排序方式: 共有4条查询结果,搜索用时 444 毫秒
1
1.
在数据流中挖掘频繁项集得到了广泛的研究,传统的研究方法大多关注于在数据流中挖掘全部频繁项集.由于挖掘全部频繁项集存在数据和模式冗余问题,所以对算法的时间和空间效率都具有更大的挑战性.因此,近年来人们开始关注在数据流中挖掘频繁闭项集,其中一个典型的工作就是Moment算法.本文提出了一种数据流中频繁闭项集的近似挖掘算法A-Moment.它采用衰减窗口机制、近似计数估计方法和分布式更新信息策略来解决Moment算法中过度依赖于窗口和执行效率低等问题.实验表明,该算法在保证挖掘精度的前提下,可以比Moment获得更好的效率. 相似文献
2.
3.
4.
图神经网络自2005年以来已经逐步成为图学习中的一个重要的研究分支,其中最为活跃的是图卷积神经网络.由于图数据在现实世界中广泛存在,因此有效地完成图结构数据的学习具有很大的应用前景.目前出现的大多数图卷积神经网络模型基本都是浅层结构,过平滑问题成为制约该领域发展的瓶颈问题.本文提出了一种称为dri-GCN(Graph Convolutional Network via dropedge,residual and identity mapping)的图残差卷积深层网络模型,该模型集成了图剪边、初始残差和恒等映射技术.主要思想包括:利用图剪边技术增加学习数据的多样性,以防止学习过程中的过拟合现象;构建恒等映射下的初始残差网络,来扩展残差单元的学习路径,以削弱学习过程中的过平滑问题.实验结果表明,本文提出的dri-GCN模型可以帮助构建深层图卷积神经网络,通过网络层次的加深可以获得优于浅层网络的学习准确率. 相似文献
1