关键词： CO_(2)腐蚀   13Cr   机器学习   决策树   腐蚀速率预测  

摘要： CO_(2)腐蚀井下管材现象普遍存在,目前对于气相CO_(2)环境下的13Cr管材腐蚀速率缺少适用的预测方法。针对该问题,研究了含Cr管材抗腐蚀机理及影响因素。基于正交试验法明确了各腐蚀因素影响13Cr管材腐蚀速率的重要性。基于机器学习方法,建立了管材腐蚀速率预测模型。采用Python语言编制了BP神经网络、决策树、随机森林以及支持向量机等4种机器学习模型,以室内数据为数据集进行腐蚀速率模型优选。结果标明,13Cr管材在气相CO_(2)中表现为匀速腐蚀,腐蚀速率为0.0122~0.0361 mm/a。与室内结果相比,决策树模型预测结果准确度可达到85.1%。采用现场实际应用套管剩余壁厚对所建模型进行验证,准确率在80%以上。所建立的预测方法可推广应用至相近腐蚀条件下的管材腐蚀速率预测。

关键词： 认知架构   ACT-R   遗忘曲线   间隔重复算法   学习规划  

摘要： 间隔重复学习方法在辅助学生自主学习方面发挥了重要的作用;然而传统的间隔重复算法在间隔控制上过于僵化,导致学生每日的学习任务量差异明显,进而影响学习效率。为了提升自主学习效率,提出了一种基于ACT-R(Adaptive Control of Thought-Rational)的认知间隔重复学习方法。首先,基于ACT-R规划学习过程,模拟学生学习行为并提取主导模型记忆变化的激活参数;其次,提出了遗忘曲线切割算法,将遗忘特性反映到学习规划之中,并提取记忆留存率与推荐复习间隔等参数;最后,基于二者所得学习参数,针对特定的学习任务动态地生成间隔重复学习规划。实验结果表明,相较于传统的间隔重复学习算法,基于ACT-R的认知间隔重复学习方法可以合理有效地安排自主学习任务,每日学习任务量更加均衡,每个任务的学习时间分布也更加合理。

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。

关键词： VTE   神经外科   机器学习   Caprini量表   Boruta  

摘要： 目的 构建基于机器学习算法的神经外科静脉血栓栓塞症(venous thromboembolism, VTE)风险预测模型。方法 采用过采样技术对数据进行平衡,应用Boruta算法进行关键特征变量筛选,然后利用AdaBoost、GBDT、LightGBM、SVM四种机器学习方法构建预测模型,并利用准确率、精确度、召回率、F1分数进行模型性能评估,综合对比四个模型的性能,选取最佳模型,并进行模型变量重要性分析。结果 Boruta方法最终将C1(年龄)、C3(体质指数(BMI>25 kg/m^(2)))、C7(下肢肿胀)、C8(卧床的内科患者)、C10(严重肺病,包括肺炎(<1个月))、C16(其他危险因素)、C18(大型开放手术(>45 min))、C20(限制卧床(≥72 h))、C21(恶性肿瘤(现患或既往))、C31(DVT/PTE史)、C33(脑卒中(<1月))、C35(多发性创伤(<1个月))确定为关键特征变量。利用AdaBoost、GBDT、LightGBM、SVM四种机器学习方法构建预测模型,GBDT是表现最佳的模型,准确率是0.967,精确度是0.967,召回率0.954,F1分数是0.954。年龄、下肢肿胀、卧床的内科患者、体质指数(BMI>25 kg/m^(2))、大型开放手术(>45 min)是神经外科VTE最重要的风险因素。结论 基于机器学习和Caprini评估量表构建的风险预测模型具有较高的模型性能,能够有效缩减评估指标,提升VTE评估的准确性和效率。

关键词： 多任务学习   光电容积脉搏波   压力检测   分布外问题  

摘要： 基于光电容积脉搏波(PPG)的情绪压力检测系统有望能够实现日常的便携监测,但由于不同个体间PPG信号差异显著,导致在对训练时未见过的个体进行压力检测时存在严重的分布外(OOD)问题。针对这一问题,提出了一种基于多任务学习的跨模态压力检测模型(CSMT),通过引入ECG信号重建和多心血管特征预测作为辅助任务,在高维表征空间中对PPG信号的压力检测进行协同优化,从而学习到跨个体的鲁棒压力检测表征。实验结果表明,在WESAD数据集上的留一验证(leave-one-subject-out)测试中,CSMT在三分类(中性/压力/愉悦)和二分类(压力/非压力)任务上的准确率和F 1值均优于现有方法,有效缓解了压力检测中的分布外泛化问题。后续的消融实验进一步验证了所提多任务跨模态学习框架在提升模型泛化能力方面的有效性。

关键词： 排序学习   近似指标   平均精度   条件生成对抗网络   信息检索  

摘要： 在评估排序学习方法的性能优劣时,常用的信息检索评估指标,如NDCG、ERR和AP,都是基于文档列表位置信息的指标.由于这些指标中的位置信息是离散值,难以直接用于生成对抗网络的训练中,使得基于生成对抗网络的排序学习算法的损失函数未能考虑排序列表中文档的位置信息.针对此问题,本文提出一种基于条件生成对抗网络直接优化近似平均精度AP指标的listwise排序学习算法(APGAN-LTR)以进行精细化训练模型.该方法采用Gumbel-softmax重参数化技巧采样,使用梯度可导的Plackett-Luce模型模拟用户对检索出文档的偏好采样过程,对平均精度AP指标进行近似,并将包含近似位置信息的AP指标融入条件生成对抗网络的损失函数中以被直接优化性能指标,用于挖掘排序列表的位置信息,以期更进一步提升性能.在公共排序学习基准数据集上的实验结果表明:对比基于生成对抗网络的排序学习方法IRGAN-List,本文提出的排序学习方法APGAN-LTR在信息检索指标NDCG,P,AP,NERR上都有明显提升.

关键词： 意图识别   机器学习   非合作航天器   领域专家  

摘要： 随着航天技术的发展,保护好太空资产变得愈加重要,针对非合作航天器的意图识别正是保护太空资产的关键技术之一。传统基于目标特征状态推理意图的方法,需要大量的领域专家知识对特征状态的权重、先验概率等进行量化,明确特征状态与意图之间的对应关系,而机器学习可以在领域专家知识不足条件下,基于大量的带有标签的数据集,训练得到特征状态与意图之间的规则,快速识别出非合作目标的意图。

关键词： PU学习   漏洞检测   集成学习   得分调整   半监督学习  

摘要： 基于人工智能的漏洞检测方法相比于传统漏洞检测方法减少了对专家经验的依赖并提升了检测效率。通常漏洞检测模型的训练过程需要大量有标记的样本,然而在实际应用中,有标记的漏洞样本的收集较为困难。因此,在仅有少量有标记漏洞样本的条件下,如何有效地利用大量的未标记源码样本以提高漏洞检测模型的训练性能成为漏洞检测领域的重要问题。正类-未标记样本学习(PU Learning)是一种新型半监督学习模式,PU学习能够结合少量正类样本与大量未标记样本对随机森林等模型进行训练,通过对未标记样本的类别评分以产生大量的伪标记训练样本,用于提升模型的训练性能。然而,当部分未标记样本的类别得分在阈值附近时,PU Learning容易产生错误的伪标记。为了实现基于PU Learning的源码漏洞检测,提出了一种集成式PU学习方法PUEVD。PUEVD首先基于PU风险最小化构建随机森林,计算未标记源码样本的类别得分,并筛选出源码样本的典型特征集合;然后在典型特征中随机选择一组代码特征子集;最后在该子集上比较易误分类样本的取值与可信正类/可信负类源码样本的相似度的差异。基于集成学习原理,PUEVD将任意易误分类源码样本x在给定的代码特征子集上计算出的相似度差异当作x在一个弱分类器的分类结果,之后基于x在多组随机选择的特征子集所获得的一组差异值融合调整x的类别得分,进而将样本的类别分值优化到可信的区间内,以降低源码样本被误分类的风险。将PUEVD应用到软件漏洞挖掘过程,实现了少量已标记源码样本条件下的漏洞检测,在标准源码漏洞数据集,CWE399,libtiff,asterisk上的实验结果表明,PUEVD在AUC和F1分数上均优于传统方法,证明了PUEVD方法在漏洞检测应用中的有效性。

关键词： 温室气体排放   地缘政治冲突   全球供应链风险  

摘要： 逆全球化背景下,温室气体排放与地缘政治冲突相互作用使得全球供应链风险进一步复杂化。文章研究了温室气体排放在地缘政治冲突背景下,如何影响中国面临的全球供应链风险。理论研究表明,如果国际间气候合作不能顺利推进,温室气体排放与地缘政治冲突会相互加强,进而加剧全球供应链风险,主要表现为能源和资源价格波动、国际运输中断、贸易限制、全球供应链本土化和多元化以及全球绿色供应链重构等。文章基于1995—2020年OECD世界投入产出表数据并利用潜因子法、广义随机森林和双重纠偏Lasso法研究发现,温室气体排放与地缘政治冲突相互作用会增加中国供给侧和需求侧的全球供应链风险,特别是来自美国等国家的全球供应链风险较为突出,而且还会引发美国加大对外资的审查力度。

关键词： 遥感图像   语义分割   对比学习   无监督学习   自监督优化  

摘要： 针对遥感图像语义分割深度学习对大量人工标注的依赖的问题,基于对比学习和自监督学习思想,提出了一种全新的、面向遥感图像语义分割任务的无监督学习框架。该框架仅需已知待分类类别总数,即可以实现模型训练与预测。具体而言,该框架构造了两种特征集合,在不同阶段对特征进行相似度计算,以选取正样本。接着,利用Vision-Transformer的注意力分数按比例传播梯度,以更好地选取重要像元并关注关键区域。最后,将置信度较高的预测像元作为伪标签进行自监督学习,进一步提升精度。实验采用GID和Potsdam数据集验证该方法性能,并与现有无监督语义分割方法对比,证明了该方法的优越性。