[目的/意义]基于引用动机的学术论文影响力分类测评是科研管理与情报学领域重要的研究内容,通过对引用动机多样性的研究,以期为科研成果影响力分类评估提供一定理论基础与科学依据。[方法/过程]依据Web of Science(WoS)“富集引文”(Enr...[目的/意义]基于引用动机的学术论文影响力分类测评是科研管理与情报学领域重要的研究内容,通过对引用动机多样性的研究,以期为科研成果影响力分类评估提供一定理论基础与科学依据。[方法/过程]依据Web of Science(WoS)“富集引文”(Enriched Cited References,ECR)引用动机分类,将引用动机分为背景、基础、支持等5类,提出了基于引用熵的引用动机多样性测度方法,并以“新型冠状病毒”(COVID-19)相关研究为案例进行了实证研究。[结果/结论]超过90%的学术论文其被引动机是多样性的(引用熵为0.2~0.8)。学术论文引用熵越大,其在支持、基础、差异引用动机上获得的被引次数越多,两者呈现正相关关系。然而,ECR文献主要集中在2019年之后,基于ECR引用动机的学术论文影响力分类测度仅适用衡量此时间点后发表的论文。结合引用动机的学术影响力分类评价,为构建以质量、绩效、贡献为核心的评价指标提供了借鉴,为进一步完善引文分析、科技评价、前沿识别等提供了切实可行的方法。展开更多
基于元学习的单源域泛化(single domain generalization,SDG)已成为解决领域偏移问题的有效技术之一。然而,源域和增强域的语义信息不一致以及域不变特征和域相关特征难以分离,使SDG模型难以实现良好的泛化性能。针对上述问题,提出了一...基于元学习的单源域泛化(single domain generalization,SDG)已成为解决领域偏移问题的有效技术之一。然而,源域和增强域的语义信息不一致以及域不变特征和域相关特征难以分离,使SDG模型难以实现良好的泛化性能。针对上述问题,提出了一种单源域泛化中基于域增强和特征对齐的元学习方案(meta-learning based on domain enhancement and feature alignment,MetaDefa)。利用背景替换和视觉损害技术为每一张图像生成多样且有效的增强图像,保证了源域和增强域之间的语义信息一致性;多通道特征对齐模块通过关注源域和增强域特征空间之间的相似目标区域和抑制非目标区域的特征表示充分挖掘图像信息,进而有效地提取充足的可迁移性知识。通过实验评估,MetaDefa在office-Caltech-10、office31和PACS数据集上分别取得了88.87%、73.06%和57.06%的精确度。结果表明,MetaDefa方法成功实现了源图像和增强图像之间的语义一致性和对域不变特征的充分提取,从而显著提升了单源域泛化模型的泛化性能。展开更多
文摘[目的/意义]基于引用动机的学术论文影响力分类测评是科研管理与情报学领域重要的研究内容,通过对引用动机多样性的研究,以期为科研成果影响力分类评估提供一定理论基础与科学依据。[方法/过程]依据Web of Science(WoS)“富集引文”(Enriched Cited References,ECR)引用动机分类,将引用动机分为背景、基础、支持等5类,提出了基于引用熵的引用动机多样性测度方法,并以“新型冠状病毒”(COVID-19)相关研究为案例进行了实证研究。[结果/结论]超过90%的学术论文其被引动机是多样性的(引用熵为0.2~0.8)。学术论文引用熵越大,其在支持、基础、差异引用动机上获得的被引次数越多,两者呈现正相关关系。然而,ECR文献主要集中在2019年之后,基于ECR引用动机的学术论文影响力分类测度仅适用衡量此时间点后发表的论文。结合引用动机的学术影响力分类评价,为构建以质量、绩效、贡献为核心的评价指标提供了借鉴,为进一步完善引文分析、科技评价、前沿识别等提供了切实可行的方法。
文摘基于元学习的单源域泛化(single domain generalization,SDG)已成为解决领域偏移问题的有效技术之一。然而,源域和增强域的语义信息不一致以及域不变特征和域相关特征难以分离,使SDG模型难以实现良好的泛化性能。针对上述问题,提出了一种单源域泛化中基于域增强和特征对齐的元学习方案(meta-learning based on domain enhancement and feature alignment,MetaDefa)。利用背景替换和视觉损害技术为每一张图像生成多样且有效的增强图像,保证了源域和增强域之间的语义信息一致性;多通道特征对齐模块通过关注源域和增强域特征空间之间的相似目标区域和抑制非目标区域的特征表示充分挖掘图像信息,进而有效地提取充足的可迁移性知识。通过实验评估,MetaDefa在office-Caltech-10、office31和PACS数据集上分别取得了88.87%、73.06%和57.06%的精确度。结果表明,MetaDefa方法成功实现了源图像和增强图像之间的语义一致性和对域不变特征的充分提取,从而显著提升了单源域泛化模型的泛化性能。
