迭代深入社区,深入学习模型包括输入数据点和他们的邻居

文摘

深度学习模型,如深卷积神经网络和深多空内存模型,在许多模式取得了巨大的成就在影子机器学习模型与手工分类应用程序功能。主要原因是深度学习的能力模型自动从大量的数据中提取层次功能由多个层的神经元。然而,在其他情况下,现有的深度学习模型仍不能获得令人满意的结果由于限制输入的模型。现有的深度学习模型只需要一个输入点的数据实例,但完全忽略其他数据点的数据集,这可能为给定的输入分类提供了重要的洞察力。为了克服这种差距,在本文中,我们表明,相邻数据点除了输入数据点本身可以显著促进深度学习模型的性能,设计一种新型深度学习模型,需要一个输入点的数据实例和邻国的分类作为输入的反应。此外,我们开发一个迭代算法,更新数据点的邻居深表示输出显示深度学习模型和深交替学习模型的参数。名为“迭代的算法,深入社区(IDN)”显示其优势最先进的深度学习模型在图像分类任务,文本情感分析,房地产价格趋势预测等。

1。介绍

1.1。背景

深度学习已经被证明是一个强大的工具和传感器模式分类问题研究[1- - - - - -15]。深入学习模型通常有超过三层,并通过使用多个层,从原始数据中提取分层特性的模型。通过这种方式,可以生成一个摘要式的特性从高级层次。深度学习模型可以释放问题特性工程通过学习有效的自动功能。传统的机器学习模型的特征工程过程工程师严重依赖于领域知识的特性,和它是耗费时间和设计特性不能到其他域的生成。然而,相比,传统的机器学习和特性工程过程,深度学习可以自动发现功能相关的学习问题和存储功能的神经单位的多个层。例如,(我)在人脸识别的问题,深度学习模型,特别是深卷积神经网络(CNN),提取模型一直是一个受欢迎的高级特性对个人(16,17]。深CNN模型是由多个卷积层和max-pooling层。低级卷积层使用滑动窗口和一组过滤器中提取当地简单从面部图像特征;过滤器是基于简单的局部模式如圆,广场,和边。中层卷积层底层卷积的输出层和提取部分面孔的模式,如眼睛、鼻子和嘴。最后,高级层次,个人面临生成的模式。通过这种方式,面临个人提取的关键特性。(2)与此同时,对于文本分类的问题,深度学习模型也扮演重要角色。最受欢迎的学习模型是long-short-term记忆深处(LSTM)模型(18,19]。深LSTM模型也由多层LSTM,而每一层过程的输入序列通过使用滑动神经单元。第一层的输入是令牌的顺序(由word-embedding向量表示)。滑动神经单元幻灯片的顺序和当前实例和记忆之前的实例作为输入和输出响应下一层和记忆向量为下一个实例。深LSTM模型,低级层从令牌中提取特征,和中间层提取特征的阶段,而高级层提取特征的句子/文本和最后一层呈现文本的语义特征。

在深度学习可以找到最近的一些进展(20.- - - - - -22]。

1.2。动机

现有的深度学习模式都取得了极大的成功在一些不同领域的问题,如计算机视觉、自然语言处理、语音处理、信号处理和生物信息学。然而,到目前为止,大多数现有的深度学习机器学习模型很难获得令人满意的性能在许多其他应用程序,由于其强烈的输入模型的局限性。传统的深度学习模型只需要实例输入数据点的输入序列作为输入,但它忽略了其它数据点的数据集。这个模型背后的假设是,一个输入数据点的数据实例足以预测它的类标签。然而,在真实的应用程序中,输入数据实例预测本身是不够的。例如,在情绪分析的问题,给定一个输入句子(数据点)”我的论文已经被《华尔街日报》,“这是困难的深层神经网络决定如果情绪是积极的还是消极的只从令牌(实例)。

为了解决这个问题,我们提出利用输入句子的邻居和使用他们的信息来帮助决策输入句子的情绪。作为一个例子,我们找到一个相似的相邻句子的数据集,”恭喜你!你的论文很好到足以接受《华尔街日报》”,然后使用它来帮助预测输入的句子。我们设计一个模型的输入句子和响应预测相邻的句子。由于相邻的句子包含一些积极的令牌,如“祝贺你”和“好”,该模型可以给积极情绪的强烈反应。当考虑相邻句子的这种积极情绪,该模型还可以进一步决定输入句子有一个积极的情绪。一想到使用邻居的反应深度学习的提高预测能力模型如图1(一)。作为比较,我们也显示深度学习的传统结构模型图1 (b)。

1.3。我们的贡献

在本文中,我们的贡献有三个部分:(我)首先,我们提出了一个新的深度学习模型进行模式分类问题。关键我们的模型和传统的深度学习模型的区别是输入结构。传统的深度学习模型只需要一个输入的输入实例数据点,但我们的模型输入数据点及其邻近点,具体而言,分级响应的邻居,作为模型的输入。(2)其次,我们提出了一种新的学习框架学习模型的参数和输入数据的邻居的决心。我们建议学习邻居和深度学习模型在迭代算法,而邻居分类反应和深度学习模型参数更新交替。我们更新最近的邻居数据空间中的每个数据点的深度学习的卷积表示模型和使用他们的深度学习的max-pooling模型响应关于不同类型的输入下一个迭代的深度学习模型。一个EM算法开发更新模型参数和邻居。(3)备注:由于我们的方法学习同时邻居和模型,这是一个当地的学习方法。Loia et al。23)开发了一个有效的地方学习方法通过合并局部加权回归模型和模糊变换方法(F-transform)。F-transform扮演的角色基数的还原法的学习问题。我们当地的学习方法的灵感来源于[23),但是我们解决不同的问题从深CNN模型学习的邻居。(iv)我们评估提议联合深度学习和邻居学习算法在多个基准数据集,结果显示其优势最先进的深度学习算法。我们也研究不同的属性在基准数据集,该算法实验显示该方法的稳定性。

1.4。论文组织

在本文的其余部分中,我们介绍了深度学习模型及其学习过程2。节3,我们评估该算法通过比较先进的深度学习模型和实验研究其属性。节4我们得出结论本文一些潜在的未来的工作。

2。该方法

在本节中,我们介绍了提出了深度学习的模型需要输入实例数据点也相邻数据点的分类图作为输入。我们将首先介绍模型的输入,然后模型结构,最后学习模型的参数的方法。

2.1。模型的输入

我们假设我们有一个训练集n数据点,我们处理多类分类问题K类。训练集来标示 ,在哪里输入数据呈现吗我th数据点和的类标签向量我th数据点。如果属于kth类,否则和0。

在训练集分类一个数据点, ,模型的输入包括两种类型的数据如下:(我)实例序列:第一类型的输入数据点本身的实例如下: 的时间和地点特征向量的吗lth的实例我th数据点序列的长度。(我)社区分类地图:第二种类型的输入的社区和社区的分类图。附近的数据集表示为 。获取分类地图 ,我们首先计算分类数据点的响应对于每个类,然后应用classwise max-pooling操作,最后连接K最大的响应K类。我们表示一个数据点的分类响应关于kth类 ,和分类的地图给药 在哪里max-pooling分类的结果反应结束了吗关于kth类。分类的计算反应将在以下部分中引入的。

为每个输入数据点 ,根据上面的描述,我们有两个输入如下: 和 。

2.2。模型结构

我们模式的总体框架如图2。这个模型是由CNN模型,表示f,一个连接层,一个完整连接层,和一个softmax非线性转换层。这些层的功能和数据的流模型介绍如下:(我)的输入序列实例首先转化为一个向量的d维向量 ,通过CNN模型,f,由三个卷积层和两个max-pooling层: (2)然后,与社区连接分类地图矢量, ,通过连接层。连接向量表示为 。(3)连接向量进一步减少到一个K维矢量的完整连接层,其连接权矩阵 ,在哪里是它的kth列对应kth类。输出完整连接层的计算 (iv)最后,输出完整连接层的是概率的归一化K类通过将softmax活化层和输出计算如下: 在哪里 的概率是属于kth类和模型的输出向量。决定类给定数据点的, ,我们选择最大概率的类:

2.2.1。模型参数学习

学习问题建模:在我们的模型中,有两组参数,CNN模型的参数,f和连接权矩阵W。学习参数以适应训练数据,我们建立一个统一的学习框架。在这个学习框架,我们建议测量分类误差的熵损失函数和测量模型的复杂性的平方规范的参数。此外,我们提出了最小化分类误差来提高分类性能,模型的复杂性,减少过度拟合的风险。学习问题建模为一个最小化问题,并给出问题的目标如下: 在哪里 的熵损失函数是我th数据点,是一个平方规范的W,是一个平方CNN过滤器模型的规范f,是权衡参数的分类误差项和规范正则化项。学习的最小化问题给出如下最优参数,和 ,在训练集:

请注意,在我们的学习问题,我们显式地引入的变量,CNN卷积表示向量模型, ,为每个数据点和实施它等于CNN的输出模型, 。

优化问题:很难解决的问题(10)直接,因为分类图本身就是一个函数W,f,根据(2)和(5):

此外,参数W和f是耦合的。因此,我们采用EM算法来解决这个问题。在一个迭代算法,参数和社区分类映射向量为每个数据点交替更新。M-step,我们解决分类映射向量和更新W和f通过最小化的目标,而在E-step,我们修正参数W和f更新社区和社区分类映射向量。E-step和M-step介绍如下:(我)E-step:tth迭代中,我们首先使用CNN模型从以前的迭代更新的卷积向量 : 然后,我们用卷积表示向量的数据点来更新每个数据点的附近。每个数据点的社区收集的k显示最近的邻居范数距离收集: 然后,我们使用更新后的社区, ,更新后的卷积表示向量, ,以前的分类映射向量迭代, ,完整连接层的连接权矩阵, ,更新当前迭代的分类映射向量根据(11): (2)M-step:在这个步骤中,我们修复之前的分类映射向量迭代, ,和最小化的问题(10)获得的解决方案W和f为tth迭代: 为了解决这个问题,我们使用小组ADMM方法。对于每一个约束 ,我们引入一个对偶向量, ,和重写问题如下: 在哪里 和 增广拉格朗日函数。根据小组ADMM过程,我们迭代更新原始变量 ,f和尽量减少使用梯度下降法和使用的增广拉格朗日对偶问题的梯度提升方法更新 : 在哪里的次梯度功能吗l关于x和η是下降/上升一步。

3所示。实验

在本节中,我们评估的性能提出了深刻的学习方法在几个基准数据集。

3.1。数据集

我们使用以下数据集的评价方法。

3.1.1。SkyFinder数据集

这个数据集的模糊图像的天空检测问题[24,25]。这些数据包含大约90000个户外图像是由53个摄像头捕捉到的。每个摄像头捕捉到的图像数量成千上万。大约40%的像素图像是天空,问题是预测天空从像素级的图像。输入每个像素的预测目标像素的周边地区。

3.1.2。多语种文本数据集

这个数据集是由五个子集的文本(26]。每个子集对应于一种语言。五种语言是英语、法语、德语、意大利语和西班牙语。六种不同的类的文本,C15, CCAT, E21, ECAT GCAT, M11公路。为每个类的每个语言,文本的数量不超过5000人。每种语言的文本的数量变化从12000年到30000年,每个语言和独特的令牌的数量从11547年到34279年不等。每个类的文本数量也从11000年到34000年不等。每个文本提出了一系列令牌,并且每个令牌由work-embedding表示向量由手套训练算法(27]。因此,每个文本是一个数据点,和一个文本是work-embedding向量的一个序列。问题是预测的类标签的文本序列word-embedding向量。

3.1.3。FERET脸图像数据集

这个数据集是一个人脸图像数据组(28]。它包含了13539 1565人的图像。图像的不同年龄、性别和位置。每个图像的大小像素。每一个图像被认为是一组图像补丁,因此,这是一个实例序列。这个数据集的问题是识别个体从一个给定的脸图像。

3.1.4。房地产价格数据集

这是一个时间序列的数据集全英房屋抵押贷款协会住房价格指数(https://www.nationwide.co.uk)。这个数据集的时间范围从1973年到2000年不等。生成数据点,我们使用一个滑动窗口的一年时间序列移动。窗口内的时间序列视为一个数据点的输入序列。以下三个月的总体趋势窗口被视为预测的目标。这一趋势被定义为“增长”如果价格的最后三个月明显高于一开始,“减少”如果显著降低,否则“平”。问题是这样一个三级分类的问题。进一步将每个数据点,我们使用一个较小的滑动窗口时间序列拼接成一组帧,每一帧都被视为一个实例。

3.2。实验设置

进行的实验中,我们使用10倍交叉验证协议将数据集分为训练集和测试集。只有整个数据集分成10个子集。每个子集作为测试集,和其他九个子集构造训练集。该算法用于训练深度学习模型的参数训练集,然后,模型应用于测试集。对一个数据点进行分类的数据集,我们首先找到最近的邻国通过比较其对卷积表示卷积表示数据点的训练集,然后使用深邻居分类图和计算自己的卷积表示分类评分来决定其分类结果。十个测试集的平均分类正确率作为性能指标。

3.3。深度学习方法相比

我们的模型是第一个深学习模型既可以输入数据和你的邻居信息作为输入。因此,没有现有的模型进行比较。然而,上下文深度学习模型使用邻近的实例作为上下文提高特征提取的每个实例输入数据点。注意上下文的社区信息深度学习模型在实例级,而我们迭代深入社区是在数据点级别;这比上下文深度学习利用更多的信息模型。我们下面的上下文深度学习模型相比方法:(我)Multicontext深学习(MCDL)模型提出了赵et al。29日]。这个模型提出了解决突出的对象在一个低对比度的问题背景,基于CNN模型。全球和本地上下文建模工作,共同在一个统一的multicontext深度学习模型的框架。(2)多级上下文深度学习(MSCDL)曾提出的模型等。30.]。这个模型提出了行人检测问题,并共同火车多级分类器。此外,当地的区域被用作上下文信息来支持决定下一阶段。深度学习模型训练分阶段的风格。(3)空间上下文深度学习(HCDL)模型提出了马et al。31日]。这个模型提出了高光谱图像分类,它使用功能和空间上下文信息的高光谱图像分类。的光谱和空间特性都学会了深度学习框架生成的有效表示数据。

3.4。实验结果

3.4.1。分类结果

该方法的分类结果,迭代深入社区(IDN),并给出了图的比较方法3。据报道在图的结果3,我们有以下的观察:(1)在所有的数据集,我们的方法获得最好的分类速度。这是一个强有力的证据对我们声称的邻居帮助建立一个更有效的深度学习模型分类的问题。例如,在多语言文本数据集实验,对于英语,所有其他方法给出分类结果约为0.8,而增加达到良好的性能超过0.9。(2)这并不奇怪,因为增加的,对一个句子进行分类,有能力探索其他相邻的句子。此外,它还可以细化相邻句子根据前面的分类结果。但是对于其他基于上下文的深度学习模型,他们只能探索相邻的单词在测试句子而忽略了其他的句子。(3)对于其他方法,MSCDL和HCDL胜过MCDL算法。然而,目前尚不清楚哪一个MSCDL HCDL性能更好。SkyFinder和FERT面临数据集,MSCDL得到更好的精度,在房地产价格数据集,HCDL是一个更好的解决方案。

3.4.2。收敛

因为我们的方法是一个迭代算法,它是重要的学习算法的收敛性。我们绘制的曲线分类率对不同的迭代数。结果如图所示4。从这个图中,我们有以下的观察:(1)在这个图中,我们可以看到,所有的基准数据集,更多的迭代总是带来更好的分类率。这一现象的原因是,我们的方法更新输入邻居一起深入学习模型参数。因此,更多的迭代给出一个更好的估计邻居,火车一个更好的模型。(2)然而,我们也观察到,当迭代次数大于100 (SkyFinder和房地产价格数据集)或200(多语言文本和FERET面临数据集),性能改进似乎稳定。这表明迭代算法的收敛性。

备注:我们还讨论影响收敛的可能的参数如下:(1)因为我们的优化是基于小组ADMM算法,提升/下降步长是一个效应控制上升/下降的速度。一个啤酒步长通常在更快的收敛结果。(2)我们的方法的收敛性也受到梯度函数的影响。这个方法也是一个他们表示算法;因此,收敛性也是影响缓慢的EM算法的收敛性质,由于梯度函数。可能的解决方案包括使用共轭梯度,或修改后的牛顿梯度。

3.4.3。计算成本

在本节中,我们讨论了算法的训练时间的计算成本。四个基准数据集,我们在表显示我们的算法的训练时间1。以下现象可以从表中:(我)运行时间为所有四个数据集变化根据训练集的大小和时间的数据。最大的数据集,例如SkyFinder,其中包含90000图像,我们的算法需要最长运行时间超过8000秒,而对于房地产价格的小数据集,训练在400秒内完成。(2)高维数据通常消耗更多的训练时间。图像的二维数据更昂贵的比一维数据序列数据。这是自然的,因为CNN模型的高维数据在高维数据进行过滤和成本指数相比低维数据。(3)的总运行时间的所有数据集算法是可以接受的。最长运行时间短于三个小时。这个计算的成本是合理的培训质量模型。

4所示。结论

在本文中,我们提出了一个新颖的深度学习框架。不同于现有的深度学习模型,只需要一个输入数据点的实例,该模型可以将输入数据点实例和分类的相邻数据点给定的输入数据点。准确地说,我们估计一个分类地图每个相邻数据点和应用max-pooling操作的分类地图表示邻居的邻居。此外,分类地图是基于之前的训练深CNN模型。邻居分类地图和CNN模型参数更新迭代的迭代算法。因此,该方法被称为深度迭代附近。与传统的深度学习方法相比,该方法取得了显著改善在基准数据集的分类任务。

数据可用性

本文中使用的所有数据集实验结果在网上公开访问。

的利益冲突

作者宣称没有利益冲突。

确认

这个项目是由重庆市教委科学技术研究项目“研究空置率指标体系对重庆房地产市场”(批准号KJ150057)。

引用

1. 甘y, z, m . et al .,“深度学习的方法对短期dockless自行车分享系统的时空分布预测,“神经计算和应用没有,卷。31日。5,1665 - 1677年,2019页。视图:出版商的网站|谷歌学术搜索
2. 耿y, g . Zhang w·李et al .,“一种新型图像标记基于卷积神经转换,完成方法”人工神经网络的国际会议施普林格,页539 - 546年,阿尔盖罗,意大利,2017年9月。视图:谷歌学术搜索
3. 格拉汉姆·古德费勒,y Bengio、a .考维尔和y Bengio,深度学习,卷1,麻省理工学院出版社、剑桥、马,美国,2016。
4. a·侯赛因e . Elyan m . m . Gaber和c杰恩,“深3 d导航任务的模仿学习,”神经计算和应用卷,29号7,389 - 404年,2018页。视图:出版商的网站|谷歌学术搜索
5. y LeCun (y Bengio g·辛顿,“深度学习”,自然,卷521,不。7553年,第444 - 436页,2015年。视图:出版商的网站|谷歌学术搜索
6. s . Lokesh p·m·库马尔·m·r·戴维p高和c . Gokulnath”自动泰米尔语音识别系统通过使用双向复发与自组织映射神经网络,”神经计算和应用没有,卷。31日。5,1521 - 1531年,2019页。视图:出版商的网站|谷歌学术搜索
7. j . j . Ngiam a·斯拉m . Kim Nam, h·李,和a . y . Ng,“多通道深度学习,”学报》第28届国际会议上机器学习(ICML-11)贝尔维尤,页689 - 696年,佤邦,美国,2011年6月。视图:谷歌学术搜索
8. j . Sandino g·佩吉、f·冈萨雷斯和g·史密斯,”航空测绘的森林受到病原体使用无人机,高光谱传感器和人工智能,”传感器,18卷,不。4 p。944年,2018年。视图:出版商的网站|谷歌学术搜索
9. ,的j。施密德胡贝尔表示“深度学习神经网络:概述”,神经网络卷,61年,第117 - 85页,2015年。视图:出版商的网站|谷歌学术搜索
10. j。魏,周宏儒。程,C.-W。常,“Hopfield网络的方法来检测seam-carved图像和识别干扰区域,”神经计算和应用没有,卷。31日。10日,6479 - 6492年,2018页。视图:出版商的网站|谷歌学术搜索
11. h, s .沈x姚明,m .盛和c·王,“竞争很深的信仰网络对水声目标识别,”传感器,18卷,不。4 p。952年,2018年。视图:出版商的网站|谷歌学术搜索
12. 梁z杨,w . Yu, p . et al .,“深转移学习军事目标识别在小训练集的条件下,“神经计算和应用没有,卷。31日。10日,6469 - 6478年,2019页。视图:出版商的网站|谷歌学术搜索
13. d . Zhang w .叮,b . Zhang et al .,“自动调制分类基于深度学习的无人机,“传感器,18卷,不。3,p。924年,2018年。视图:出版商的网站|谷歌学术搜索
14. g, g .梁w·李et al .,“学习卷积ranking-score函数查询偏好正规化,”智能数据工程和自动化的学习施普林格,页1 - 8,柏林,德国,2017年。视图:谷歌学术搜索
15. g, g .梁f·苏,f .瞿j.y.王,“跨域属性表示基于卷积神经网络”智能计算方法施普林格,页134 - 142年,柏林,德国,2018年。视图:谷歌学术搜索
16. a . Krizhevsky i Sutskever, g·e·辛顿“Imagenet分类与深卷积神经网络,”诉讼进展的神经信息处理系统太浩湖,页1097 - 1105年,NV,美国,2012年12月。视图:谷歌学术搜索
17. 美国劳伦斯·c·l·贾尔斯a c .啊涌Tsoi和公元后,“人脸识别:卷积神经网络的方法,”IEEE神经网络,8卷,不。1,第113 - 98页,1997。视图:出版商的网站|谷歌学术搜索
18. 答:坟墓,“短期记忆,”监督与复发性神经网络序列标签页37-45 Springer,柏林,德国,2012年。视图:谷歌学术搜索
19. ,的Hochreiter和j。施密德胡贝尔表示“长短期记忆。”神经计算,9卷,不。8,1735 - 1780年,1997页。视图:出版商的网站|谷歌学术搜索
20. f·多库酯钠、诉Loia和s . Tomasiello”修改复发性神经网络从颗粒的角度来看,“应用软计算文章ID 105535卷,82年,2019年。视图:出版商的网站|谷歌学术搜索
21. n . Nedjah。桑托斯,l . de马赛Mourelle,“情绪分析使用卷积神经网络通过嵌入的,”进化的情报,2019年,页1 - 25。视图:出版商的网站|谷歌学术搜索
22. 熊猫和b Majhi”,小说的改进预测蛋白质结构类递归神经网络深,”进化的情报,1 - 8,2018页。视图:出版商的网站|谷歌学术搜索
23. 诉Loia s Tomasiello a Vaccaro和j·高,“使用本地学习与模糊变换:应用短期预测问题,“模糊优化和决策,2019年,页1 - 20。视图:出版商的网站|谷歌学术搜索
24. r·p·Mihail美国工人、z . Bessinger n . Jacobs,“天空在野外分割:一个实证研究,”学报2016年IEEE冬季会议上的应用计算机视觉(WACV)普莱西德湖,页1 - 6,IEEE,纽约,美国,2016年3月。视图:出版商的网站|谷歌学术搜索
25. y的歌,h·罗,j .妈,回族,z . Chang,“天空在模糊图像检测,”传感器,18卷,不。4 p。1060年,2018年。视图:出版商的网站|谷歌学术搜索
26. m . Amini: Usunier, c . Goutte”从多个部分观察学习的观点多语种文本分类应用程序,”诉讼进展的神经信息处理系统几个页。温哥华,加拿大,2009年12月。视图:谷歌学术搜索
27. j·彭宁顿r . Socher和c·曼宁,“手套:全球词向量表示,”学报2014年会议上实证方法在自然语言处理(EMNLP)1543年,页1532 -多哈,卡塔尔,2014年10月。视图:谷歌学术搜索
28. p . j .菲利普斯h . Hyeonjoon月亮,s . a . Rizvi和p . j . Rauss“feret评价方法对人脸识别算法,IEEE模式分析与机器智能,22卷,不。10日,1090 - 1104年,2000页。视图:出版商的网站|谷歌学术搜索
29. r·赵w·欧阳、h·李和x王”特点的检测multi-context深度学习,”《IEEE计算机视觉与模式识别会议,页1265 - 1274,波士顿,MA,美国,2015年6月。视图:出版商的网站|谷歌学术搜索
30. w·欧阳曾x, x,“行人检测、多级上下文深度学习”学报2013年IEEE计算机视觉国际会议(ICCV)IEEE,页121 - 128年,悉尼,澳大利亚,2013年12月。视图:谷歌学术搜索
31. x马,耿j . h . Wang“高光谱图像分类通过上下文深度学习”EURASIP杂志在图像和视频处理,卷2015,不。1,p。20日,2015。视图:出版商的网站|谷歌学术搜索

版权

版权©2020年荣刘et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。