Уважаемые коллеги, доброго времени суток! Представляем вам японское научное издание Journal of Advanced Computational Intelligence and Intelligent Informatics. Журнал имеет четвёртый квартиль, издается в Fuji Technology Press, его SJR за 2020 г. равен 0,172, печатный ISSN - 1343-0130, электронный - 1883-8014, предметные области - Взаимодействие человека и компьютера, Информатика – искусственный интеллект, Компьютерные науки, Искусственный интеллект. Вот так выглядит обложка:
Здесь два редактора - Каору Хирота, контактные данные - hirota@jsps.org.cn.
и Тошио Фукуда - tofukuda@nifty.com.
Еще публикационный контакт - jaciii@fujipress.jp.
Журнал фокусируется на передовом вычислительном интеллекте и интеллектуальной информатике. Темы включают, но не ограничиваются ими:
- Нечеткая логика,
- Нечеткое управление,
- Нейронные сети,
- GA и Эволюционные вычисления,
- Гибридные системы,
- Системы адаптации и обучения,
- Распределенные интеллектуальные системы,
- Сетевые системы,
- Мультимедиа,
- Человеческий интерфейс,
- Биологически вдохновленные эволюционные системы,
- Искусственная жизнь,
- Хаос,
- Сложные системы,
- Фракталы,
- Робототехника,
- Медицинские приложения,
- Распознавание образов,
- Виртуальная реальность,
- Вейвлет-анализ,
- Научные приложения,
- Промышленные приложения,
- Художественные приложения.
Адрес издания - https://www.fujipress.jp/jaciii/jc/
Пример статьи, название - Recommendation System Based on Generative Adversarial Network with Graph Convolutional Layers. Заголовок (Abstract) -
Positioning of the proposed method
A graph convolutional generative adversarial network (GCGAN) is proposed to provide recommendations for new users or items. To maintain scalability, the discriminator was improved to capture the latent features of users and items, using graph convolution from a minibatch-sized bipartite graph. In the experiment using MovieLens, it was confirmed that the proposed GCGAN had better performance than the conventional CFGAN, when MovieLens 1M was employed with sufficient data. The proposed method is characterized in such a manner that it can learn domain information of both, users and items, and it does not require to relearn a model for a new node. Further, it can be developed for any service having such conditions, in the information recommendation field. Keywords: generative adversarial network, graph convolutional layers, recommendation system, bipartite graph
