关键词： 深度学习   计算机视觉   车辆荷载监测   图像匹配   特征描述符  

摘要： 车辆荷载是桥梁最重要的荷载之一,是桥梁产生疲劳劣化最主要的原因,同时也是桥梁时变可靠性分析、剩余寿命预测以及极限承载能力评估的重要基础。结合桥梁监控视频与动态称重系统数据进行桥梁车辆荷载监测研究,具有良好的应用前景,近些年来得到了越来越多的关注。如何建立不同监控图像中的车辆对应关系,从而实现动态称重数据直接迁移则是该研究中的关键问题。作为一种建立图像间对应关系的计算机视觉方法,图像特征匹配方法是有效解决方案。针对桥梁监控场景中的图像尺度、角度、光照变化等影响图像匹配效果的挑战性难题,本文提出了一种基于数据驱动的Hard Net深度学习描述符的图像匹配方法。相较于通过人工设计提取特征规则而存在特征信息损失,使得匹配结果不够鲁棒的传统图像特征描述符,基于数据驱动的深度学习描述符能够充分提取并保留特征区域的特征信息,实现理想的匹配效果。本文主要研究内容如下:（1）建立了基于Hard Net深度学习描述符的图像匹配方法。方法分为特征检特征描述和特征匹配三个阶段。在特征检测部分,利用AGAST特征检测算法在图像尺度金字塔中快速检测图像中稳定的点特征;在特征描述部分,将检测到的点特征与其周围区域作为特征区域输入通过大规模图像数据预训练的Hard Net深度神经网络中,获得Hard Net深度学习描述符;在特征匹配部分,采用暴力匹配方法与SIFT匹配准则建立图像间的描述符匹配关系,并结合RANSAC方法辅助剔除其中的错误匹配关系。（2）利用实桥静态监控图像验证了提出的图像匹配方法的性能,并与三种传统特征匹配方法进行了对比研究。试验结果表明本文提出的方法对于实际桥梁监控场景中的尺度、角度、光照变化等图像变化具有较强的鲁棒性,且相较于传统方法能获得更多更稳定的点特征匹配关系。在大型车辆图像测试数据集下引入m AP与rank-k指标到性能量化评价试验中,基于Hard Net深度学习描述符的图像匹配方法分别获得了93.79%的m AP与98.89%的rank-1指标值,明显大于对比方法的结果,验证了本文方法能够以更高准确率且更稳定地实现目标车辆图像的匹配。（3）建立了基于视频搜索匹配目标车辆的策略,利用实桥动态监控视频数据进一步验证提出的Hard Net深度学习描述符图像匹配方法的实用性。试验结果表明方法在视频中仍能高准确率地匹配目标车辆图像,能有效地建立不同监控视频中的车辆对应匹配关系。最后,以图像匹配方法为基础,建立了桥梁车辆荷载识别分析流程,在动态称重数据已知的前提下可实现桥梁车辆荷载分布的持续分析。

关键词： 癌症   存活性预测   堆叠集成   异构集成   特征选择  

摘要： 随着医疗大数据时代的到来,数据驱动医疗决策已成为医疗健康行业发展的重要方法和手段。根据不同医疗需求,综合运用预测分析、数据挖掘、统计分析、人工智能、机器学习等技术构建相关预测模型和指标体系能够为医疗决策者提供决策辅助支持。癌症一直以来都是发病率和致死率较高的疾病之一,严重危害人类的身体健康。癌症存活性预测是癌症预后的三大任务之一,准确地预测癌症患者的存活状态对辅助医生制定针对性治疗方案、提高患者满意度有着重要的意义。然而,目前癌症存活性预测模型仍然存在准确率低、泛化能力弱等问题。 为了进一步提高癌症存活性预测模型的准确性,本文提出了基于先验知识的稳定性特征选择方法(PKSFS)和基于两阶段异构堆叠集成学习方法(记作BQAXR)对不同癌症患者的存活性进行预测研究。首先,特征选择方法PKSFS基于先验知识和稳定性来去除高维癌症数据集中的冗余特征,并选择重要特征来更好地指导后续模型的构建。随后,BQAXR基于堆叠集成策略将五个异构学习器分两个阶段进行集成融合,并试图通过改善学习器的不足从而进一步实现集成模型性能的提升。具体来说,第一阶段由四个异构基础学习器组成,包括基于bagging的K近邻算法、基于量子粒子群算法的支持向量机、基于Adam算法的多层感知器和极端梯度提升树。四个基础学习器将通过五折交叉验证方法生成新的训练集和测试集。在第二阶段中,基于RAdam算法的多层感知器将在第一阶段所生成的新数据集进行训练和预测。 为了验证PKSFS和BQAXR的优越性,本文从美国国家癌症研究所“监测流行病学和结果”数据库(Surveillance,Epidemiology,and End Results,SEER)中申请并获取了胃癌存活性数据集和皮肤癌存活性数据集,并基于这两个真实癌症数据集从不同角度进行了大量数值实验研究。实验结果表明,PKSFS相比于常见的特征选择方法(过滤法、包裹法、嵌入法、混合特征选择以及无特征选择方法)在处理高维度数据集时具有明显的优势;BQAXR的性能不仅优于主流机器学习方法(决策树、随机森林、梯度提升决策树等),而且优于一些改进的机器学习方法(基于遗传算法的支持向量机等)。因此,本文所提出的方法能够有效提高癌症存活性预测的准确性,进而为医生制定医疗决策提供借鉴。

关键词： 元学习   图结构   标签传播   自监督   转导学习   半监督  

摘要： 人工高昂的注释成本以及某些稀有类别数据的稀疏性限制了当前深度模型对于有效学习新视觉任务的适用性,而元学习基于先验知识,可以使用少量的标记示例使视觉系统推广到新颖的任务。为充分表达样本数据间的复杂交互关系,提高元学习模型的泛化能力,文中将从图中节点信息和边缘信息的角度对元学习模型进行实验与分析。在邻域内迭代地聚合图结构中的节点特征和边缘特征以获得节点间的相似性信息,基于该相似性信息的传播模块利用标签传播和自监督损失,提升了监督和半监督领域的元学习模型图像分类精度。本文的研究内容和主要成果包括:(1)在邻域聚合过程中加入自适应层使得每个节点能决定各自的聚合度,对边缘特征进行双随机归一化以利用丰富的图边缘信息。模型迭代地聚合节点特征与边缘特征后得到节点间的相似性,该参数表示了节点间的交互信息。(2)利用相似性信息在相似性传播模块中得到一组内插特征以获得更平滑的决策边界。该模块基于标签传播公式获得其嵌入信息,并且将自监督旋转损失添加至分类器中,实验表明该模型提升了分类性能。(3)借用转导学习方法,进一步提升了两个基准数据集上监督和半监督的元学习图像分类精度。此外,通过改变网络结构的部分参数分别进行了三组消融实验来验证聚类的效果。综上所述,本文旨在解决少量样本下的图像分类任务,将图结构信息应用于元学习中并为之制定有效的训练策略。文中的方法不但适用于转导和非转导推论,而且在监督和半监督学习中提升了分类性能。

关键词： 高中化学   学习方法   解题技巧  

摘要： 随着人们越来越重视教育,高考在人们心中也占据着越来越重要的地位,是学生们改变命运最直接,最简单的方式。但是,学生想要在高考中脱颖而出,必须要有自己独特的学习方法和解题技巧。特别是对于高中化学来说,知识点多,解题难,课外接触少。它作为理科的一门课程,在理科中占据举足轻重的地位。学生们需要去培养自己的学习方法和解题技巧。但是,现在高中生们对化学的学习方法及解题技巧方面存在很大的困难,在学习过程中步履维艰。基于此,本文将对高中化学的学习方法及解题技巧予以探索。

关键词： 数据融合   格点降水数据   降水估计   数据量  

摘要： 准确的降水估计对水资源管理、生态模型的模拟、自然灾害预防等领域都十分重要。目前,通过数据融合来提高降水数据的精度已成为研究的热点。机器学习的相关算法也逐渐被应用于降水数据融合中。本文应用多元线性回归(MLR)、前馈型神经网络(FNN)、随机森林(RF)和长短期记忆神经网络(LSTM)对四种卫星降水产品和一种再分析数据在中国区域内进行了融合,以相关系数(CC)、均方根误差(RMSE)、相对偏差(RB)、监测率(POD)、误报率(FAR)和成功率(CSI)为评价指标,综合分析了4种融合方法的优缺点,并简单探讨了数据量对于融合方法的影响。主要成果与结论如下:(1)开发了基于1年和5年历史年份的地面降水资料生成的融合降水产品(P1-MLR、P1-FNN、P1-RF、P1-LSTM、P5-MLR、P5-FNN、P5-RF和P5-LSTM)。(2)将地面降水资料(RGD)中的降水值作为实际降水值,采用六个指标(POD、FAR、CSI、RMSE、CC和RB)定量分析了基于目标年份同一年的地面降水资料交叉验证生成的融合降水数据(M-MLR、M-FNN、M-RF和M-LSTM)的误差和日降水事件监测能力。结果表明:与格点降水产品相比,M-MLR、M-FNN、M-RF和M-LSTM的误差总体上均变小,但仅M-MLR和M-RF的日降水事件监测能力总体上优于所有的格点降水产品。(3)M-MLR是(亚)热带季风性气候区和高原山地气候区中日降水事件监测能力最好的融合降水数据,也是夏季时日降水事件监测能力最好的融合降水数据,且在不同海拔地区均是日降水事件监测能力最优的融合降水数据。此外,MLR是中度降水情景中表现最好的融合方法。但是,MLR是轻度降水情景中表现最差的融合方法。M-FNN在所有区域的精度均是最差的,在春季、夏季、秋季的精度也最差的。但是,FNN在所有等级的雨量中均不是表现最差的融合方法。M-RF是所有区域、所有季节、所有海拔中误差最小的融合降水数据,在温带季风性气候区和温带大陆性气候区中是降水事件监测能力最好的融合降水数据,在春季、秋季和冬季时是日降水事件监测能力最好的融合降水数据。此外,RF是重度降水情景中表现最好的融合方法。M-LSTM在所有季节、所有海拔中均严重低估降水。但是,LSTM是轻度降水情景中表现最好的融合方法。(4)基于历史年份的地面降水资料进行训练模型,对格点降水产品进行融合,也能得到总体精度优于格点降水产品的融合降水数据。与基于目标年份的地面降水资料作为训练数据生成的融合降水数据相比,P1降水产品的误差更大,但P1-FNN和P1-LSTM的日降水事件监测能力均更优。(5)对于MLR模型,当用于计算权重的数据量分别为千级、万级、十万级、百万级时,其生成的融合降水数据(产品)的日降水事件监测能力总体上变化不大。并且,当用于计算权重的数据量为万级、十万级、百万级时,其生成的融合降水数据(产品)的误差变化也不大。对于FNN模型,当训练数据的数据量为十万级时,其生成的融合降水数据(产品)的精度最高。对于RF模型,其融合效果随训练数据的数据量增大而变好。对于LSTM模型,当其训练数据的数据量为十万级时,其生成的融合降水数据(产品)的日降水事件监测能力最优。其生成的融合降水数据(产品)的均方根误差RMSE和相关系数CC则随训练数据的数据量增大而改善。(6)与国际上流行的多源集合权重降水数据集(Multi-Source Weighted-Ensemble Precipitation,MSWEP)相比,所有P1降水产品和P5降水产品的精度均总体上优于MSWEP V1。

关键词： 小学数学   学习方法   指导策略  

摘要： 小学数学的指导与实践在小学数学新课标改革的浪潮下进行,为了更好地提高学生的学习能力水平,培养学生的思维逻辑,教师要在数学教学的学习方法指导方面改良与创新,提高学生的观察能力、实践能力和合作能力,指导学生科学地预习和复习。诚然,如何在小学数学的学习方法上进行战略性的策略分析,需要教师做进一步的探究。

关键词： 复杂网络   网络表示学习   网络几何   稀疏约束   计算传染病学  

摘要： 网络在现实世界中普遍存在,如社交网络、交通网络和蛋白质网络等。图是一种表示复杂网络的直观方式。然而,使用图表示复杂网络面临着以下两个问题:在网络分析任务中,图难以被基于向量的数据分析模型所处理;在隐含网络推断任务中,图中包含了过多的待估参数,难以从有限的网络动力学数据中推断。针对以上两个问题,本文分别从网络几何和稀疏约束的研究思路出发,围绕面向网络分析的网络分布表示学习和面向隐含网络推断的网络压缩表示学习两个方面展开研究,本文的主要研究内容与贡献如下:1)针对基于邻近性保留的图表征学习中表征流形扭曲问题,本文提出了解决该问题的一个基本思路,即利用曲率正则项来约束表征流形的弯曲。本文提出了一种面向图表征学习的基于转角的截面曲率,称为ABS曲率,并相应地提出了曲率正则项,用于在图表征学习中诱导出低曲率的“平坦”表征流形。本文提出了两种高效的曲率正则项变体,以解决该方法的可扩展性问题,并设计了曲率正则项的优化策略。实验结果显示所提出的曲率正则项普遍提升了现有图表征方法的性能。2)针对消息传递神经网络(MPNNs)聚合函数的两个本质缺陷,即邻域结构丢失和长程依赖获取困难,本文提出了利用网络背后的连续隐空间辅助MPNNs聚合的新思路。本文提出了一种新颖的几何聚合方案,它能够利用图表征空间中的几何信息,提取或“重构”传统聚合算子丢失的信息(即邻域结构和长程依赖),并设计了若干种几何图卷积网络(Geom-GCNs)实例化了该几何聚合方案。实验结果显示Geom--GCNs比现有最先进的MPNNs有更高的节点分类准确度,特别在异配网络数据中。3)针对隐含网络推断面临的不适定问题,本文提出了一种基于组稀疏贝叶斯学习的隐含网络压缩表示方法,并将其应用于传播动力学的主动监控中,通过仅观测少量关键节点实现对整体系统动力学的预测。本文提出了一种新颖的重要性度量,即值,用以指示动力学预测任务中节点的观测优先级,从先验和后验两个角度理论地分析了值的合理性。本文设计了一种基于后向选择策略的哨点网络挖掘算法(SNMA),利用组稀疏贝叶斯学习技术在线性连续系统和逻辑离散系统中学习隐含网络的压缩表示。本文解决了SNMA的可扩展性问题,并通过基函数嵌入将SNMA扩展到了非线性动力学系统中,以应对复杂的扩散机制。实验结果显示SNMA可有效学习到隐含网络的压缩表示,在主动监控任务中比现有最先进方法有更高的预测准确度。4)针对动态隐含网络推断面临的严重不适定问题,本文提出了一种动态网络压缩表示学习方法,在保留原动态网络动力学功能的条件下,显著减少了网络推断的待估参数数量,使得从有限动力学数据中推断动态网络成为可能。本文以传染病的传播预测和防控为应用背景,提出了一种基于传染病模型的张量反卷积稀疏编码框架,该框架整合人口统计数据、流行病学数据和疫情监控数据等多个异构数据源,学习大规模人口动态社交接触网络的压缩表示。本文使用四种特定传染病(H1N1、腮腺炎、季节性流感和水痘)作为案例研究,经验性地验证了所提出框架的有效性,并对封闭学校和疫苗分配等传染病防控策略进行了模拟分析。

关键词： 图像分类   医学图像   深度学习   坐标注意力机制   空洞卷积  

摘要： 医学影像是影像科医生诊断疾病的重要手段。影像科医生通过对患者活体组织的医学影像的分析与比较,判断疾病情况。然而,诊断准确率依赖于影像科专家的水平和精力和医疗设备水平。近年来,人工智能技术在计算机视觉、自然语言处理等领域有着出色的表现。人工智能技术应用于医学影像引起了临床专家和人工智能专家的关注。端到端的深度学习方法是人工智能技术的一种。相比传统图像处理技术,深度学习方法被证明具有强大的特征表示能力,在图像分析领域有着优异的成绩。为了提升疾病诊断正确率和缓解医护人员压力,应用深度学习方法定量分析医学影像辅助放射科专家诊断疾病。自新型冠状病毒肺炎(coronavirus disease 2019,COVID-19)爆发以来,很多受灾国家或地区的疫情尚未得到有效控制。应用智能方法减少漏诊、误诊,并且提供安全的诊断环境是研究及时发现、隔离、治疗患者能有效阻止病毒的扩散,因此研发智能高效的诊断手段是当务之急。利用深度学习方法在医学影像中检测感染者是一种安全有效的途径。针对医院硬件设备较差以及医学图像特征较少的现象,提出下述两种轻量的自动识别COVID-19医学影像的智能方法。(1)面向COVID-19胸部XR图像识别的深度学习方法DD-CovidNet。由于XR图像具有同一类别样本特征相似度高且不同类别样本特征变异性低的特点,提出特征信息敏感的双路径多尺度特征融合(dual-path multi-scale fusion,DMFF)模块和密集空洞深度可分离卷积(dense dilated depthwise separable,D3S)模块,分别提取浅层特征与深层特征。基于此,提出一种轻量级卷积神经网络模型DD-CovidNet识别COVID-19胸部XR图像。方法在2个数据集上进行验证。实验结果表明,DD-CovidNet模型对COVID-19识别的灵敏度为96.08%,精度与特异性均为100.00%,且具有较少的参数量与较快的分类速度。同其他模型相比,DD-CovidNet模型的检测速度更快,检测结果更准确。(2)面向COVID-19胸部CT图像识别的深度学习方法PC-CovidNet。COVID-19胸部CT图像的整体特点为双肺多发斑片状渗出影为主,大部分病例呈磨玻璃影,部分严重者表现为局部肺实变。针对上述特点,提出强.感知的并行通道混洗(parallel channel shuffle)PCS模块。PCS模块分为PCS-D模块与PCS-S模块,PCS-D模块用于特征分辨率降维。在PCS-D模块与PCS-S模块中引入坐标注意力机制(Coordination Attention Mechanism,CA),得到PCS-D-CA模块和PCS-S-CA模块。基于PCS模块,提出一种轻量级卷积神经网络模型PC-CovidNet检测COVID-19胸部CT图像。PCS模块中引入最大模糊池化,缓解下采样导致的锯齿效应,增强模型的鲁棒性;引入通道混洗操作,关联通道信息,提升模型性能且降低计算成本;引入CA,关注特征的通道信息与坐标信息,提升模型分类效果。方法在开源数据集COVID-CT上进行了验证,实现了 92.31%的整体分类准确率以及92.48%的COVID-19的灵敏度。

关键词： 数据挖掘   量化交易   深度学习   强化学习  

摘要： 量化交易是指借助数学和统计学方法,利用计算机技术来进行交易的一种证券投资方式[1]。相比主观交易,量化交易者可以通过交易程序有效地减少非理性交易决策,从而实现较为稳定的盈利。近年来,如何在量化交易领域中使用机器学习技术已经成为金融科技的一个中心话题[2]。然而,将人工智能技术运用到量化交易中面临着许多挑战,例如如何表征充满噪声的高频金融数据,以及如何自动化开发量化交易策略。对于表征高频金融数据任务来说,由于有价值的信息往往和噪声信息共存于高频数据中,所以股票高频因子提取器在训练过程很可能会受到金融噪声(价格的微小扰动)的干扰从而导致过拟合,而常见的用于防止过拟合的技巧通常从限制模型参数量的角度出发,难以对高频数据中复杂的交易信号进行建模,导致这些技巧在防止金融数据过拟合任务中的性能较差。换句话说,在设计高频因子提取器时,面临着这样的困境—容量大、表达能力强的模型很容易对噪声过拟合,而简单、稳健的模型无法捕捉高频数据中复杂的特征。为了解决这些问题,本文构造了两个不同的模块,通过交互的形式来利用有效的信息和消除噪声,以便在保持模型表达能力的同时防止过拟合。具体来说,本文提出了一个新的学习框架Digger-Guider,用于从含有噪声的高频数据中提取有用的股票表征。我们开发了一个大容量模型Digger,通过提取局部和细节特征来挖掘高频数据中包含的有效信息。另外,我们还设计了一个较为鲁棒的模型Guider,用于捕捉全局趋势特征,并帮助Digger克服噪声。在训练过程中,Digger和Guider通过互相蒸馏来实现交互,互相蒸馏机制能够作为一种数据驱动的正则化方法来提高模型的整体性能。我们在真实股票数据集上做了大量的实验,实验结果表明,该框架能够提取出有效的股票高频因子,这可以显著提高模型在股票趋势预测任务上的性能并加深对金融市场的理解。完整的量化交易除了包括价格趋势预测,还包括交易策略设计。本文提出了一种自适应的交易模型iRDPG,利用智能体自动化开发量化策略。我们通过深度强化学习算法和模仿学习技术来增强模型。具体来说,考虑到金融数据的噪声,本文将量化交易过程描述为一个部分可观测的马尔可夫决策过程,同时,引入模仿学习技术,利用经典交易策略帮助智能体平衡探索和开发。实验中使用分钟频率的股指期货数据集来训练智能体,实验结果表明,模型能够提取出稳健的市场特征,并能适应不同的市场环境。

关键词： 表示学习   聚类分析   社团发现   自监督学习   图神经网络  

摘要： 近年来,随着信息技术的发展,在生产实践中产生了大量的无标签数据,面对数据的无标签特性、数据类型的多样性以及标记数据的高昂代价等情况,如何利用无监督学习方式来对这些不同类型的无标签数据进行表示学习与知识发现,受到学者们广泛地关注。在实际应用中,分类型数据、流式数据以及图数据越来越普遍。目前针对无监督式的表示学习与知识发现,绝大多数方法存在处理数据类型单一,只能从单视角对数据进行表示,无在线学习机制以及难以处理图数据等问题。鉴于此,本文将深入研究复杂数据下的表示学习与知识发现,利用无监督学习方法,对无标签的数值型数据、分类型数据、流式数据以及图数据的表示学习问题展开研究,提出了一系列应对不同场景与任务的表示学习方法,并将这些方法应用到聚类分析、概念漂移检测以及社团发现中去,并且取得了较好的性能。本文的主要研究内容与创新点概括为如下的三个方面:(1)在无标签非线性可分数据的表示学习和聚类分析问题中,数据类型的差异性给表示学习和聚类分析带来了巨大的挑战。针对传统的集成式聚类算法所得到的结果往往是多个聚类算法的中庸结果,存在无法实现“弱弱生强”的问题,本文提出了多特征融合的软子空间聚类算法,该算法利用不同的降维算法对数据进行降维处理,从而形成多视角特征,并将多个弱聚类器进行加权融合,形成强聚类器。针对分类型数据不具有几何结构,难以有效地对分类型数据进行属性约简的问题,本文提出了依据等价划分来实现数据类型转换的模糊粗糙聚类算法,该算法充分考虑了同一等价类内样本的相似性与不同等价类内样本的相异性,将分类型数据转化成数值型数据,然后对数据进行降维,实验结果证明了算法的有效性。针对数据流中的概念漂移问题,当前已有的数据流聚类算法往往只能应对突变式或渐进式概念漂移,本文提出了自适应数据流聚类算法,该算法采用在线学习与滑动窗口机制,对每一个数据块进行特征变换,并采用阈值划分的方法来检测概念漂移,实验结果证明了该算法能够很好地应对同时含有两种概念漂移的数据流聚类问题。(2)传统的图嵌入算法往往直接利用一阶邻域关系来对节点间的相似性进行度量,然而,一阶邻域关系只能反映出节点间的局部关系,无法从全局的角度来度量节点间的相似性。针对上述问题,本文提出了一种能够融合一阶与二阶邻域关系的图嵌入算法。该算法利用一阶与二阶邻域关系定义了一种模糊隶属度来反映节点间的依赖性并由此形成一个隶属度矩阵,再根据隶属度矩阵来获得节点的嵌入向量,通过这两种邻域关系的融合,该算法能够较好地反映节点间不同粒度下的关联关系。针对传统图嵌入算法缺乏反馈机制的问题,本文在利用图的局部与全局结构信息基础上,进一步研究了反馈机制对图嵌入结果的影响,并提出了带有信息传播机制的流形图嵌入算法,该算法首先利用多跳连接来获得图的高阶信息,然后利用流形学习与低秩学习来获得节点的低维嵌入向量,最终根据图的结构信息来更新嵌入结果。实验结果表明,该算法不但能够利用图的局部与全局结构信息,而且还具有较好的鲁棒性。(3)浅层模型的图嵌入算法一般只能获得图数据的低层次语义特征,并且无法应对带有属性信息的图数据。图神经网络作为一种有效的图表示学习方法,不但能提取高层次的语义特征,而且能够实现属性信息与结构信息的融合。然而,当前绝大多数图神经网络算法难以实现不同高阶近邻信息的融合以及无法有选择性地关注对任务有利的特征。针对上述无标签属性图的表示学习问题,本文从图神经网络与自监督学习的角度出发,提出了一种能够实现高阶近邻信息融合的自监督深度图嵌入算法,并将其应用到社团发现任务中。该算法将不同的高阶信息矩阵输入到多个图神经网络中,从而得到多组高层次语义特征,然后采用加权的方法实现特征的融合,最终图神经网络采用对比学习与负采样机制进行训练,在获得节点的低维嵌入向量后,该算法采用谱传播的方法来进一步增强嵌入结果。实验结果表明,该算法不但能有效地利用图中不同的高阶近邻信息,而且较当前主流算法能获得更好的社团划分结果。