关键词： 知识表示学习   OWL知识图谱   多语义视图   进阶训练   多任务学习  

摘要： 针对当前OWL知识表示学习方法存在的概念层和实例层复杂语义信息联合表征能力不足等问题,提出一种概念-属性-实例多语义视图驱动的OWL图谱知识表示学习方法 （MSV-KRL）.该方法采用“多语义视图划分、语义感知自监督进阶训练、多任务联合表示学习”的3阶段架构.首先, MSV-KRL在OWL2Vec*的基础上,优化OWL到RDF图结构的映射策略,提出5类细粒度语义视图划分策略.其次,通过语义视图内随机游走和标注属性替换策略,生成序列化进阶训练数据,并开展预训练模型的自监督进阶训练,以提升其面向多语义视图上下文的适配能力.最后,在多任务学习框架下,通过多语义视图预测任务联合优化损失,实现对OWL知识图谱中概念、属性和实例复杂语义有效表示学习.实验结果表明, MSV-KRL在多个基准数据集上的表现优于现有先进的知识表示学习方法,且能适配于多种语言模型,有效提升OWL复杂语义的知识表示能力.

关键词： 多标签学习   特征选择   最小非零冗余   l   norm   l   norm  

摘要： 特征选择是一种通过选择最佳特征子集来增强多标签学习的有效技术。现有的研究表明l1-norm和l2，1-norm是特征选择中被广泛使用的技术，并分别用以学习标签特定特征和公共特征。然而，现有的基于l1-norm和l2，1-norm的多标签学习忽略了特征之间的冗余干扰问题，即特征和标签之间语义信息丢失或重叠。对此，本文设计了最小化非零冗余正则项以解决冗余干扰问题，并考虑分别使用标签相关性和样例相关性约束标签特定特征和公共特征，以避免最小化冗余干扰时特征权重消失的情况。特别地，由于最小非零冗余正则项以二元范式呈现，致使常用的加速近端梯度算法（FISTA）失效，而一般的交替求解算法时间复杂度较高，因此，作者设计了一种新颖的优化算法（approximate-FISTA）对模型进行求解。在7个多标签标准数据集上，对比目前较先进的7个算法的实验结果表明本文所提出的基于最小非零冗余正则项的多标签学习方法（MNRRML）具有较好的分类性能。

关键词： 智能手机   GNSS信号分类   机器学习   视距   非视距  

摘要： 在城市环境中，GNSS信号容易受到遮挡或反射的影响，而反射产生的非视距（NLOS）信号会导致较大的定位误差。现有的GNSS接收信号分类研究主要针对专业级接收机，通过提取信号特征将其区分为视距（LOS）和非视距（NLOS）信号，以实现高精度定位。然而，这些研究中所采用的信号特征和分类方法并不一定适用于智能手机中低成本GNSS芯片的信号特性。本文提出一种基于机器学习的智能手机GNSS接收信号视距/非视距分类方法。该方法结合了载噪比、仰角、伪距残差、归一化伪距残差以及伪距残差百分比5个关键指标，并融合基于深度学习的天顶视图语义分割和卫星标定技术，构建精确的训练数据集。在典型城市场景下对多种机器学习模型进行评估，结果表明，所提出的方法在不同型号智能手机上的平均分类准确率达到85.8%。

关键词： 智能电网   隐私保护   联邦学习   可验证秘密共享   数据聚合  

摘要： 智能电网通过整合先进的信息与通信技术,将传统电网升级为更高效、可靠和可持续的系统。然而,集中化的数据处理模式面临着隐私泄露和数据安全挑战。为此,提出了一种面向智能电网的可验证隐私保护联邦学习方法,基于秘密共享及其同态性设计了一种安全数据聚合方案。在上传梯度信息前,用户在本地对梯度添加掩码并通过秘密共享与其他用户共享掩码值。服务器在收到经过隐私处理的梯度后利用同态特性恢复掩码之和,从而确保安全聚合并降低通信开销。在数据传输过程中,基于可验证秘密共享和认证加密技术进行了数据完整性验证,以确保客户端与服务器间传输数据的真实性和完整性。仿真结果表明,该方案在保证用户隐私和数据完整性的前提下仍具有优越的模型性能和较低的通信成本,在MNIST和CIFAR数据集上模型精度分别达到99.2%和99.5%。

关键词： 深度学习   初中语文   阶梯式教学  

摘要： 为了解决初中语文教学中学生的文本理解浅层化、思维发展受限等问题,本文基于深度学习视角,提出初中语文“文本解构·意义生成·迁移运用”阶梯式教学策略。包括通过搭建文本解构支架、创设沉浸教学情境以及设计阶梯实践任务等。通过实施以上做法,该阶梯式教学策略有助于夯实学生语言理解基础,推动文本深度内化,实现思维能力与语文素养双提升。

关键词： 保育教育   有意义学习   幼儿园   游戏环境  

摘要： 《幼儿园保育教育质量评估指南》提到:“要发现和支持幼儿有意义的学习,采用小组或集体的形式讨论幼儿感兴趣的话题,鼓励幼儿表达自己的观点,提出问题、分析并解决问题,拓展提升幼儿日常生活和游戏中的经验。”游戏是幼儿的学习方式,并且游戏是幼儿对环境要素的创造性重组与意义赋予过程,因此游戏环境与幼儿的学习密不可分。以“有意义学习”为价值导向创设游戏环境,能够增强幼儿与环境的互动,促进其在游戏中发现并解决问题。

关键词： 有意义的学习   兴趣调研   课程前审议   幼儿经验  

摘要： 一寻找和调研,助推有意义的支持调研,即调查与研判。首先,深入了解幼儿的原有经验、当下的兴趣与需要,借助谈话、调查表等多种方式搜集相关资料;其次,需对配套教材情况进行细致调研;最后,针对相关主题背景,全面考察幼儿园现有的课程资源,从而为主题的有效实施提供更多的可能性方案。

关键词： 试错   学习自信   学生   学习热情   自主学习   意义感  

摘要： 走进学生的世界,人们就会发现部分学生缺少学习的热情,每天生活在“要我学”“我不想学”的困境中。要扭转这一状况,应将培养学生自主学习的能力作为关键目标,让他们在自主学习过程中获得学习的意义,从而激发内在动力,增强学习自信,优化学习效果。首先,要鼓励试错,让学生具备自主学习的勇气。错误是一种学习的资源,试错是加深理解的有效途径,更是重构认知的重要阶梯。如,学生在尝试解决数学问题时,往往会出现各种错误,如计算错误、概念理解错误、逻辑推理错误等。

关键词： 货币政策   经济稳定目标   金融稳定目标   机器学习方法  

摘要： 2008年国际金融危机之后,我国提出要构建由货币政策和宏观审慎政策构成的双支柱框架,旨在同时实现经济稳定目标和金融稳定目标。本文使用可解释性机器学习方法,全面分析货币政策中经济稳定目标和金融稳定目标的重要程度及其动态变化,并在此基础上提出货币政策目标的优化方向。研究结果表明,近年来我国宏观经济面临一定下行压力,为应对重点领域金融风险,货币政策中金融稳定目标的重要程度明显提升。面对国内外日趋复杂严峻的经济与金融形势,为守住不发生系统性金融风险的底线,要加强货币政策与宏观审慎政策的协调配合,从而同时实现经济稳定目标与金融稳定目标。

关键词： 差分隐私   联邦学习   自适应噪声   客户端贡献度  

摘要： 随着机器学习在工业领域的广泛应用,数据隐私问题日益严重。联邦学习作为一种保护数据隐私的分布式学习框架,仍面临隐私保护效果与数据效用性难以平衡的问题。为此,本文提出一种基于客户端贡献度的自适应差分隐私联邦学习方法(CC-ADPFL),通过动态调整隐私预算,优化噪声对模型精度的影响。实验结果表明,在当前预设的环境隐私预算指标下,与LDP-FL和Adap-DP-FL方法相比,CC-ADPFL在CIFAR-10数据集上的准确率与分别提升了21%和9%,这说明CC-ADPFL能够在保证隐私保护的同时显著提升模型性能。