、思想性为一体,旨在给世界范围内的科学家、学者、科研人员提供一个传播、分享和讨论人工智能领域内不同方向问题与成果的学术交流平台。
ISSN: 3078-9753
qikan15@ccnpub.com
(邮箱投稿时,请说明投稿期刊名)

《人工智能研究》在线投稿系统

*文章题目:
*作者姓名:
*电子邮箱:
*通讯地址:
*联系方式:

  备      注:

*上传稿件:

支持上传.doc,.docx,.pdf,.txt,.wps文件

投稿须知:

1、审稿结果将于1~7个工作日以邮件告知,请注意查收(包含录用通知书、审稿意见、知网CNKI查重报告)。

2、提交投稿后,若7个工作日之内未接到录用通知,则说明该文章未被录用,请另投他刊。

3、凡投寄本刊稿件,如在内容上有侵权行为或不妥之处,均应文责自负。本刊有权对来稿进行文字编辑、加工和修改,如不同意,请附说明,以便妥善处理。

4、多作者文稿署名时须征得其他作者同意,排好先后次序,通知用稿后不再改动。

5、凡投往本刊稿件一经录用发表,其版权归本刊所有。

6、本刊已全文录入中国知网、万方、维普等数据库,如作者不同意被收录,请提前申明,未申明者,本刊一律视为同意被收录。

7、请勿一稿多投。



提示文字!

注:我们将于1~7个工作日告知您审稿结果,请耐心等待;

您也可以在官网首页点击“查看投稿进度”输入文章题目,查询稿件实时进程。

局部可视对抗扰动生成方法 下载:61 浏览:397
摘要:
深度神经网络极易受到局部可视对抗扰动的攻击.文中以生成对抗网络为基础,提出局部可视对抗扰动生成方法.首先,指定被攻击的分类网络作为判别器,并在训练过程中固定参数不变.再构建生成器模型,通过优化欺骗损失、多样性损失和距离损失,使生成器产生局部可视对抗扰动,并叠加在不同输入样本的任意位置上攻击分类网络.最后,提出类别比较法,分析局部可视对抗扰动的有效性.在公开的图像分类数据集上实验表明,文中方法攻击效果较好.
基于矩阵的模糊-经典概念格属性约简 下载:58 浏览:374
摘要:
基于模糊形式背景,文中研究模糊-经典概念的矩阵表示及属性约简的矩阵方法.首先,从矩阵视角提出模糊-经典概念的外延和内涵的矩阵表示,进一步给出属性粒矩阵的概念.为了得到模糊-经典概念格的最小生成组,研究交不可约元的矩阵判定定理.再在保持交不可约元外延不变的约简框架下,通过矩阵刻画属性子集之间的相似性,给出属性内外重要性的度量,提出模糊-经典概念格属性约简的矩阵方法.最后,通过数值实验验证文中方法的有效性.
基于LU分解和交替最小二乘法的分布式奇异值分解推荐算法 下载:57 浏览:389
摘要:
针对当前分布式潜在因子推荐算法存在时间复杂度较高、运行时间较长的问题,文中提出基于LU分解和交替最小二乘法(ALS)的分布式奇异值分解推荐算法,利用ALS利于分布式求解目标函数的特点,提出网格状分布式粒度分割策略,获取相互独立不相关的特征向量.在更新特征矩阵时,使用LU分解求逆矩阵,加快算法的运行速度.在KDD CUP 2012 Track1中的腾讯微博数据集上的实验表明,文中算法在确保一定推荐精度的前提下,大幅提升推荐速度和算法效率.
基于正交约束的分块不完整多视角聚类 下载:57 浏览:388
摘要:
在处理数据特征提取问题时,已有的基于非负矩阵分解的不完整多视角聚类算法对局部特征的提取不够准确.针对此问题,文中提出基于正交约束的分块不完整多视角聚类(CIMVCO).利用非负矩阵分解获得所有视角的潜在特征矩阵,通过加入正交约束得到更好的局部特征.对于各个视角的缺失样本,CIMVCO给予较小的权重以减小缺失数据的影响.为了解决大规模数据的聚类问题,CIMVCO逐块处理数据以减少内存需求和处理时间.在Reuters和Digit数据集上的实验验证CIMVCO的有效性.

版权所有 © 2025 世纪中文出版社  京ICP备2024086036号-2