托攻击是协同过滤推荐系统面临的重大安全威胁.研究可抵御托攻击的鲁棒协同推荐技术已成为目前的重要课题.本文在引入用户嫌疑性评估策略的基础上,通过将用户嫌疑性及项类属等元信息与贝叶斯概率矩阵分解模型相融合,提出了用于鲁棒协同...托攻击是协同过滤推荐系统面临的重大安全威胁.研究可抵御托攻击的鲁棒协同推荐技术已成为目前的重要课题.本文在引入用户嫌疑性评估策略的基础上,通过将用户嫌疑性及项类属等元信息与贝叶斯概率矩阵分解模型相融合,提出了用于鲁棒协同推荐的元信息增强变分贝叶斯矩阵分解模型(Metadata-enhance dvariationa lBayesian matri xfactorization,MVBMF),并设计了相应的模型增量学习策略.实验表明,与现有推荐模型相比,这种模型具备更强的攻击耐受力,能够有效提高推荐系统的鲁棒性.展开更多
针对雷达邻近多目标跟踪问题,提出了一种基于变分推断的联合概率数据关联算法(Joint Probability Data Association,JPDA)。通过建立关于目标状态和两个关联指示的概率图模型,并根据不同变量之间的信息传递构造对应的自由能目标函数,迭...针对雷达邻近多目标跟踪问题,提出了一种基于变分推断的联合概率数据关联算法(Joint Probability Data Association,JPDA)。通过建立关于目标状态和两个关联指示的概率图模型,并根据不同变量之间的信息传递构造对应的自由能目标函数,迭代该目标函数求解出目标和当前检测量测之间的最佳边缘关联概率。将所提算法与经典JPDA和k近邻联合概率数据关联(k Nearest Neighbor-Joint Probability Data Association,kNN-JPDA)算法进行对比,结果表明新算法具备更高的跟踪位置精度,并且能够有效地避免因邻近目标数量增多而引起的计算上的组合爆炸问题。展开更多
文摘托攻击是协同过滤推荐系统面临的重大安全威胁.研究可抵御托攻击的鲁棒协同推荐技术已成为目前的重要课题.本文在引入用户嫌疑性评估策略的基础上,通过将用户嫌疑性及项类属等元信息与贝叶斯概率矩阵分解模型相融合,提出了用于鲁棒协同推荐的元信息增强变分贝叶斯矩阵分解模型(Metadata-enhance dvariationa lBayesian matri xfactorization,MVBMF),并设计了相应的模型增量学习策略.实验表明,与现有推荐模型相比,这种模型具备更强的攻击耐受力,能够有效提高推荐系统的鲁棒性.
文摘针对雷达邻近多目标跟踪问题,提出了一种基于变分推断的联合概率数据关联算法(Joint Probability Data Association,JPDA)。通过建立关于目标状态和两个关联指示的概率图模型,并根据不同变量之间的信息传递构造对应的自由能目标函数,迭代该目标函数求解出目标和当前检测量测之间的最佳边缘关联概率。将所提算法与经典JPDA和k近邻联合概率数据关联(k Nearest Neighbor-Joint Probability Data Association,kNN-JPDA)算法进行对比,结果表明新算法具备更高的跟踪位置精度,并且能够有效地避免因邻近目标数量增多而引起的计算上的组合爆炸问题。
