关键词： 大语言模型   少样本学习   网络投诉意图识别  

摘要： 针对5G时代日益复杂的网络架构与用户规模增长带来的网络投诉处理挑战，旨在解决实际投诉数据中普遍存在的少样本类别意图识别难题。传统小型自然语言处理（natural language processing，NLP）模型因对数据量和质量高度依赖，在少样本场景下泛化能力不足，识别效果欠佳。大语言模型（large language model，LLM）虽具备强大的通用语义理解能力，但受限于通信领域专业知识匮乏及巨大计算资源需求，难以直接高效应用于此特定场景。为此，提出一种基于大模型增强的少样本网络投诉意图识别算法。该算法创新性地融合了LLM的文本生成优势与小型模型的高效推理特性，通过LLM迭代生成针对少样本类别的高质量模拟训练样本，并引入小模型进行质量评估与反馈，持续优化样本生成过程。该机制显著提升了小模型对少样本投诉意图的识别准确率。基于实际网络投诉数据的测试结果表明，所提方案使3类少样本网络投诉的意图识别准确率提升了21%，并实现了全部8类投诉识别准确率9%的整体提升。

关键词： 联邦遗忘学习   资源异构   自适应模型剪枝   相关性指标   性能分析  

摘要： 随着物联网(IoT)设备数量的指数级增长和《个人信息保护法》等法规的相继实施，联邦遗忘学习在边缘计算(EC)中已成为保障数据“被遗忘权”的关键技术。然而，边缘节点普遍存在的资源异构性—计算能力、存储容量和网络带宽等差异，导致基于全局统一剪枝策略的类级遗忘方法(遗忘某类训练数据)面临训练效率下降的困境。为了应对上述挑战，该文针对类级遗忘场景，提出了一种基于自适应模型剪枝的联邦遗忘学习框架(FunAMP)，通过降低节点之间的等待时间提高模型训练效率。首先，建立了模型训练时间、节点资源与模型剪枝比之间的定量关系，并据此给出自适应模型剪枝问题的形式化定义。随后，设计了一种基于贪心策略的剪枝比决策算法，根据每个节点的计算和通信资源为其分配合适的剪枝比，并分析该算法的近似比，为算法性能提供理论保证。接着，确立了一种基于词频-逆文频的相关性指标来衡量模型参数与目标类数据之间的关系，根据该指标和分配的剪枝比将与目标类数据相关的模型参数去除，从而在实现目标类数据遗忘的同时最大限度地降低模型训练时间。实验结果表明，FunAMP在达到相同准确率的情况下，相比现有方法最高可实现11.8倍的加速比。

关键词： 幼儿园   自主游戏   有意义学习   教师观察   游戏指导  

摘要： 自主游戏作为幼儿园教育的核心活动形式,是幼儿实现有意义学习的重要载体。基于此,探究了自主游戏中促进幼儿有意义学习的策略,提出了“观察—指导—支持”的协同路径:精准观察幼儿游戏状态与需求,以角色代入、问题引导等方式适时介入指导;尊重幼儿主体地位,保障幼儿游戏主导权;以科学引导推动深度探索;以前置排查与动态关注筑牢安全防线;以生活联结延伸经验应用。旨在助力幼儿在自主探索中深化经验、发展能力,实现从经验积累到有意义学习的转化,为其全面发展奠定坚实的基础。

关键词： 自监督学习   单流网络   语音-人脸跨模态   关联学习  

摘要： 现有的非监督语音-人脸跨模态关联学习方法多采用双流网络结构,在降低计算复杂度和实现高效非监督方法方面还面临一些挑战,为了改善模型性能,提高跨模态学习的效率,提出一种结合单流网络的自监督语音-人脸跨模态学习方法.首先,将预处理的两种模态数据送入单流特征提取网络,然后对提取的两种模态特征向量进行基于注意力机制的特征融合得到视频粒度的特征表示用以在线深度聚类,最后使用聚类步骤生成的伪标签指导度量学习方法来学习两种模态的关联,从而完成跨模态关联学习任务.实验结果表明,本文提出的方法在语音-人脸跨模态验证、匹配和检索任务上均取得了良好的效果,在考虑网络结构轻量化和灵活性的同时保证了优秀的性能.

关键词： 学习方法   高中化学   死记硬背   连续体系  

摘要： 高中化学的学习并不是分散的,而是一个连续且严密的体系,并不是许多同学所认为的是一门死记硬背的学科。现在,我就来为大家讲述一下我学习化学的方法和经验,供学弟学妹们参考。首先,我们需要知道高中化学分为哪几个板块,对高中化学有一个基本的认识。

关键词： 行政公益诉讼   环境污染   生态破坏   公共利益  

摘要： 强有力的司法支持是一国环境实现良好治理的重要保障。环境污染和生态破坏不仅会造成不特定第三人利益损害,而且造成公共利益受损。在环境行政公益诉讼中,启动难、取证难、鉴定难等一系列问题,使得环境保护诉讼不能实质落实,其中诉讼主体确认和侵害环境事实认定也阻碍了行政公益诉讼的推进。文章将从行政公益诉讼的基础概念出发,结合环境行政公益诉讼的司法案例,总结环境行政公益诉讼焦点问题,以完善该类行政公益诉讼的发展路径。

关键词： 重尾噪声   图像分类   残差网络   多分布   深度学习  

摘要： 针对残差网络(ResNet)在图像分类中容易受未知重尾噪声影响导致识别准确率下降的问题,提出一种多分布重尾噪声自适应残差网络(MHTNA-ResNet)模型。首先,为抑制重尾噪声对最终预测的影响,设计一个多分布重尾噪声自适应层(MHTNA),该层使用多种重尾分布创建噪声模板,扰动干净的训练数据,使ResNet通过训练获得对重尾噪声图像的识别能力;其次,MHTNA在训练中进行自适应训练,使用最大似然估计法求解更新的噪声模板参数,并根据求解参数重新生成噪声模板,控制噪声始终遵循重尾分布;最后,测试时屏蔽MHTNA,对测试图像进行重尾噪声攻击,从而检验模型的抗噪能力。实验结果表明,与PRIME模型相比,面对重尾噪声的攻击,在CIFAR10、CIFAR100和MINI-ImageNet数据集上所提模型的分类准确率分别平均提升了3.86、7.10和5.46个百分点。可见,所提模型可以有效提高ResNet面对重尾噪声干扰时的鲁棒性。

关键词： 知识学习   意义性知识学习   精神生命  

摘要： 知识学习是教育学的经典议题,如何让学生的知识学习富有意义,一直是教学的难点。意义性知识学习是对知识学习的本质重识和价值澄清,它不把知识当作一种孤立性符号,而是将其视为能与个体精神生命建立深层关系的意义性存在。意义性知识学习以理解知识的公共化意义为起点,通过学生与知识的理性和逻辑“相遇”、与知识的历史和文化“对话”,在充实的精神生命参与下,实现知识意义的创造性转化和个性化表达。知识由此进入学生精神生命里,并与之建立深层的意义关系,成为促进学生思维、情感、人格等成长的精神力量。通过教学实现学生的意义性知识学习,需以生活世界为出发点,重申课程知识的个性化意义;以学科实践为脚手架,引导学生与知识“相遇”“对话”;以内隐学习为立足点,促进知识到核心素养的升华;以智力激情为着力点,调动学生精神生命的充实参与。

关键词： 素质   高校学生   社会热点   思政课   道德  

摘要： 在高校教育体系中,思政课占据着重要位置,其作用在于帮助学生形成正确的思想价值观念,促进学生完善人格的形成。在当前信息高速传播的背景下,社会热点频繁出现,对学生的思想以及行为造成了深刻的影响,而将社会热点融入思政课教学,可以带领学生更深入地学习,促进思政教育质量的提升,实现人才培养的目标。思政课视角下高校学生学习社会热点的意义塑造正确的价值观。社会热点涵盖道德、素质等不同的价值维度,覆盖了多个领域。利用社会热点可以带领学生在课程中深入剖析事件,从中学习到正确的思想价值观念。面对复杂的社会现象,形成的正确价值判断可以帮助学生在后续遇到类似的问题时做出正确合理的选择,更贴合时代需求以及社会需要。

关键词： 药理学   职业教育   药理学教育现状   学习方法  

摘要： 职业教育是国民教育体系的重要组成部分,而“药理学”课程是医学职业教育中必修的专业基础课程。它不仅是基础医学与临床医学之间重要的“桥梁”,而且是药学与医学之间的“纽带”学科,药物在能够安全有效地用于临床之前,必须经过极其严格的临床前和临床药理学研究,因此“药理学”是药学学科的重要组成部分。然而当前职业教育中“药理学”教学过程中存在教材不够科学、师资队伍建设不足、教学方法僵化、考试模式不合理等问题,因此本文对职业教育中“药理学”教学现状进行分析,并针对“药理学”教学方法提出五条优化建议,以期通过优化教学方法的途径实现职业教育“药理学”学科教学水平的提高。