Intelligent Information Processing XII
13th IFIP TC 12 International Conference, IIP 2024, Shenzhen, China, May 3–6, 2024, Proceedings, Part I
- 2024
- Buch
- Herausgegeben von
- Zhongzhi Shi
- Jim Torresen
- Shengxiang Yang
- Verlag
- Springer Nature Switzerland
Über dieses Buch
Die zweibändigen IFIP AICT 703 und 704 bilden die referierten Konferenzunterlagen der 13. IFIP TC 12 International Conference on Intelligent Information Processing XII, IIP 2024, die vom 3. bis 6. Mai 2024 in Shenzhen, China, stattfand. Die 49 vollständigen und 5 kurzen Beiträge, die in diesem Verfahren präsentiert wurden, wurden sorgfältig geprüft und aus 58 Einreichungen ausgewählt. Die Vorträge sind in die folgenden thematischen Abschnitte gegliedert: Band I: Maschinelles Lernen; Verarbeitung natürlicher Sprache; Neuronales und Evolutionäres Rechnen; Empfehlungen und Soziales Rechnen; Business Intelligence und Risikokontrolle; und Mustererkennung. Band II: Image Understanding.
Mit KI übersetzt
Über dieses Buch
The two-volume set IFIP AICT 703 and 704 constitutes the refereed conference proceedings of the 13th IFIP TC 12 International Conference on Intelligent Information Processing XII, IIP 2024, held in Shenzhen, China, during May 3–6, 2024.
The 49 full papers and 5 short papers presented in these proceedings were carefully reviewed and selected from 58 submissions.
The papers are organized in the following topical sections:
Volume I: Machine Learning; Natural Language Processing; Neural and Evolutionary Computing; Recommendation and Social Computing; Business Intelligence and Risk Control; and Pattern Recognition.
Volume II: Image Understanding.
Anzeige
Inhaltsverzeichnis
-
Neural and Evolutionary Computing
-
Frontmatter
-
Empirical Evaluation of Evolutionary Algorithms with Power-Law Ranking Selection
Duc-Cuong Dang, Anton V. Eremeev, Xiaoyu QinDas Kapitel konzentriert sich auf die empirische Bewertung evolutionärer Algorithmen mit machtgesetzlicher Rangauswahl, einem Mechanismus, der Selektionswahrscheinlichkeiten basierend auf den Rängen von Individuen zuweist. Es werden die Vorteile dieser Auswahlmethode diskutiert, wie etwa ihre Fähigkeit, kleine, aber wichtige Vorteile in großen Populationen zu handhaben und ihre Einhaltung von Bedingungen, die verhindern, dass nicht-elitäre EAs in lokalen Optima stecken bleiben. Die Studie präsentiert umfangreiche experimentelle Ergebnisse zu Benchmark-Funktionen, darunter NK-Landscape, MaxSat-Probleme und das kombinatorische Problem Set Cover. Die Experimente zeigen, dass die Selektion nach dem Machtrecht nicht-elitäre EAs mit hohen Mutationsraten operieren lässt und andere Selektionsmechanismen bei bestimmten Problemen übertreffen kann. Das Kapitel enthält auch eine detaillierte Analyse der Fehlerschwelle, die Selektion und Mutation ausbalanciert, und zeigt, wie die leistungsrechtliche Selektion die Leistung evolutionärer Algorithmen bei komplexen Optimierungsaufgaben verbessern kann.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractIt has been proven that non-elitist evolutionary algorithms (EAs) with proper selection mechanisms, including the recently proposed power-law ranking selection, can efficiently escape local optima on a broad class of problems called SparseLocalOpt \(_{\alpha ,\varepsilon }\), where elitist EAs fail. However, those theoretical upper bounds on the runtime are not tight as they require large populations and a tight balance between mutation rates and selection pressure to keep the algorithms operating near the so-called “error threshold”. This paper empirically clarifies the significance of these theoretical requirements and makes a series of performance comparisons between the non-elitist EA using power-law ranking selection and other EAs on various benchmark problems.Our experimental results show that non-elitist EAs optimise the Funnel problem with deceptive local optimum significantly faster with power-law ranking selection than with tournament selection. Furthermore, power-law selection outperforms UMDA and the (1+1) EA in our experiments on the NK-Landscape and Max k-Sat problems, but yields to the \((\mu ,\lambda )\)-selection, tournament selection, and the self-adaptive MOSA-EA. On the unicost set cover problems, the EA with power-law selection shows competitive results. -
An Indicator Based Evolutionary Algorithm for Multiparty Multiobjective Knapsack Problems
Zhen Song, Wenjian Luo, Peilan Xu, Zipeng Ye, Kesheng ChenAbstractAs a special case of the multiobjective optimization problem, the multiobjective knapsack problem (MOKP) widely exists in real-world applications. Currently, most algorithms used to solve MOKPs assume that these problems involve only one decision maker (DM). However, some complex MOKPs often involve more than one decision makers and we call such problems multiparty multiobjective knapsack problems (MPMOKPs). Existing algorithms cannot solve MPMOKPs effectively. To the best of our knowledge, there is only a little attention paid to MPMOKPs. In this paper, inspired by existing SMS-EMOA, we propose a novel indicator-based algorithm called SMS-MPEMOA to solve MPMOKPs, which aims to search solutions to satisfy all decision makers as much as possible. SMS-MPEMOA is compared with several state-of-the-art multiparty multiobjective optimization algorithms (MPMOEAs) on the benchmarks and the experimental results demonstrate that SMS-MPEMOA is very competitive. -
Ensemble Strategy Based Hyper-heuristic Evolutionary Algorithm for Many-Objective Optimization
Wang Qian, Zhang Jingbo, Cui ZhihuaDas Kapitel stellt eine Ensemblestrategie vor, die auf einem hyper-heuristischen evolutionären Algorithmus zur Optimierung vieler Ziele beruht und die Grenzen der Abhängigkeit von einem einzigen Algorithmus anspricht. Es integriert mehrere klassische Optimierungsalgorithmen mit vielen Zielen und verwendet einen Konsensabstimmungsmechanismus, der von Blockchain inspiriert ist, um in jeder Iteration den am besten geeigneten Algorithmus auszuwählen. Dieser Ansatz verringert das Risiko, sich auf einen einzigen Algorithmus zu verlassen, verbessert die Erforschung des Suchraums und nutzt die Stärken verschiedener Algorithmen aus. Das Kapitel schlägt außerdem eine neue Bewertungsgröße vor, die Differenzverschiebungsdichteschätzung (DSDE), um die Ähnlichkeit zwischen den Populationen zu bewerten. Experimente mit 10 Optimierungsalgorithmen an MaF-Testsuiten und einem realen Optimierungsproblem zeigen die Wirksamkeit der vorgeschlagenen Methode.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractMany-objective Optimization problems (MaOPs), with four or more objectives are difficult to solve, is a kind of common optimization problems in actual industrial production. In recent years, a large number of many-objective optimization algorithms (MaOEAs) have been proposed to solve various types of MaOPs. However, in practical problems, it is usually hard to improve the existing optimization algorithms or make a lot of attempts for MaOEAs because the true Pareto surface is usually unknown in a new MaOPs, which is a time-consuming and uncertain task. In this paper, inspired by the selective hyper heuristic optimization algorithm, we propose an integrated hyper-heuristic many-objective optimization algorithm (MaOEA-EH), which can integrate the existing advanced MaOEAs by simulating the PBFT consensus mechanism in the blockchain, and select the best algorithm for the current problem through the voting-election method in the iterative process. Numerical results show that our algorithm performs well on various many-objective problems. -
Rolling Horizon Co-evolution for Snake AI Competition
Hui Li, Jiayi Zhou, Qingquan ZhangDas Kapitel befasst sich mit der Anwendung des Rolling Horizon Co-evolution Algorithm (RHCA) im Snake AI-Wettbewerb, der von der Innopolis University organisiert und Teil der IEEE Conference on Games ist. Der Wettbewerb rekonstruiert das klassische Spiel Snake für zwei Spieler, die durch KI-Algorithmen gesteuert werden, um gleichzeitig gegeneinander anzutreten. Die RHCA, die sich durch rollende Horizontevaluierung und Koevolution auszeichnet, wird in diesem komplexeren Spiel auf ihre Effektivität hin bewertet. Das Kapitel vergleicht RHCA mit anderen populären graphenbasierten heuristischen Suchalgorithmen, einschließlich A *, MCTS und NMCS, über verschiedene komplexe Szenarien mit Hindernissen hinweg. Die experimentellen Ergebnisse zeigen die überlegene Leistung und Anpassungsfähigkeit von RHCA und unterstreichen sein Potenzial für weitere Erforschung und Verbesserung der Entwicklung von KI-Algorithmen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThe Snake game, a classic in the gaming world, gains new dimensions with the Snake AI competition, where two players controlled by AI algorithms can now compete simultaneously in the same game session. This competition holds significance in advancing our understanding of artificial intelligence (AI) algorithms. In the 2020 and 2021 Snake AI competitions, popular algorithms, using graph-based search or heuristic strategies, demonstrate competitive performance, such as the A* algorithm, Monte Carlo Tree Search (MCTS). Contrary to these heuristic approaches, the Rolling Horizon Co-evolution Algorithm (RHCA), characterised by its core principles of rolling horizon evaluation and co-evolution, maintains two populations, one for each player, to co-evolve with each other without reliance on heuristics. RHCA has been verified its effectiveness in a two-player spaceship game. In this paper, we extend the RHCA application to the two-player Snake AI game, comparing it with other state-of-the-art methods. Additionally, we introduce various obstacles to create different complex scenarios, ensuring a comprehensive analysis. Experimental results reveal RHCA’s superior and stable performance, especially in resource-constrained and complex scenarios. Furthermore, an analysis of RHCA’s behaviours across maps with diverse obstacle scenarios highlights its ability to make intelligent decisions in competing with state-of-the-art methods. -
Training Artificial Immune Networks as Standalone Generative Models for Realistic Data Synthesis
Siphesihle Philezwini Sithungu, Elizabeth Marie EhlersDieses Kapitel befasst sich mit der innovativen Anwendung künstlicher Immunnetzwerke (AINs) als eigenständige generative Modelle für eine realistische Datensynthese. Es beginnt mit der Einführung der Generativen Künstlichen Intelligenz (GAI) und ihres Teilbereichs Generative Modellierung, das darauf abzielt, Datenverteilungen zu modellieren, um menschenähnliche Inhalte zu erzeugen. Das Kapitel untersucht dann verschiedene Techniken der generativen Modellierung, darunter Maximum Likelihood Estimation, Boltzmann-Maschinen und Variational Autoencoder. Der Schwerpunkt verlagert sich auf Generative Adversarial Networks (GANs), die ihren Erfolg und die Herausforderungen, vor denen sie stehen, wie schwindende Steigungen und der Zusammenbruch von Modi, hervorheben. Der Kern des Kapitels stellt das Konzept künstlicher Immunnetzwerke und ihre Anwendung in generativen Modellen vor. Es stellt den GAAINet-Prototyp vor, der ein AIN darin trainiert, die Verteilung eines Datensatzes zu erlernen und synthetische Proben zu erzeugen. Das Kapitel bietet einen detaillierten Überblick über das GAAINet-Rahmenwerk, einschließlich der Generator- und Diskriminatoragenten, ihrer Trainingsprozesse und der erzielten experimentellen Ergebnisse. Es vergleicht die Leistung von GAAINet mit der der ersten Generation von GANs und zeigt das Potenzial von AINs bei der Erzeugung menschlich lesbarer synthetischer Proben auf. Das Kapitel schließt mit der Diskussion zukünftiger Forschungsrichtungen und dem Versprechen von AIN-basierten generativen Modellen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractIn recent years, generative modelling has become a significant area of computer science research and artificial intelligence. This has been primarily due to the fact that generative models are useful in addressing the class imbalance problem inherent in some datasets. By generating synthetic data samples for underrepresented classes with a decent amount of variation through random noise, classification models could be trained more efficiently. The popularity of generative models was also increased by the prospect of being able to generate previously non-existent samples of images, audio and video for other creative tasks not related to addressing the class imbalance in datasets. This paper presents exploratory research to train an artificial immune network as a standalone generative model (called a generative adversarial artificial immune network, or GAAINet) using purely immunological computation concepts, such as antibody affinity, clonal selection and hypermutation. Experimental results show that the resulting generator artificial immune network could generate human-recognisable synthetic handwritten digits without any prior knowledge of the MNIST handwritten digits dataset. -
Structure Optimization for Wide-Channel Plate Heat Exchanger Based on Interval Constraints
Yinan Guo, Guoyu Chen, Dongzhang Jiang, Tong Ding, Wenbo LiDas Kapitel geht auf die entscheidende Rolle von Wärmetauschern in verschiedenen technischen Anwendungen ein und betont die Vorteile von Breitkanal-Plattenwärmetauschern. Es wird die Notwendigkeit diskutiert, die Struktur zu optimieren, um die besten internen Strömungs- und Widerstandseigenschaften zu erreichen. Die Forschung beleuchtet den Einfluss von Strömungsbedingungen und Plattenparametern auf die Wärmeübertragungsleistung. Die Autoren schlagen ein Optimierungsmodell vor, das auf Intervallbeschränkungen beruht und einen multiobjektiven Partikelschwarm-Optimierungsalgorithmus verwendet, um das strukturelle Entwurfsproblem zu lösen. Das Modell betrachtet Wärmeübertragungseffizienz, Produktionskosten, Druckverlust und Temperaturdifferenz als zentrale Ziele. Das Kapitel stellt auch ein Surrogatmodell vor, das von neuronalen Netzwerken entwickelt wurde, um den Grad der Verletzung von Beschränkungen zu bewerten. Experimentelle Ergebnisse zeigen die Effektivität der vorgeschlagenen Methode bei der Erreichung optimaler Strukturvariablen für Breitkanal-Plattenwärmetauscher, was sie zu einer wertvollen Ressource für Ingenieure und Konstrukteure vor Ort macht.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractWide-channel plate heat exchanger is a widely-used high performance heat exchanger, and its structure has a significant effect on heat exchange effect. However, the density and flow rate of the heat transfer medium is uncertain, and we only can obtain their possible ranges. Based on this, interval number is introduced to describe uncertainty factor, and then formulate the interval constraint of wide-channel plate heat exchanger. The triangular fuzzy number is employed to define the degree of constraint violation. Due to the difficulty of modeling heat exchange efficiency, its surrogate model is trained by neural network. To solve this issue, multi-objective particle swarm optimization algorithm is developed to find the optimal structural variable of heat exchanger under uncertain conditions. The experimental results indicate that the proposed algorithm obtains the structure variable of heat exchanger with the most preferable heat effect and lowest cost quickly. -
Genetic Algorithm Driven by Translational Mutation Operator for the Scheduling Optimization in the Steelmaking-Continuous Casting Production
Lin Guan, Yalin Wang, Xujie Tan, Chenliang LiuDas Kapitel geht auf die kritischen Dispositionsherausforderungen im Stahlherstellungs-Strangguss-Prozess (SCC) ein und unterstreicht die Notwendigkeit effizienter und koordinierter Dispositionen, um die Produktionseffizienz zu steigern und den Energieverbrauch zu senken. Es führt ein robustes mathematisches Modell für die ununterbrochene Casting-Planung von SCC ein, gefolgt von dem Vorschlag eines genetischen Algorithmus, der von einem Translational Mutation Operator (TMGA) angetrieben wird. Der TMGA integriert Gussinformationen und Beschränkungen für den kontinuierlichen Guss, wodurch ein lückenloser Guss gewährleistet und die Recheneffizienz gesteigert wird. Umfassende Experimente bestätigen die Überlegenheit der vorgeschlagenen Methode und zeigen signifikante Verbesserungen bei maximaler Fertigstellungszeit und Ausführungszeit im Vergleich zu anderen Algorithmen. Das Kapitel schließt mit der Betonung des Potenzials des TMGA bei der Lösung größerer und komplexerer Dispositionsprobleme in der Stahlindustrie.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThe scheduling optimization of industrial processes is crucial for enhancing production capacity and minimizing energy consumption. In the realm of continuous casting, the expansion of the scheduling scale and the increasing number of scheduling objects pose challenges for genetic algorithms in swiftly generating optimal solutions that adhere to constraints. Prolonged scheduling decision times and difficulties in ensuring constant pouring constraints are critical issues that require urgent resolution in the continuous casting scheduling problem within steelmaking. This paper proposes a genetic algorithm driven by translational mutation operator for the scheduling optimization in the steelmaking-continuous casting production named TMGA. Incorporating continuous pouring information in the encoding process guarantees uninterrupted pouring during the casting stage. Furthermore, applying the translational mutation operator is instrumental in elevating the search efficiency for the global optimal solution, consequently diminishing scheduling decision times. To validate the effectiveness of the proposed approach, this study conducts a rigorous examination involving a numerical simulation case and two ablation experiments. The experimental results demonstrate the superior performance of TMGA compared to other methods. -
Adaptive Genetic Algorithm with Optimized Operators for Scheduling in Computer Systems
Yu. V. Zakharova, M. Yu. SakhnoDas Kapitel vertieft sich in das komplexe Problem der Planung parallelisierbarer Jobs auf schnell skalierbaren Prozessoren mit dem Ziel, den Energieverbrauch und die Fertigstellungszeiten zu minimieren. Es führt einen adaptiven genetischen Algorithmus mit optimierten Operatoren wie One Point Crossover und Ordered Crossover ein, um die NP-Härte des Problems in Angriff zu nehmen. Der Algorithmus ist so konzipiert, dass er während des Suchvorgangs Crossover-Operatoren adaptiv auswählt, was seine Effektivität erhöht. Durch rigorose experimentelle Evaluierung erweist sich der vorgeschlagene Algorithmus im Vergleich zur bestehenden gierigen Heuristik als überlegen und leistet somit einen wertvollen Beitrag auf dem Gebiet der Terminierung von Algorithmen in Computersystemen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractModern computing and networking environments provide the important problems of efficient using such resources as energy and cores or processors. It is based on the possibility of dynamically varying the speed of processors and using parallel calculations in the execution of operations. We consider the NP-hard speed scaling scheduling problem with energy constraints and parallelizable jobs. Each job must be executed on the given number of processors. Processors can vary their speeds dynamically. It is required to assign speeds to jobs and schedule them such that the total completion time is minimized under the given energy budget. An adaptive genetic algorithm with optimized crossover operators is proposed. The optimal recombination problem is solved in the crossover operator. This problem is aimed at searching for the best possible offspring following the well-known gene transmitting property. The experimental evaluation shows that the algorithm outperforms the known metaheuristics and demonstrates the perspectives of using adaptive techniques and optimized operators. -
A Data-Driven Framework for Whole-Brain Network Modeling with Simultaneous EEG-SEEG Data
Kexin Lou, Jingzhe Li, Markus Barth, Quanying LiuDas Kapitel stellt ein datengestütztes Rahmenwerk für die Modellierung des gesamten Gehirns unter Verwendung simultaner EEG-SEEG-Daten vor, das darauf abzielt, komplexe räumlich-zeitliche Dynamiken der Gehirnaktivität zu erfassen. Es unterstreicht die Bedeutung der Integration multimodaler Daten, um individuelle Beschränkungen abzumildern und die Genauigkeit zu verbessern. Das Rahmenwerk wird durch verschiedene Szenarien validiert, einschließlich eines naiven Falles mit bekannten Ground-Truth-Parametern, eines Modells, das durch Kopfhaut-EEG eingeschränkt ist, und eines Modells, das sowohl Kopfhaut als auch intrakranielle EEG-Signale integriert. Die Studie vergleicht die Leistung des Ganzhirnmodells mit herkömmlichen Methoden zur Quelleneinschätzung und zeigt damit seine Überlegenheit bei der Erfassung neuronaler Reaktionen auf elektrische Stimulation. Das Kapitel diskutiert auch die Herausforderungen und zukünftigen Richtungen bei der Modellierung von Netzwerken im gesamten Gehirn und betont die Notwendigkeit flexibler und multimodaler Ansätze, um die komplexen Funktionsweisen des Gehirns aufzudecken.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractWhole-brain network modeling (WBM) offers a pivotal tool to explore the large-scale spatiotemporal dynamics of the brain at rest, during cognitive tasks, and under external stimulation. However, it is unclear how to fuse multi-modal neural dynamics in a united WBM framework and predict the whole-brain spatiotemporal neural responses to electrical stimulation. In this study, we present a computational framework with whole-brain network modeling, parameter optimization, and model validation using simultaneous EEG-SEEG data during intracranial brain stimulation. To test the efficacy of WBM in revealing brain-wide neural dynamics, our experiments utilize synthetic electrophysiological data, real EEG data, and real EEG-SEEG signals. Experimental results demonstrate that our WBM framework accurately captures the spatiotemporal brain activities by jointly leveraging the higher spatial resolution from SEEG and the whole-brain coverage from EEG. Notably, our model shows a higher correlation between the functional connectivity (FC) matrix of EEG and that of the inferred whole-brain neural dynamics from WBM (r=0.86), compared to the FC from EEG source localization (r=0.48). Together, we demonstrate the capability and flexibility of WBM framework to uncover the whole-brain spatiotemporal neural activity and its potential to provide new insights into the input-response mechanism of the brain.
-
-
Recommendation and Social Computing
-
Frontmatter
-
Secure and Negotiate Scheme for Vehicle-to-Vehicle Communications in an IoV
Jinquan Hou, Yuqiu Jian, Guosheng Xu, Qiang Cao, Guoai XuIn diesem Kapitel werden die Sicherheitsherausforderungen der Fahrzeug-zu-Fahrzeug-Kommunikation im Internet of Vehicles (IoV) untersucht und Schwachstellen wie Datenfälschung und Lauschangriffe aufgezeigt. Es führt ein neuartiges Sicherheits- und Verhandlungsschema ein, das ein Drittanbieterzentrum für Offline-Authentifizierung nutzt, was eine gegenseitige Authentifizierung und die Einrichtung von Sitzungsschlüsseln ermöglicht. Das System ist effizient konzipiert, erfordert nur leichte Operationen und erweist sich durch heuristische und BAN-logische Analyse als sicher. Das Kapitel vergleicht das vorgeschlagene Schema auch mit modernen Methoden und demonstriert seine überlegene Kommunikationseffizienz. Die detaillierte Sicherheitsanalyse und der Leistungsvergleich machen dieses Kapitel zu einer wertvollen Ressource für Fachleute, die die Sicherheit der IoV-Kommunikation verbessern wollen.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThe exchange of real-time data between vehicle-to-vehicle communications is crucial in the Internet of Vehicles (IoV) for vehicle-intelligent decisions. However, malicious and false communication data may cause serious personal safety accidents. Confirming the authenticity of the identities of both parties and encrypting communication content before communication is the first line of defense to ensure system security. Therefore, to secure the vehicle-to-vehicle communications, this paper proposes a secure and efficient authentication and key agreement scheme with lightweight operation. Our scheme achieves vehicle-to-vehicle authentication and establishes a session key to encrypt subsequent communication content with only lightweight operations such as symmetric encryption algorithms and hash functions. Furthermore, our scheme provides many ideal attributes, such as forward secrecy, which ensures that the final compromised of the system will not affect the previous communication content. Besides, we prove the security of the proposed scheme through heuristic analysis and BAN logic analysis and analyze the performance of the proposed scheme via comparing the computational cost and communication cost with three state-of-the-art related schemes. The results show that the proposed scheme has high communication efficiency. -
Flexible k-anonymity Scheme Suitable for Different Scenarios in Social Networks
Mingmeng Zhang, Yuanjing Hao, Pengao Lu, Liang Chang, Long LiDas Kapitel behandelt die Bedeutung des Datenschutzes in sozialen Netzwerken aufgrund der zunehmenden Datenmenge, die von Plattformen wie WeChat und Twitter generiert wird. Es stellt das Konzept der k-Anonymität und seine Beschränkungen vor und präsentiert dann einen neuartigen α-partiellen isomorphen Anonymitätsalgorithmus (α-PIA). Dieser Algorithmus zielt darauf ab, den Schutz der Privatsphäre zu verbessern und gleichzeitig Informationsverluste zu minimieren, was ihn zu einem bedeutenden Fortschritt im Bereich der Anonymisierung von Daten macht. Das Kapitel bietet zudem eine umfassende Bewertung des α-PIA-Algorithmus anhand realer Datensätze, die seine überlegene Leistung im Vergleich zu bestehenden Methoden demonstriert.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractSocial networks not only help expand interpersonal interactions, enable data analysis, and implement intelligent recommendations, but also can deeply examine social structures and dynamic changes between individuals, making them an indispensable part of contemporary society. However, malicious entities pose a significant threat to user identity and relationship information within social networks, raising concerns about privacy and security issues. Although existing k-anonymity schemes provide certain privacy protection, they lack the flexibility to adjust the intensity of privacy protection according to specific scenarios and user preferences, thus seriously compromising the utility of anonymized data. Based on the isomorphic algorithm, this paper proposes a new structural anonymity algorithm called α-partial isomorphic anonymity (α-PIA) to meet the privacy protection and data usage requirements in different scenarios of social networks. By capturing graph structure features at different levels to calculate the similarity between nodes, α-PIA can improve clustering quality. Extensive experiments are carried out based on two public datasets. Experimental results show that compared with similar schemes, α-PIA achieves better results in terms of information loss, average clustering coefficient and average shortest path length and better balances the privacy protection and practicality of graph data. -
A Recommendation Algorithm Based on Automatic Meta-path Generation and Relationship Aggregation
Yuying Wang, Jing Zhou, Yifan Ji, Qian Liu, Jiaying WeiDieses Kapitel stellt einen Empfehlungsalgorithmus vor, der die automatische Metapfad-Generierung und Beziehungsaggregation nutzt, um die Qualität von Empfehlungen zu verbessern. Traditionelle Empfehlungssysteme beruhen häufig auf spärlichen Interaktionsmatrizen zwischen Benutzer und Objekt, was zu begrenzten Einsichten führt. Die Einführung von Knowledge Graphs (KGs) hat die Item-Information bereichert, aber bestehende Modelle haben mit übermäßigen Nachbarinformationen zu kämpfen. Der vorgeschlagene Algorithmus adressiert dies, indem er Metapfad-Stichproben verwendet, um wertvolle Pfade zu generieren und qualitativ hochwertige Nachbarinformationen zu sammeln. Außerdem wird eine Strategie für die Wahrnehmung von Beziehungspfaden eingeführt, um Beziehungen zwischen den Knotenpunkten zu erfassen, und ein zweistufiger Beziehungsaggregator, um sowohl lokale als auch globale semantische Informationen zu modellieren. Experimente mit Benchmark-Datensätzen zeigen die Effektivität des Algorithmus und zeigen Verbesserungen in Metriken wie AUC, F1 und Recall @ K. Das Kapitel hebt die Vorteile der selbst überwachten Metapfad-Generierung und der umfassenden Erfassung semantischer Informationen hervor und macht es zu einer wertvollen Lektüre für Fachleute, die sich für Empfehlungssysteme und neuronale Netzwerke interessieren.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractKnowledge Graph (KG) contains rich semantic information and supports knowledge reasoning. In recent years, introducing KG as auxiliary information into the recommender system has become one common measure for improving recommendation quality. The unified graph, which is constructed from the KG and user-item matrix in recommender systems, contains meta-paths formed by single-hop/continuous multi-hop connectivity relationships, and these meta-paths can assist modeling of user preferences. The quality of manually designed meta-paths is prone to the type and number of human-defined meta-paths. Moreover, the process of defining meta-paths is time-consuming and labor-intensive, and inadequate sufficient considerations in design will have an adverse impact on the quality of recommendations. We propose a self-supervised meta-path generation approach that does not rely on domain knowledge to select valuable path information from the unified graph and can deliver high-quality recommendations and reduce noises. Previous studies on meta-paths mainly focused on the neighbor information of nodes and ignored the edges that represents relationships between nodes. We develop a meta-path-based relational path-aware strategy to discover the relational information included within the meta-path. To make the use of the global structure in the unified graph and the information within the local scope in the user-item bipartite graph and KG, a two-level relationship aggregator to fully aggregate the fine-grained semantic information and multi-hop semantic associations is also proposed. We conducted experiments on two public datasets, MovieLens and Book-Crossing to verify the effectiveness of the proposed algorithm. The experimental results show that the recommendation algorithm outperforms the baseline models in terms of AUC, Recall@K, and F1 in most cases. -
Cooperative Coevolution for Cross-City Itinerary Planning
Ziyu Zhang, Peilan Xu, Zhaoguo Wang, Wenjian LuoDieses Kapitel vertieft sich in den komplizierten Prozess der stadtübergreifenden Routenplanung, eine Aufgabe, die sich von der manuellen Suche zur automatisierten Erzeugung entwickelt hat. Es stellt einen neuartigen kooperativen koevolutionären Algorithmus, CCIP, vor, der entwickelt wurde, um die Herausforderungen bei der Planung von Stadtrundfahrten durch mehrere Städte zu bewältigen. Durch die Aufteilung des Problems in Teilprobleme für jede Stadt optimiert CCIP Reisezeit, Einhaltung von Zeitplänen und touristische Präferenzen. Die Wirksamkeit des Algorithmus wird durch Experimente mit realen Daten aus der Provinz Jiangsu, China, demonstriert. Die Ergebnisse zeigen, dass CCIP die Leistungsfähigkeit multiobjektiver Optimierungsalgorithmen deutlich verbessert und ihr Potenzial unterstreicht, die Tourismusbranche durch die Bereitstellung überlegener Reiseplanungslösungen zu revolutionieren.KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
AbstractThe itinerary planning problem plays a pivotal role in the tourism industry, involving the selection of an optimal tour route from multiple preferred points of interest (POIs) chosen by travelers while considering their diverse needs. However, as tourism expands and transportation becomes more accessible, there is a growing preference among travelers for planning single trips across multiple cities-referred to as cross-city itinerary planning. This paper introduces a novel approach, called CCIP, the cooperative coevolution framework for cross-city itinerary planning, which employs a divide-and-conquer method to automatically devise scalable cross-city itineraries, accounting for travelers’ preferences regarding time and travel choices. Experimental evaluations on real datasets from various cities in Jiangsu Province demonstrate that the proposed algorithm outperforms two classical multi-objective optimization algorithms, as measured by the HV metric.
-
- Titel
- Intelligent Information Processing XII
- Herausgegeben von
-
Zhongzhi Shi
Jim Torresen
Shengxiang Yang
- Copyright-Jahr
- 2024
- Verlag
- Springer Nature Switzerland
- Electronic ISBN
- 978-3-031-57808-3
- Print ISBN
- 978-3-031-57807-6
- DOI
- https://doi.org/10.1007/978-3-031-57808-3
Informationen zur Barrierefreiheit für dieses Buch folgen in Kürze. Wir arbeiten daran, sie so schnell wie möglich verfügbar zu machen. Vielen Dank für Ihre Geduld.
