关键词： 联邦学习   隐私保护   知识蒸馏   数据异构  

摘要： 为了应对异构数据分布导致的联邦学习效率问题，提出了一种基于双向特征知识蒸馏的异构数据联邦学习方法。该方法首先将全局模型的参数抽象为特征知识和决策知识，显著减少了通信量，提升了系统的实时性和响应速度。在此基础上，通过引入相互学习机制，增强全局模型与局部模型之间的协同作用。全局模型负责聚合来自各节点的知识，而局部模型则专注于学习本地数据并贡献个性化知识。实验结果表明，该方法在处理数据异构性方面表现出色，并大幅提升了通信效率，特别适用于对实时性和低通信开销有较高要求的场景。

关键词： 异质网络   元路径   图神经网络  

摘要： 异质信息网络中由于节点类型各异，邻居信息在聚合前需投影到相同特征空间，这易导致语义混淆。同时，节点特征学习过程常面临局部拓扑结构特征与全局语义信息难以有效融合的问题。为此，提出一种分槽聚合元路径信息的异质网络图对比学习方法(Stack-Based Metapath Aggregation Graph Contrastive Learning,SMACon)。该方法基于元路径从多视角捕捉节点间的语义与结构关系，在元路径内部引入stack结构实现分槽聚合，为每类节点提供独立的消息传递过程，从而保留其类型特征空间中的信息表达；同时，在不同元路径视图上引入图对比学习，增强模型对全局图结构的理解能力；最后，通过注意力机制完成元路径与槽之间的信息聚合，得到最终节点表示。实验结果表明，S-MACon在链路预测和节点分类任务中分别达到95.61%和94.59%的准确率，显著优于现有主流方法，验证了其有效性与推广价值。

关键词： 内卷式竞争   创新遏制   资源囤积   市场掠夺   感知风险  

摘要： 随着全球经济环境的日益复杂和技术变革的加快，产业链内卷式竞争现象在中国制造业中愈发普遍，同时加剧了产业链各个环节的企业感知风险，对产业链的稳定性和安全性产生影响。以中国新能源汽车产业链为研究对象，基于2014—2023年800家上市公司年报数据，结合BERT模型与文本分析方法量化内卷式竞争行为，并通过多元回归模型检验其与感知风险的关联，考察产业链内卷式竞争行为（创新遏制、资源囤积与市场掠夺）对企业感知风险的影响。研究发现：创新遏制、资源囤积与市场掠夺均显著加剧了企业感知风险，其中创新遏制的正向效应最为突出；产业链内卷式竞争行为对企业风险感知的影响具有异质性。研究说明内卷式竞争通过遏制、囤积、掠夺的三重机制放大了产业链感知风险，为企业破解低效竞争格局、优化政策设计提供了经验证据与解题思路。

关键词： 智能制造   工业图像处理   异常检测与定位   深度学习   无监督学习  

摘要： 深度学习的快速发展为工业图像的异常检测和定位奠定了里程碑，现有研究对全面深入探索该领域具体方法和新兴趋势的需求不断增长。超越了传统的监督训练范式，探讨了基于自监督和无监督学习的异常定位方法的背景动机、发展现状和核心挑战，从神经网络架构设计、特殊应用场景分析、损失函数改进、评价指标和公开数据集的使用情况等角度全面回顾了工业领域现有优秀研究。此外，还重点研究了少样本学习下，大型视觉语言模型对多类别统一异常定位任务的认知和推理作用，总结了现有研究成果并指出了未来的研究方向，旨在促进利用大模型的能力来增强复杂真实场景中异常定位算法的稳健性和系统开发的高效性。这项全面的分析旨在弥合现有的知识差距，为研究人员提供宝贵的见解，并为塑造工业异常定位研究的未来做出贡献。

关键词： 端云协同   强化学习   离在线强化学习   兵棋推演   智能决策  

摘要： 随着军事智能化技术演进，兵棋推演智能决策研究备受关注。针对传统云端集中式决策模式存在的通信延迟、数据安全风险和部署壁垒等问题，提出端云协同混合离在线强化学习框架（Decider），实现基于先验知识与试错数据的融合驱动决策。云端动态筛选高价值样本传输至边缘设备，缓解数据分布偏移问题，加速策略搜索；引入历史动量聚合算法，稳定模型训练。在海空对抗兵棋实验中，Decider策略搜索速度提升超过90%，平均对抗得分提高26%以上，且通信负载降至传统架构的9.5%。

摘要： [目的]构建和比较多种基于机器学习方法的甲状腺乳头状癌（papillary thyroid carcinoma,PTC）颈部淋巴结转移（neck lymph node metastasis,NLNM）预测模型，评估性能最优的模型并提高模型的可解释性。[方法]回顾性分析2021年1月至2023年9月在广西科技大学第二附属医院接受甲状腺切除手术的903例PTC患者的临床资料。患者随机分为训练集（70%）和验证集（30%），将性别、年龄、肿瘤最大直径、病灶数量及是否存在被膜侵犯等13项临床病理特征变量纳入逻辑回归、梯度提升机、随机森林、决策树、支持向量机和轻量级梯度提升机（Light Gradient Boosting Machine,Light GBM）等10种机器学习算法，对NLNM的风险构建预测模型。通过受试者工作特征曲线下面积（area under the curve,AUC）、灵敏度、特异度、准确率和F1得分等指标比较各模型性能。并通过决策曲线、基于沙普利加和解释（SHapley Additive exPlanation,SHAP）法等可视化方法，对最优模型的效果和可解释性进行分析。[结果]在10种机器学习模型中，Light GBM的预测效果最佳，AUC为0.853(95%CI:0.793～0.837)，准确率为0.771,F1得分为0.764，灵敏度为0.743，特异度为0.799。在决策曲线分析中，Light GBM模型显示出良好的稳定性。基于SHAP方法可视化Light GBM模型，结果显示，肿瘤最大径、甲状腺球蛋白、癌胚抗原和年龄是影响PTC患者颈部淋巴结转移风险预测的最显著因素。[结论]基于SHAP值可解释Light GBM模型对PTC患者NLNM具有最佳的预测价值。

关键词： 强化学习   四足机器人   双延迟深度确定性策略(twin delayed deep deterministic policy gradient，TD3)   奖励函数   步态学习   集成网络  

摘要： 为解决四足机器人技能学习领域中双延迟深度确定性策略(twin delayed deep deterministic policy gradient，TD3)算法中存在Q值低估导致价值估计不准确，从而出现学习效果恶化的问题，提出一种随机集成TD3算法(randomized ensembled network-TD3，RE-TD3)。该算法集成多个Q值网络，并随机选取Q值网络进行评估，缓解价值估计不准确的问题，有效提高策略性能。其次，设计合适的奖励函数以正确引导四足机器人的步态学习任务。最后设置仿真实验进行验证，实验结果表明，所提算法能够使四足机器人学习到良好的运动步态，与其他主流算法对比，RE-TD3算法学习到的步态在机体稳定性上提高了33%，在奖励值上提高了32%，在行走偏离度上改善了60%。

关键词： 图注意力网络   多头自注意力机制   社交影响   对比学习  

摘要： 近年来,通过引入自注意力机制,图注意力网络(graph attention networks,简称GAT)在社交网络影响力预测上取得较好的预测效果.然而,现有的基于图注意力网络的方法往往忽略了自注意力机制中多头信息之间的协同性和差异性,缺乏对多头信息的协同挖掘与有效利用.提出一种基于多头对比学习与图注意力神经网络模型的社交影响预测方法.该方法通过引入对比学习机制,实现多头自注意力机制的输出之间一致性与差异性的对比,提升多头图注意力神经网络模型的学习能力.实验结果表明,该方法能够进一步提高社交影响力的预测效果.

关键词： 胃癌   早诊早治   疾病状态预测   机器学习  

摘要： 胃癌是消化道肿瘤中发病率较高的一种,对人们的健康构成严重威胁。早期预警、早期诊断可以提高5年生存率60%以上。近年来,机器学习方法在胃癌前状态预测方面取得了丰富的成果。首先从内镜图像、生化标志物、基因表达、中医证候等方面论述胃癌前状态的显著性特征,并结合机器学习方法预测的胃癌前状态研究成果,比较分析基于传统机器学习方法、深度学习方法和多种融合方法的优缺点。提出开展多中心、大样本队列研究并建设共享数据平台,实现多模态数据融合,增强模型的可解释性3点建议,为胃癌的“早诊早治”提供方法学借鉴。

关键词： 复数及其运算   学习共同体课堂   高中数学  

摘要： 学习共同体课堂作为一种创新型的师生互动模式,强调师生以合作者的身份共同参与知识建构。通过结构化合作与交流机制,双方实现认知资源的互补与个体能力的提升。在思维碰撞的过程中,产生的认知冲突与观点融合,能有效激活集体智慧生成,形成教学相长的良性生态。学生在学习共同体中进行合作交流、信息共享、相互监督,可以培养他们良好的学习习惯和团队合作精神。基于此,本文以“复数及其运算几何意义的应用”教学为例,通过构建学习共同体课堂来提高学生的数学思维能力和自主探究能力。