公共文化服务平台

崔超然: 作品数：22 被引量：86H指数：4; 供职机构：山东财经大学计算机科学与技术学院更多>>; 发文基金：国家自然科学基金山东省自然科学基金山东省高等学校科技计划项目更多>>; 相关领域：自动化与计算机技术经济管理文化科学更多>>

合作作者

基于深度森林的P2P网贷借款人信用风险评估方法被引量：3: 2021年; P2P网络借贷是近年来新兴的一种金融业务模式,具有投资门槛低、交易方便快捷、融资成本低等优点。但在快速成长的同时,借贷过程中的信用风险问题也日益凸显,层出不穷的借款人跑路乃至诈骗事件给行业留下重大阴影。针对该问题,提出一种基于深度森林的网贷借款人信用风险评估方法。首先从借款人的基本信息和历史借款信息两类数据中提取特征;然后通过多粒度扫描和级联森林模块构建深度森林模型,对借款人进行违约预测,同时使用基尼指数计算随机森林的特征重要性评分,并使用波达计数法进行排序融合,从而对模型的预测结果给出一定的解释。在LendingClub和拍拍贷两个公开数据集上,将所提出的方法与支持向量机、随机森林和广而深的网络等方法进行了对比,实验表明该方法具有更好的性能,并且特征重要性评分符合人们的直观理解和客观认识。; 王萧萧王亭雯马玉玲范佳奕崔超然; 关键词：P2P网络借贷信用风险评估不平衡数据集

基于多尺度注意力融合的知识追踪方法被引量：4: 2021年; 互联网的普及使线上教育迅速发展,在缓解教育资源不均衡问题的同时,也为科研人员提供了大量的研究数据.教育数据挖掘是一个新兴学科,通过分析海量数据来理解学生的学习行为,为学生提供个性化学习建议.知识追踪是教育数据挖掘中的重要任务,其利用学生的历史答题序列预测学生下一次的答题表现.已有的知识追踪模型没有区分历史序列中的长期交互信息和短期交互信息,忽略了不同时间尺度的序列信息对未来预测的不同影响.针对该问题,提出一种基于多尺度注意力融合的知识追踪模型,使用时间卷积网络捕获历史交互序列的不同时间尺度信息,并基于注意力机制进行多尺度信息融合.针对不同学生及答题序列,该模型能自适应地确定不同时间尺度信息的重要性.实验结果表明,提出模型的性能优于已有的知识追踪模型.; 段建设崔超然宋广乐马乐乐马玉玲尹义龙; 关键词：多尺度融合

基于时序超图卷积神经网络的股票趋势预测方法被引量：4: 2022年; 传统的股票预测方法大多基于时间序列模型,忽视了股票之间复杂的关系,并且该关系往往超出成对连接,例如同行业板块内股票或者基金持仓多支股票。针对该问题,提出一种基于时序超图卷积神经网络(HGCN)的股价走势预测方法,根据金融投资事实构造超图模型以拟合股票之间的多元关系,该模型包括两大组件:门控循环单元(GRU)网络和超图卷积神经网络。GRU网络对历史数据进行时间序列建模,捕捉长期依赖关系;HGCN建模股票间的高阶关系以学习内在关系属性,从而将股票间多元关系信息引入到传统的时序建模中,进行端到端的趋势预测。在中国A股市场真实数据集上的实验结果表明,相较于已有的股票预测方法,所提模型预测性能有所提升;如与GRU网络相比,所提模型在ACC和F1_score上的相对增幅分别为9.74%和8.13%,且更具有稳定性。此外,模拟回测结果显示,基于该模型的交易策略更具获利能力,年回报率达到11.30%,与长短期记忆(LSTM)网络相比提高了5个百分点。; 李晓杰崔超然宋广乐苏雅茜吴天泽张春云

职工视角下基于养老金财富衡量标准的我国最优退休年龄被引量：7: 2021年; 在当前我国老龄化社会背景下,延迟退休将成为应对我国面临的劳动力供求平衡和养老金收支平衡双重压力的重要解决途径之一。针对如何进行延迟退休,本文从职工个人角度出发,将职工分为“新人”和“中人”两类,以养老金财富达到最大为衡量标准,通过建立修正的养老金财富模型进行数值模拟,在不同的参数设定下,得到不同性别、缴费年限、缴费基数、养老金增长率下的职工最优退休年龄。从个人养老金财富视角来看,在未来养老金增长率保持在适当水平下,延迟退休将会有利于所有职工养老金财富的增长,而在养老金增长率保持在较高水平下,延迟退休对男性和女性职工的养老金财富影响有所不同。; 于文广任文昌王琦黄玉娟崔超然; 关键词：延迟退休人口老龄化

基于3D全时序卷积神经网络的视频显著性检测被引量：2: 2020年; 视觉是人类感知世界的重要途径之一。视频显著性检测旨在通过计算机模拟人类的视觉注意机制,智能地检测出视频中的显著性物体。目前,基于传统方法的视频显著性检测已经达到一定的水平,但是在时空信息一致性利用方面仍不能令人满意。因此,文中提出了一种基于全时序卷积神经网络的视频显著性检测方法。首先,利用全时序卷积对输入视频进行空间信息和时间信息的时空特征提取;然后,利用3D池化层进行降维;其次,在解码层中用3D反卷积和3D上采样对前端特征进行解码;最后,通过把时空信息有机地提取与融合,来有效地提升显著图的质量。实验结果表明,所提算法在3个广泛使用的视频显著性检测数据集(DAVIS,FBMS,SegTrack)上的性能优于当前主流的视频显著性检测方法。; 王教金蹇木伟刘翔宇林培光耿蕾蕾崔超然尹义龙; 关键词：显著性检测神经网络

基于批归一化统计量的无源多领域自适应方法: 2023年; 为解决传统的领域自适应方法训练期间源域数据并不总是可用这一问题,提出一种无源多领域自适应方法,有效完成当存在领域漂移现象时的图像分类任务。通过最小化源域和目标域数据的批归一化统计量距离减小域之间的分布差异,解决因无法访问源域数据而无法显式对齐源域与目标域的问题;采用基于近邻聚合策略的伪标签分类器辅助生成更加准确的伪标签,提高模型预测的准确性;通过学习最优的融合权重,将多个自适应后的源域模型进行有效融合。构建基于批归一化统计量的无源多领域自适应模型。性能对比试验和消融试验结果表明,与多个基线模型相比,本研究方法预测准确性提高0.6%~3.7%。; 刘子一崔超然孟凡安林培光; 关键词：领域自适应

基于语义感知的图像美学质量评估方法被引量：3: 2018年; 当前图像美学质量评估的研究主要基于图像的视觉内容来给出评价结果,忽视了美感是人的认知活动的事实,在评价时没有考虑用户对图像语义信息的理解。为了解决这一问题,提出了一种基于语义感知的图像美学质量评估方法,将图像的物体类别信息以及场景类别信息也用于图像美学质量评估。运用迁移学习的思想,构建了一种可以融合图像多种特征的混合网络。对于每一幅输入图像,该网络可以分别提取出其物体类别特征、场景类别特征以及美学特征,并将这三种特征进行高质量的融合,以达到更好的图像美学质量评估效果。该方法在AVA数据集上的分类准确率达到89.5%,相对于传统方法平均提高了19.9%,在CUHKPQ数据集上的泛化性能也有了很大提升。实验结果表明,所提方法在图像美学质量评估问题上,能够取得更好的分类性能。; 杨文雅宋广乐崔超然尹义龙; 关键词：混合网络

基于自注意力移动平均线的时间序列预测被引量：3: 2022年; 时间序列预测有广阔的应用前景,吸引了越来越多的研究人员对其进行深入的研究.移动平均线是最常用的技术指标之一,它可以对过去一段时间内时间序列的整体变化规律进行概括,常常用来进行时间序列趋势预测.然而,传统的移动平均线指标是通过赋予时间序列数据相等或预定义的权重计算得到的,忽略了不同时间点重要性的细微差别;另外,对于不同的时间序列数据采用相同的权重,忽视了不同时间序列内在特性的差异.为了解决上述问题,提出一个自适应的自注意力移动平均线(Self-Attentive Moving Average,SAMA)指标.利用循环神经网络对时间序列的输入信号进行编码后,引入自注意力机制来自适应地确定不同时间点上数据的权重以计算移动平均值.此外,还使用多个自注意头对不同尺度的SAMA指标进行建模,最后将它们组合起来进行时间序列预测.在两个真实数据集上的大量实验证明了该方法的有效性,数据集和代码已在https://github. com/YY-Susan/SAMA上发布.; 苏雅茜崔超然曲浩; 关键词：时间序列预测移动平均线

基于深度强化学习的国内金融市场投资比较研究: 2023年; 近年来,随着全球经济的迅速发展,参与金融投资的投资者增多,如何在复杂的金融市场中自动选择交易策略使收益最大化成为研究热点.强化学习可以通过与实际环境的交互来寻找最优的交易策略,使投资收益最大化.现有的方法大都是将一到两个强化学习算法应用于金融市场并比较算法在单一交易任务上的表现,此外,这些研究大都针对国外的股票、证券市场或加密货币市场,对国内金融市场的研究甚少.针对上述问题,面向国内金融投资市场,系统性地验证了不同类型的多种深度强化学习代表性算法在单只股票交易、多只股票交易和投资组合分配三个投资任务上的有效性.通过观察在累计收益率、夏普比率、最大回撤等评价指标上的回测结果对算法进行比较,结果显示在不同的投资任务中选取合适的强化学习算法可以有效地提升收益.; 操东林崔超然杨潇; 关键词：值函数投资组合股票交易

基于矩阵分解优化的排序学习特征构造方法被引量：2: 2017年; 在排序学习中引入特征选择可以提高学习的效率和准确率。出于对选择速度的考虑,当前的研究主要从特征选择的角度出发,根据特征对排序的作用和特征之间的相似性选择对排序区分度最大的特征集合。由于特征大都是人工归纳的,因此特征和特征之间难免存在重叠和冗余。为了减少特征之间的冗余,从特征生成的角度出发,对现有特征进行矩阵分解,从而生成新的特征集。考虑到使用奇异值分解(Singular Value Decomposition SVD)等方法进行矩阵分解时不能综合考虑排序结果对特征的影响,基于特征矩阵对排序的效果、特征矩阵与原矩阵之间的差距来构造优化算法,提出了一种基于矩阵分解的排序学习优化方法,并根据该优化方法设计了排序学习特征选择算法MFRank。实验中使用映射随机梯度下降法近似求得优化问题的最优值,在公开测试集MQ2008上的结果显示,所提MFRank方法获得了与当前最优的特征选择方法即RankBoost和RankSVM-Struct等排序算法相当的结果。; 杨潇崔超然王帅强; 关键词：矩阵分解

崔超然

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

崔超然

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈