摘要： 拼音，是小学起始阶段语文学习的重要内容之一。《义务教育语文课程标准（2022年版）》（以下简称“新课标”）中提出“学会汉语拼音，能说普通话”，定位了拼音是学习普通话的工具，同时，也提出“能借助汉语拼音认读汉字”，定位了拼音是学习汉字的工具。明确了拼音的工具性定位，我们才能更好地解读与落实统编教材汉语拼音教学强调的“在真实的情境中学习拼音”，凸显它的实用价值导向，从而使拼音学习与学生的现实生活建立联系，实现由机械学习向有意义学习的转变，满足学生发展的需要。

关键词： 小学数学社团活动   研究性学习   应用策略  

摘要： 小学数学社团活动对探索性学习方法的运用具有积极作用。通过指导学生参与自主探究、合作交流与实践应用的方式激发学生学习兴趣，增强数学学习效果，对于小学数学社团活动而言，这是一个重要的机遇，有效地提高了学生的学习能力。文章将对研究性学习方法在数学社团活动当中的运用策略进行研究，目的是为了探究怎样更好地指导学生学习数学，启发学生数学思维与创造力。

关键词： 小样本学习   图像识别   语义先验知识   知识迁移  

摘要： 近年来,深度学习模型在大规模标记训练数据中的成功应用为计算机视觉领域带来了革命性的进展。然而,深度学习模型对于标记样本的数量有着较强的依赖性。在实际应用中,人工标注的成本十分高昂,而且在某些领域中可获得的样本数量相当有限。这一状况使得传统依赖大量样本的学习方法面临挑战。为了应对这一问题,专注于充分利用有限标记样本实现模型训练的小样本学习方法应运而生。然而,由于数据量的匮乏,使得机器在少数训练样本上准确识别新类别仍然是一项具有挑战性的任务。 人类在模式识别的过程中展现出了卓越的学习能力,能够从几个例子中快速学习新的概念。这种能力源于人类善于利用多模态信息,从视觉、语义等不同的角度提取事物的特征,并且能够对已积累的先验知识进行迁移,以快速形成对新事物的理解。为了借鉴人类学习的这一特点,本文提出了以两种不同的语义先验知识迁移为基础的小样本图像识别方法,主要包括以下关键内容: (1)基于词嵌入特征引导的小样本图像识别方法:该方法首先将基本类别的视觉先验知识与每个新类别的支持样本特征嵌入到视觉原型中。随后,通过简单而有效的映射网络,将词嵌入向量映射为引导视觉特征的注意力权重,并将该权重施加在视觉原型上构建语义增强视觉原型进行分类。这一过程的核心目标是将词嵌入向量的先验知识迁移到视觉原型上辅助分类器执行特征选择,从而提升视觉原型的准确性和稳定性,使其更好地适应小样本学习的复杂场景。 (2)融合知识图谱特征迁移的小样本图像识别方法:该方法将知识图谱和基于词嵌入特征引导的视觉原型相融合,提出了一种统一的图像识别框架。通过充分利用类级语义信息,对知识图谱进行校验和修正,以消除图谱固有的噪声干扰。此外,通过密集的注意力加权知识图谱传播策略,充分挖掘图谱中的潜在信息,并将先验知识迁移到构建的基于知识的原型表示中,最后与语义增强视觉原型结合进行分类。该方法基于语义知识推理与视觉特征学习的协同作用,构建了更为稳定的原型表示,出色完成了小样本图像识别任务。 综上所述,本文以先验知识迁移为核心思想,以多模态信息融合的方式构建了小样本图像识别的框架。通过实现多种语义先验知识的迁移,克服在小样本学习任务中数据不足的问题,从而提高模型在新类别识别上的准确性和泛化能力。

摘要： 我们党是靠革命理想和铁的纪律组织起来的马克思主义政党，党的奋斗史就是一部不断加强党的纪律建设、深化党纪学习教育的历史。今年在全党开展党纪学习教育，是党中央为加强党的建设、推进党和国家事业发展作出的一项重要部署，需要站在坚定拥护“两个确立”、坚决做到“两个维护”的政治高度，站在党长期执政、国家长治久安的历史高度，深刻认识其重要意义，切实把思想和行动统一到党中央决策部署上来。

关键词： 通用多模态学习   多模态预训练   适配网络   多模态理解   多模态生成  

摘要： 多模态学习要求模型能够同时理解多种模态数据以及其内部关联,对于实现真正理解复杂现实环境的下一代通用人工智能拥有很大意义。本文聚焦于针对图像文本联合理解并应用于多个不同下游任务的通用多模态学习进行研究。当前的多模态下游任务可分为两类:对输入进行有限类判别的判别式任务,如视觉问答;对输入进行开放域生成的生成式任务,如图像描述生成。对于以上两类多模态任务,当前的研究存在两大难点:1)当前常用于多模态判别式任务的多模态预训练编码器模型存在多模态预训练计算开销大及多个下游任务微调部署成本高的问题。随着当前模型参数的增加和多模态预训练规模的扩大,其训练成本大大上升,且传统的微调方法在模型应用于多个下游任务时会导致存储部署开销过大,这增加了多模态模型的实际应用成本;2)当前常用于多模态生成式任务的“编码器-解码器”架构存在多模态细粒度交互欠缺问题。“编码器-解码器”架构无法在文本特征和图像特征之间实现多模态融合,使其缺乏细粒度的多模态交互。 针对当前多模态编码器模型预训练成本和下游任务部署开销的问题,本文提出了一种基于预训练编码器融合的多模态双向交互适配网络,通过对图像预训练编码器和文本预训练编码器分块并在两个编码器模型之间插入多模态适配网络的方法,使两个预训练编码器的内部特征互相进行多模态交互理解,从而使得模型在维持强大单一模态理解能力的同时能够拥有多模态联合理解能力,无需进行高成本的多模态预训练,能快速适配到不同的下游任务中。 针对当前多模态生成式任务常用的“编码器-解码器”架构的多模态细粒度交互欠缺问题,本文提出一种基于生成式语言模型的多模态深度交互适配网络,通过针对生成式语言模型设计多模态深度交互适配网络的方式,将其与图像预训练编码器模型进行连接,为二者建立细粒度的多模态交互,使其能够应用于多模态生成式任务。同时进一步将适配网络应用于大语言模型,为其添加多模态理解能力,将大模型的泛化能力与丰富的世界知识应用到多模态场景中。 为验证所提出方法的有效性,本文在多个多模态下游任务的数据集上开展了充分的实验,结果表明本文提出的方法与现有的方法相比在多个指标上都存在优越性。同时,本文以提出的适配网络方法为核心设计并实现了一个通用多模态适配网络系统。

关键词： 长时序预测   Transformer   小波变换   季节趋势分解  

摘要： 本研究针对长时序预测问题,探索了结合深度学习和信号处理技术的方法。长时序预测对于多个领域,包括能源管理、交通规划、经济发展、气候监测和公共健康预警等,具有重要意义。长时序预测的挑战在于准确捕获时间序列数据的趋势、季节性和周期性等关键特征,并且需要模型对未来的远期变化具有高度的泛化能力。 在传统深度学习方法的基础上,第三章中引入了小波变换融合Transformer的创新模型(MWET模型)。该模型使用小波变换的多尺度分解能力以及Transformer的长距离依赖建模优势,在小波域中全面分析时间序列数据。这一结合利用小波变换对数据在不同尺度上进行细粒度分解,同时通过Transformer捕捉这些分解后的多尺度特征之间的复杂关系,从而深入挖掘时间序列数据的时频特性。 由于MWET模型复杂度较高和小波函数需要手动选取的问题,在第四章中,本研究提出了一种基于季节趋势分解和多尺度时间片划分机制的长时序预测模型(STDT模型)。相较于第三章介绍的模型,第四章的方法注重对时间序列数据中趋势与周期性特性的显式建模。模型首先应用季节趋势分解技术将时序数据分解成季节组分和趋势组分,然后通过Transformer结构和MLP网络分别对这两个组分进行特征建模和预测,并利用时间片划分机制降低模型的计算复杂度。 综上所述,本研究的第三章和第四章分别从不同视角和技术路径,对长时序预测问题进行了探索和尝试。第三章通过时频分解强化了时间序列的特征提取,而第四章通过季节趋势分解提高了对长期和周期性结构趋势的预测能力,两者共同丰富了长时序预测的方法论,展现了本研究在长时序预测领域的深度和宽度。通过在多个数据集上进行实验,本研究证实了所提方法在长时序预测任务上的优势,展现了其在多个实际应用场景中的有效性。