摘要： 学是吸收新知识，习是复习旧知识，在学和习的过程中，我们可以充盈自己，改变自己，提升自己；在掌握、理解和应用知识的过程中，我们还能以自身所学回馈社会，报效祖国。如果我们能掌握正确的学习方法，就如同远行选对了骏马，作战选对了兵器。首先，我们要勤学多问，主动掌握知识，构建思考的基石。

关键词： 储粮品质   深度学习   数据增强   预测模型   神经网络  

摘要： 粮食储藏的监测与控制对食品安全、市场竞争力、农业可持续发展和国家粮食安全至关重要。预测储粮品质不仅有助于减少损失和浪费、保障储备安全,还能促进农业可持续发展、维护供应链稳定、因应气候变化。近年来,深度学习成为信息技术的焦点,为粮食品质预测带来新机遇。该技术能高效、准确地捕捉储粮品质复杂性,综合多源数据提高预测模型准确性和鲁棒性。广泛应用深度学习将提升粮食产业智能水平,增强储粮品质可预测性,为粮食安全和可持续发展做出贡献。本文针对储粮品质预测中的样本增强和品质预测问题展开研究。 (1)针对数据驱动深度学习模型背景下储粮样本稀缺、获取成本高的问题,提出基于统计均匀分布的数据增强方法。分析平稳环境下,储粮品质参数中如脂肪酸值、吸水率等随储藏周期的劣变趋势,实现平稳环境下的储粮数据增强;提出基于时序生成对抗网络的数据增强方法,实现由已知储藏环境的储麦品质参数样本,模拟出未知储藏环境品质参数样本值的目的。分别从数据增强前后品质参数样本的相似度、相关性、分布相似性等角度进行了实验对比分析。结果表明,利用上述所提出的数据增强方法增强后样本与原始样本具有显著相关性及分布相似性。 (2)针对深度学习模型结构超参数设计依赖先验知识、现有储粮品质模型预测周期较短、易陷入局部最优等问题,提出基于长短时记忆网络的储粮品质参数预测模型。为改进长短时记忆网络超参数的先验依赖性,引入麻雀搜索优化算法优化长短时记忆网络,实现了网络模型超参数的自寻优目的,降低了人工设定超参数对模型性能的影响。引入t分布扰动函数,增加模型全局寻优能力,避免陷入局部最优,进一步提高了预测模型的准确性和鲁棒性。并在基于统计均匀分布函数增强后的样本集上进行实验对比,实验结果表明,引入t分布扰动后模型寻优时间平均缩短了50%且能建立RMSE更低的模型,品质预测的精度可以提高11%～26%。 (3)针对时序生成对抗网络进行数据增强后储粮品质参数样本复杂度高、环境参数多等问题,提出卷积神经网络和注意力机制结合的品质参数特征提取方法,实现了对具有波动性和非线性的储麦品质参数特征提取目的,更好理解不同储藏环境下的品质参数之间的关系。并基于双向长短时记忆网络捕捉时序数据中的长期依赖关系能力,进一步提升多环境储粮样本数据下的储粮品质参数长期预测能力。最后,在经过时序生成对抗网络数据增强后的储粮品质样本集上进行实验对比分析。实验结果表明,该方法预测的误差降低了12%～32%,预测精度提高了2%～11%,模型拟合度提高了2%～10%。

关键词： 三维点云   目标分类   目标检测   类增量学习   灾难性遗忘  

摘要： 三维点云分析技术是帮助机器理解三维世界的方式之一。随着大规模点云数据集的出现,基于深度神经网络的三维点云分析方法发展迅速,在静态数据训练场景中表现优异。然而,在现实的流动数据场景下,旧数据的访问往往受限,导致点云分析模型在增量式更新时面临着灾难性遗忘问题,使其在旧数据流中学习到的能力快速丢失。因此,针对流动数据场景下点云分析模型的增量式学习问题,本文展开了相关研究,并对不同的点云分析任务提出了以下方法: 针对三维点云目标分类任务,提出了双重特征增强的三维点云类增量学习方法,该方法通过对点云数据特性和旧类信息进行研究,分别使用差异性局部增强模块和知识注入网络,以缓解类增量学习中的新类特征偏好问题。具体而言,差异性局部增强模块通过感知丰富的局部语义,表征出三维点云物体中不同的局部结构特性。随后,根据目标中每个局部结构的全局信息获得各个局部的重要性权重,强化对差异性局部特征的感知,从而提高新旧类特征差异性。知识注入网络将旧模型中的旧知识注入到新模型的特征学习过程中,增强后的混合特征能够有效缓解旧类信息不足导致的新类偏好加剧现象。为了评估方法的有效性,本文在三维点云数据集Model Net40,Scan Object NN,Scan Net,Shape Net上进行了大量实验,本文方法与现有最优方法相比,可将平均增量准确率提升1.28%。 针对三维点云目标检测任务,提出了双模态教师共同指导的类增量三维点云目标检测方法,该方法由点云模态下的关键性回忆教师和图像模态下的视觉语义教师共同组成。具体而言,关键性回忆教师由过去模型保留并冻结获得,生成旧类伪标签的同时,通过关键性类别响应蒸馏和关键性空间响应蒸馏,指导学生模型在类别和空间预测上有效地回顾旧类目标的信息。同时,视觉语义教师通过视觉基础模型提取相机图像中丰富的上下文语义信息,通过跨模态特征蒸馏指导学生模型更好地理解三维场景。在SUNRGBD和Scan Net数据集上的类增量实验表明,该方法与SDCo T方法相比,能够有效缓解旧类遗忘现象,可将m AP@0.25指标提高0.12%。

关键词： 冠状动脉狭窄   CT血流储备分数   跨病变CT血流储备分数差值   心室舒张期   心室收缩期  

摘要： 目的 以侵入性血流储备分数(fractional flow reserve,FFR)作为参考标准,探讨心室舒张期和收缩期基于机器学习CT血流储备分数(CT-derived fractional flow reserve,CTFFR)及跨狭窄CTFFR之差值(△CTFFR)用于评估血管狭窄病变特异性缺血的价值。 材料和方法 2019年3月至2022年3月期间因疑似或已知冠心病并按临床指征实施冠状动脉 CT 血管成像(coronary computed tomography angiography,CCTA)和侵入性冠状动脉造影(invasive coronary angiography,ICA)+FFR 检查的连续 78 例患者被回顾性分析。纳入标准:①年龄≥18岁;②CCTA与ICA+FFR检查的间隔时间<30天;③心室舒张期和收缩期CCTA图像数据满足CTFFR计算。排除标准:①既往心肌梗死;②既往冠状动脉血运重建;③慢性冠状动脉闭塞;④冠状动脉畸形或动脉瘤。55例患者最终被纳入本研究。CCTA检查使用第三代双源CT扫描仪,采用基于机器学习CTFFR软件,对于实施了侵入性FFR检查的血管狭窄病变,分别基于心室舒张期和收缩期CCTA图像数据测量该血管狭窄病变CTFFR(分别称为dCTFFR和sCTFFR);基于心室舒张期和收缩期CCTA图像数据的血管狭窄病变近端与远端CTFFR差值分别称为△dCTFFR和△sCTFFR。以FFR≤0.80作为参考标准,分别评估dCTFFR、sCTFFR、△dCTFFR和△sCTFFR对血管狭窄特异性缺血诊断的准确度。 结果 在55例患者中,男性46例,女性9例,平均年龄59.45±8.49岁。55例患者68支血管狭窄病变(左前降支、左回旋支和右冠状动脉分别为46支、11支和11支)在ICA之后接受了FFR测量,其中24支血管狭窄病变FFR>0.80,44支血管狭窄病变FFR≤0.80[12支血管狭窄病变FFR位于“灰区”(0.75≤FFR≤0.80),32支血管狭窄病变FFR<0.75]。(1)dCTFFR与FFR的相关性良好(r=0.656,p<0.001),sCTFFR与FFR呈中等程度相关(r=0.457,p<0.001)。(2)在血管水平,以FFR≤0.80作为参考标准,dCTFFR检出血管狭窄特异性缺血的敏感度、特异度、阳性预测值、阴性预测值和准确度分别为93.18%、45.83%、75.93%、78.57%和76.47%;sCTFFR检出血管狭窄特异性缺血的敏感度、特异度、阳性预测值、阴性预测值和准确度分别为75.00%、54.17%、75.00%、54.17%和67.65%;dCTFFR的诊断性能优于sCTFFR(AUC值分别为0.813和0.700,P=0.025)。(3)在血管水平,以FFR≤0.80作为参考标准,△dCTFFR检出血管狭窄特异性缺血的敏感度、特异度、阳性预测值、阴性预测值和准确度分别为84.09%、75.00%、86.05%、72.00%和80.88%;△sCTFFR检出血管狭窄特异性缺血的敏感度、特异度、阳性预测值、阴性预测值和准确度分别为65.91%、75.00%、82.86%、54.55%和69.12%。△dCTFFR的诊断性能优于△sCTFFR(AUC值分别为0.833和0.742,p=0.027)。(4)24支血管狭窄病变FFR>0.80,dCTFFR和sCTFFR分别对13支(占54.17%)和11支(占45.83%)血管狭窄病变做出假阳性诊断,△dCTFFR和△sCTFFR分别对6支(占25.00%)和6支(占25.00%)血管狭窄病变做出假阳性诊断;12支血管狭窄病变FFR位于“灰区”(0.75≤FFR≤0.80),dCTFFR和sCTFFR分别对2支(占16.67%)和6支(占50.00%)血管狭窄病变做出假阴性诊断,△dCTFFR和△sCTFFR分别对3支(占25.00%)和8支(占66.67%)血管狭窄病变做出假阴性诊断;32处狭窄病变的FFR<0.75,dCTFFR和sCTFFR分别对1支(占3.13%)和5支(占15.63%)血管狭窄病变做出假阴性诊断,△dCTFFR和△sCTFFR分别对4支(占12.50%)和7支(占21.88%)血管狭窄病变做出假阴性诊断。 结论 1、基于机器学习CTFFR计算技术获得的dCTFFR与侵入性FFR的相关性高于sCTFFR值。2、与sCTFFR或△sCTFFR相比,dCTFFR或△dCTFFR的诊断性能更高,在评估血管狭窄特异性缺血时应作为首选指标。

关键词： 深度学习   表征学习   生物序列   基因网络   单细胞蛋白质组学   单细胞多组学  

摘要： 目前,生物信息学研究已经进入“组学”时代,高通量测序技术的飞速发展提供了前所未有的机会来获取多样化的生物组学数据。这些数据涵盖了从序列级别到基因级别,直至细胞级别的多层次信息,对于理解生物体的复杂性和疾病机制至关重要。然而,如何从这些海量信息中准确挖掘深层次特征,同时应对不同场景下复杂多样的数据类型,仍然是一个巨大的挑战。近年来,以深度学习为代表的人工智能技术在多个领域取得了显著的进展,为上述问题的解决提供了强大的工具。本文以复杂组学数据的表征学习为主线,沿着序列到基因再到细胞的脉络,提出了适用不同数据和场景的深度学习算法,形成多层次多维度的组学数据分析框架。本文的主要研究内容及创新性成果包括以下四个方面: (1)首先,考虑生物序列分析中的不确定性度量,本文研究了基于可信学习和卷积神经网络的生物序列挖掘方法。scpep2pro针对单细胞蛋白组学中的肽序列数据,设计了多任务异方差回归模型为每个细胞中的每个肽信号分配不确定性,有效地对数据中的固有噪声进行估计,并以不确定性引导的方式得到蛋白级别丰度,提高蛋白数据的准确性。BMCNN则针对DNA序列数据,在网络架构上扩展了贝叶斯的卷积运算,将权重视为服从特定概率分布的随机变量,并在训练过程中进行概率推断;同时设计了具有不同尺度的卷积核,以捕捉序列中不同长度的模体特征;BMCNN实现了更精准的DNA结合蛋白质预测,同时提供不确定性度量。 (2)其次,针对于基因网络处理与整合的复杂性,本文研究了基于图神经网络的单视图与多视图基因网络表征学习方法。对于单视图基因网络,ADCVGAE基于半隐式变分推断,设计了分层变分图自编码器和对抗学习策略,灵活地捕捉基因节点的复杂特征,提高了合成致死基因对预测的准确性。MGEGFP则针对多视图基因网络进行联合表征学习,旨在通过整合多个异构基因网络来提升基因功能预测的准确性;该模型采用双通道图卷积编码器,显式地解耦视图特有信息和跨视图的共有模式,同时通过多门控模块自适应地估计不同视图的贡献并反馈提升表示的准确性,并设计多样性保持约束以充分利用多视图数据的优势。 (3)再次,针对于新兴的单细胞蛋白质组学数据的独特性,本文研究了基于图对比学习的单细胞蛋白质组学表征学习方法。scPROTEIN旨在设计统一的深度学习框架,以解决基于质谱测序蛋白组数据处理中一系列相互交织的问题,如数据缺失、批次效应和高噪声。scPROTEIN构建细胞图结构,通过图上的消息传播缓解数据缺失问题;采用对比学习范式,最大化相同节点在两个增强视图间的互信息,隐式地对批次效应进行校正;同时设计属性-拓扑交替去噪模块对数据进行去噪,得到更加鲁棒的细胞表示。scPROTEIN学习到的细胞表征可以应用于多种下游任务,如细胞聚类、批次校正、细胞类型注释和临床蛋白组分析等。此外,利用细胞的空间位置信息,scPROTEIN可以扩展到空间蛋白质组学,应用于肿瘤微环境分析。 (4)最后,针对于单细胞多组学数据联合表征所要求的多模态学习能力,本文研究了基于超图神经网络的单细胞多组学数据融合表示方法。scMHNN通过超图结构进行建模,使得模型具有整合多个组学数据的能力,同时能够捕捉数据之间的高阶关联;基于双重对比损失进行自监督学习,有效地学习到了多组学数据的联合表示。这种表示可以用于细胞聚类、可视化、差异基因和蛋白表达分析等多种下游分析任务。此外,scMHNN通过引入“预训练-微调”范式,借助预训练过的超图编码器,可以在只有少量带标签细胞作为参考集的情况下进行精准类型注释。 综上所述,本文工作针对复杂组学数据的表征学习,进行了基于深度学习的关键方法研究,提出了用于序列信息挖掘的scpep2pro和BMCNN模型,基因网络表征学习的ADCVGAE和MGEGFP模型,单细胞蛋白组表征学习的scPROTEIN模型和单细胞多组学联合表征学习的scMHNN模型,为分析处理复杂的生物数据提供了新的方法与工具,在生物医学领域具有重要的实际应用价值。通过这些深度学习模型,研究人员能够更深入地理解生物过程,为未来疾病诊断、治疗和药物开发提供科学依据。

关键词： 异质图   对比学习   负样本   网络表征学习  

摘要： 在现实世界中,社交网络、评论网络、论文引用网络等数据广泛存在,由不同类型的节点和关系组成的数据结构称为异质图,由于其复杂的结构和丰富的语言给机器学习带来了挑战。图神经网络作为网络表征学习的一种方法,通过消息传递机制来聚合邻居节点,在图的相关任务中取得了优异的效果。但图神经网络的训练需要依赖大量带标签的数据,实际生活中获得带标签的图数据代价昂贵。对比学习作为自监督学习的一种,通过对原始数据进行扰动以形成不同的对比视图,然后最大化正样本之间的互信息以及最小化负样本之间的互信息来挖掘数据深层的信息,以挖掘节点中潜在的信息,因此无需依赖带标签的数据。 目前,对比学习在计算机视觉、自然语言处理、同质图上取得了优异的成绩,但在异质图上依旧处于初步发展阶段。在异质图上构建对比学习模型主要面临两个挑战,一是如何在保持异质图本身复杂结构以及丰富语义的基础上构造对比视图。二是如何选择合适的正负样本以提高对比学习模型的效率。为了解决上述的挑战,本文提出了三种异质图对比学习的方法。这些方法侧重于研究异质图对比学习中对比视图的构建以及正负样本的选择,本文主要贡献如下: (1)提出基于正负样本选择的异质图对比习模型。首先,构建了网络模式视图和元路径视图,分别用于捕获异质图的局部结构和高阶语义。然后获得节点在两个视图下的表征。为选择合适的正负样本,先用对称元路径来构造正负样本集。负样本集通过Beta分布来计算负样本为真或假的概率,并以负样本为真的概率来区分简单负样本和困难负样本。随后将正负样本集用于损失函数的计算。最终进行了节点分类和节点聚类实验,结果表明该模型在三个数据集上的实验效果比其他对比方法更好。 (2)提出了基于双曲空间的异质图对比学习模型。相比于元路径,元图能够用有限数量的节点表达更为复杂的语义和结构。因此,在元图的基础上构建欧式视图和双曲视图。两种视图相互补充,共同来学习异质图完整结构信息和语义信息。为了挖掘困难负样本,将双曲视图得到的节点表征进节点聚类,随后将聚类中心向量和锚节点进行相似性计算,作为区分困难负样本和简单负样本的权重。另外,受到原型对比学习的启发,将节点表征和原型向量进行对比,以增加同类节点之间的紧凑性。随后,将正负样本、权重、原型向量用于损失函数。最终实验结果表明,该模型在三个数据集上的实验效果比其他对比方法更好。 (3)提出了基于属性和拓扑约束的异质图对比学习模型。基于领域知识或预定义的结构(元路径)构造的对比视图并不能减少图的噪声带来的影响,为解决上述问题构建了基于拓扑视图和属性视图,以减少对原始图的依赖。另外,提出了考虑节点属性和图拓扑信息的正负样本选择策略。同时,使用节点聚类来区分困难负样本和简单负样本,并且用原型向量来增加同类节点之间的紧凑性。随后,将正负样本用于损失函数。最终用节点分类和节点聚类作为模型的验证任务,在三个数据集上的实验效果验证了该模型的有效性。

关键词： 抗癌药物筛选   人工智能   药物反应预测   图表示学习   深度学习  

摘要： 癌症是一种对人类生命健康构成严重威胁的复杂疾病,其治疗难度主要源于肿瘤微环境中癌细胞的遗传多样性。针对不同患者选择合适的药物是癌症治疗研究中的一项重要内容。传统的抗癌药物发现通常依赖于细胞水平的高通量筛选实验,存在成本高、流程复杂、周期长等局限性,难以满足现代精准医疗的迫切需求。因此,开发先进的计算方法,通过准确快速地预测药物对于肿瘤的反应,“因人而异”地筛选出有效药物,有望为抗癌药物发现和精准医疗带来革命性的突破。 近年来,随着药物与肿瘤细胞系反应数据的积累,以深度学习为代表的人工智能方法因其强大的数据分析能力在抗癌药物反应预测中得到了广泛应用。尽管这些方法取得了重大进展,但仍面临诸多问题与挑战:1)反应预测涉及药物结构、细胞系组学、反应关联等多种信息,如何构建能够充分融合多源信息的方法,以提升单一药物筛选的预测精度;2)与单药治疗相比,多药协同具有降低癌症耐药性的优势,但药物组合存在复杂的多路关系,如何构建能够有效融合多路关系信息的方法,以提升组合药物筛选的预测精度;3)除预测精度外,方法背后的逻辑对于揭示反应为何发生至关重要,如何设计具备生物学解释性的方法,以帮助医学研究者理解预测机理;4)由于细胞系与患者组织之间存在系统差异,使得面向细胞系的方法难以推广到临床患者,如何利用细胞系数据中的先验知识构建可迁移的方法,以提升对临床药物筛选的适用性。为解决上述问题,本文基于图表示学习技术,充分挖掘抗癌药物反应系统中蕴含的生物关联知识,开发了如下的计算方法: 针对问题1,提出一种基于图对比学习的药物反应预测方法(Graph CDR),用于更精准地进行单一抗癌药物筛选。首先,将药物和细胞系视为节点、敏感性反应视为边,构建异质反应图来融合生化知识和反应关联等多源信息;然后,采用图神经网络进行多源信息的互补学习,并利用耐药性反应构造增广数据,通过敏感性和耐药性之间的差异设计对比学习任务,从而捕捉更具辨识性的节点表示;最后,基于所学的节点表示实现药物与细胞系之间的反应预测。实验结果表明,Graph CDR相较于以往方法具有更高的反应预测精度,并且在一项淋巴白血病细胞系RCH-ACV的案例分析中,准确筛选出了具有治疗效果的潜在抗癌药物Dasatinib。 针对问题2,提出一种基于超图神经网络的药物协同预测方法(Hyper Synergy),用于更精准地进行组合抗癌药物筛选。首先,将药物组合与细胞系之间的协同作用抽象为超边,通过构建协同超图来融合生化知识和多路关系等多源信息;然后,使用超图神经网络进行多源信息的互补学习,并利用分子相似度设计基于自监督的关联图约束任务,进一步加强对协同超图的表示学习;最后,基于所学的超图表示实现药物组合在细胞系上的协同作用预测。实验结果表明,Hyper Synergy的预测精度比以往计算方法更高,并且在案例分析中成功筛选出了多个潜在协同药物组合,例如Dasatinib联合Gefitinib可抑制卵巢癌细胞系OVCAR-3、SKOV-3的增殖。 针对问题3,提出一种基于子成分交互的可解释反应预测方法(Sub CDR),用于提供细粒度层面的药物筛选可解释性。首先,构建一系列生物知识驱动的神经网络,以此将每种药物的分子式分解为具有不同功能的子结构,将每种细胞系的基因表达谱分解为体现不同癌症功能的基因子集,进而从细粒度层面刻画药物与细胞系;然后,以图的形式建模药物与细胞系各自子成分之间的反应交互,并通过图神经网络从子成分交互图中学习表示,建立与反应输出之间的梯度关系。实验结果表明,与以往计算方法相比,Sub CDR不仅实现了精准的药物反应预测,更能通过追踪交互图来识别关键子成分(例如羰基、二氟基团分别在药物Nelarabine、Gemcitabine的敏感性反应中发挥重要作用),从而为抗癌药物筛选提供指导与帮助。 针对问题4,提出一种基于多标签域适应的可迁移反应预测方法(Transfer CDR),用于更高效地进行临床抗癌药物筛选。首先,将细胞系、患者分别视作源域、目标域,通过一种启发式的域适应训练去消除两个域在基因表达上的系统偏差;然后,将每种药物视为独立的标签,以多标签关联图的形式刻画不同药物之间的相关依赖性,用于在源域上训练能够同时输出多种药物反应的预测器;最后,将面向源域的多标签预测器迁移到目标域,实现多种药物反应在临床患者上的同时预测。实验结果表明,Transfer CDR与以往迁移方法相比,在临床用药数据上的预测准确性更好、计算效率更高,并且在一项睾丸癌患者的临床案例分析中,快速筛选出了具有治疗效果的潜在抗癌药物Vinorelbine和Vinblastine。 综上所述,本文围绕抗癌药物筛选研究中的关键问题,从多源信息融合、细粒度可解释性、细胞系-临床患者迁移等方面着手,构建了四种新颖的图表示

关键词： 交互式机器学习   空间关系   分类   图片生成  

摘要： 随着数字技术的迅速发展,交互式机器学习方法在各领域的应用变得日益重要。这些方法将人类的认知能力与计算机的算法相结合,为任务处理与分析提供了高效和准确的解决方案。然而,尽管交互式机器学习在提高模型的泛化能力和适应性方面取得了显著进展,但仍然面临一些挑战。首先,对于普通用户而言,交互式机器学习可能需要较高的技术门槛,这包括对算法原理和编程技能的理解。其次,交互式方法在实践中还需要解决一些技术挑战,例如,如何有效地处理用户反馈信息、如何平衡模型的探索和利用等问题。为了应对这些挑战,本文提出了两种基于空间关系的交互式机器学习方法。 首先介绍的是SpaceEditing。该系统旨在利用人类知识辅助深度神经网络(DNN)学习与人类认知更一致的潜在空间,从而提高对模糊数据的分类精度。本文首先使用降维方法将高维潜在空间映射到二维工作空间上,并设计直观的空间布局,以帮助用户更清晰地观察数据分布。接着,本文引入了各种交互功能,允许用户重新分类和移动投影点到更合适的位置。这些移动点在高维空间中对应的特征会被自动识别,并结合三元组损失重新训练网络,确保高维和低维特征的一致性。这使得用户可以直接编辑神经网络的潜在空间,充分利用自己的知识。通过三个研究案例的验证,本文证明了Space Editing的有效性。 其次介绍的是CanvasPic。CanvasPic是一款全面而灵活的图像编辑工具,旨在满足用户个性化的编辑需求。它集成了当下流行的图片生成模型和图片反演模型,允许用户导入真实世界中的图片进行图片生成任务。此外,Canvas Pic引入了新颖的二维空间关系布局设计,使用户能够以直观高效的方式编辑他们导入的图像。不仅如此,Canvas Pic充分考虑了全局属性和局部属性在编辑任务上的区别,并采用了不同的方法处理这两类属性,从而使得编辑结果更加高效和高质量。这样的设计方案方便了用户探索各种编辑可能性。本文的用户研究与实验评估有力证明了Canvas Pic在满足用户需求和提升编辑体验方面的潜力。通过上述两种基于空间关系的交互式机器学习方法,本文为解决实际问题提供了示范性解决方案,并期待这些方法能够为未来的研究和应用带来新的启发。