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： 交通噪声   噪声地图   机器学习   开源数据   城市建成区   空间异质性  

摘要： 交通噪声是威胁居民身心健康和生活质量的城市第二大污染源。噪声地图作为反映噪声分布的重要评估方法，其研究在成本控制、区域适应性或模型解释性方面仍面临挑战。该研究以大连市典型建成区为对象，提出快速评价交通噪声的模型方法。首先基于75 m尺度网格单元整合遥感影像、空间句法、规划要素等多源数据；其次，构建基于网格单元内开源数据的机器学习模型，通过聚类将网格划分五类并赋予标签(如枢纽区、绿地区、密路网小街区)，分别建立回归模型预测噪声，绘制噪声地图；最后采用SHAP分析特征贡献机制，增强模型解释性。结果表明：聚类与回归组合模型可解释76.3%的噪声变化，较线性模型性能提升49.0%。高斯混合模型聚类能有效识别空间异质性，随机森林回归的噪声预测精度和准确率较高。通过SHAP提取关键特征，证明不同城区主导噪声分布的关键特征存在差异。该研究有助于为精准降噪策略制定提供科学依据。

关键词： 激光增材制造   机器学习   性能预测   工艺参数优化  

摘要： 激光增材制造技术是基于逐层制造和叠加成形原理，将复杂三维成形转变为简单二维加工的先进制造技术，具有设计自由度高、材料利用率高、生产周期短等优点。然而，激光增材制造合金具有工艺-组织-性能的复杂非线性关系，依靠传统试错法解决，面临研发效率低、多物理场耦合机理阐释不足等局限性。机器学习技术作为数据密集型科学范式的核心方法，为解决上述问题提供了新路径。本文系统综述了机器学习在增材制造合金性能预测中的研究进展：首先概述了传统机器学习回归算法（高斯过程回归、支持向量机、神经网络等）及其超参数优化策略；继而系统探讨小样本场景下的迁移学习与数据增强技术；聚焦阐释物理信息机器学习的关键实现路径；最后展望了未来的发展方向，为推动机器学习与增材制造深度融合提供参考。

关键词： 知识感知推荐系统   去偏推荐   公平表征学习   对抗学习  

摘要： 当前知识感知推荐系统在融合知识图谱时缺少公平性保障机制,导致模型隐式学习到知识关系中的潜在偏见,从而引发推荐公平性问题.现有去偏方法通过敏感属性特征学习来去除敏感属性信息,但仍面临两方面的问题:一是未能充分捕捉多敏感属性间的潜在关系;二是缺乏对属性间因果效应的建模.为此,本文提出了一种基于改进敏感图的知识感知推荐公平表征学习方法.一方面,本文以多阶邻接矩阵的形式构建和更新敏感图节点表示;另一方面,本文引入因果注意力机制捕获敏感属性节点间的因果传导效应,最终结合对抗学习去除敏感属性信息,在不影响知识感知推荐模型主要流程的前提下实现公平表征学习.本文在推荐领域基准数据集MovieLens-1M和***上进行了大量的实验,结果表明:本文方法能够有效提升基础模型的公平性表现,同时能更好地平衡推荐性能和公平性表现.

关键词： CO_(2)通量   机器学习模型   影响因素   模拟能力   冬小麦   夏玉米   农田  

摘要： 为探究典型冬小麦-夏玉米农田CO_(2)通量的影响因素及不同机器学习模型对其模拟能力,本研究选取中国生态系统研究网络禹城综合试验站冬小麦-夏玉米农田为研究对象,基于气象、土壤和作物生长等数据,通过类别型特征提升(CATBoost)、极限梯度提升(XGBoost)、支持向量机(SVM)、人工神经网络(ANN)、随机森林(RF)和K近邻法(KNN)六种机器学习算法,分析其对逐日净生态系统碳交换量(NEE)、总初级生产力(GPP)和生态系统呼吸(Re)模拟的准确性。结果表明:对不同机器学习模型而言,CATBoost模型对农田NEE、GPP和Re模拟的准确性都优于其他模型,XGBoost模型次之。对不同输入变量组合而言,当包含气象变量、土壤变量和作物变量时各机器学习模型的模拟效果最佳,其次是包含气象变量和作物变量,而包含气象变量和土壤变量的模拟效果相对较弱。对不同农田类型而言,六种机器学习模型在不同输入变量组合下表现出冬小麦田NEE、GPP和Re的模拟效果优于对应的夏玉米田,其中冬小麦田GPP和Re的模拟准确性相近,且优于NEE;而夏玉米田NEE和GPP的模拟准确性相近,且优于Re。

关键词： 艺术图像分类   自监督学习   小波变换   对比学习   频域掩码  

摘要： 针对艺术图像分类任务中存在的样本稀缺、风格多样与纹理复杂等挑战,提出了一种新的自监督学习框架——频域掩码对比(Frequency-Masked Contrast,F-MaCo),以双分支对比学习为基础,通过二维离散小波变换(Discrete Wavelet Transform,DWT)将图像转换到频域,实现动态频域掩码增强。引入感知损失驱动的权重调整机制,有效捕捉艺术图像的多尺度特征和丰富的纹理信息。实验结果表明,F-MaCo在MAMe、Kaokore、Artbench10和ArtDL四个艺术图像数据集上均取得了最优性能,Top-1准确率分别达到73.72%、77.38%、58.38%和68.31%,验证了其在艺术图像表征学习任务中的有效性与鲁棒性。

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： 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： 五常稻花香米   近红外光谱技术   随机森林   相似大米品种鉴别   t-分布邻域嵌入  

摘要： 本研究提出一种基于近红外光谱技术结合机器学习算法快速无损鉴别五常稻花香米的方法。通过采集不同品种的大米近红外光谱数据,使用偏最小二乘回归模型确认一阶导数为最佳预处理方法,对比主成分分析和t-分布邻域嵌入降维方法,构建人工神经网络、K近邻算法、随机森林、决策树和朴素贝叶斯5种机器学习模型进行品种判别对比。研究结果表明t-分布邻域嵌入在Calinski-Harabasz指数上提升了1 078.005 1,表现出更好的聚类效果。经过t-分布邻域嵌入降维处理后,5种模型的各项评价指标均优于未降维处理的模型,模型平均准确率达到了95.78%,其中朴素贝叶斯模型准确率提高了18.89%,提升效果最佳,随机森林模型的判别效果最好,预测集准确率和精准率分别为98.89%和98.96%。本方法可快速无损鉴别五常稻花香米,助力品牌保护和消费者权益维护,也可为其他地理标志农产品鉴别提供新思路。