关键词： 有意义学习   先行组织者   同化模式   诗歌教学   中学语文  

摘要： 诗歌是一种十分重要且优美的文学形式，它具有极高的艺术和审美价值，诗歌是对一个时代的写照和映射，饱含着作者对生活的情感和情绪。在中学语文教学当中，诗歌教学的地位举足轻重，但教师如何教好诗歌和学生如何学好用好诗歌是一个值得深思和反复实践的问题。因此，本文将基于奥苏泊尔的有意义学习理论尝试对中学语文诗歌教学进行深入探究，通过理论结合实际，旨在探讨出一种更加符合学生认知发展、激发学生学习兴趣和热情、培养学生思维品质和审美能力，最终提高教学效果的教学模式，为中学语文诗歌教学提供一种新的路径和思考。

关键词： 联邦学习   数据分布异构   个性化联邦学习   聚类联邦学习  

摘要： 近年来,随着数据孤岛问题的出现以及公众对数据隐私安全的日益重视,联邦学习受到了广泛关注。联邦学习的目的是在各参与方不共享原始数据的前提下,利用各方隐私数据训练一个高性能的机器学习模型。然而,当参与方之间的数据分布高度异构时,联邦学习所获得的模型性能会显著下降。为减轻数据分布异构对联邦学习的不利影响,个性化联邦学习应运而生。作为个性化联邦学习的一个分支,聚类联邦学习将客户端集合划分为多个类内数据分布相似的聚类,进而同一聚类的客户端共同参与联邦平均训练。然而,现有的聚类联邦学习方法依赖于梯度更新、模型参数或损失作为聚类指标,这些指标不能精确反映数据分布信息且存在安全隐患。此外,这些方法要求提前确定聚类数或聚类阈值,而不恰当的聚类数或聚类阈值将导致模型性能显著下降。另外,这些方法未考虑到同一聚类内客户端数据分布异构对模型性能的不利影响。 针对聚类指标没有代表性且不安全以及需要预先确定聚类数或聚类阈值问题,本文提出了一种基于数据分布聚类的联邦学习方法。该方法通过计算客户端数据分布之间的推土机距离,构建了相似性矩阵,并据此实现了客户端的自适应聚类。该方法使用客户端数据分布信息作为聚类指标,并且无需预先确定聚类数和聚类阈值。大量实验结果表明,在应对数据分布异构场景时,该方法的准确率和收敛速度均优于现有方法。 针对聚类内数据分布异构问题,本文进一步提出了一种基于数据分布正则化的联邦学习方法。该方法根据客户端数据分布之间的余弦相似度为每个客户端生成一个优化聚类模型,以减轻聚类内数据分布异构对模型性能的不利影响。此外,该方法引入了权重参数和正则化机制,提升了模型的个性化程度,从而改善了聚类联邦学习方法的性能。实验结果表明,相较于现有方法,该方法在所有实验场景下的准确率和收敛速度均取得了更优的效果。

关键词： 图神经网络   注意力机制   分层池化   读出层   非平衡分类  

摘要： 在实际生活中,有一部分数据不再是如图像一类的欧几里得结构,而是知识图谱、社交网络、生物分子等非欧的图结构,需要特殊的网络进行处理。然而,对于图级任务,通过读出层将多个节点特征有效地聚合成表征整张图的信息是一个重要的步骤,先前工作多在卷积层和池化层进行优化,使得读出层一般是简单、非自适应的,仍有改进空间。特别地,简单的读出层可能需要更复杂的节点嵌入,使用标准领域聚合方案无法轻易满足,这对特征提取器以及输入图的质量是较大的挑战;而对于非平衡节点级任务,图数据的非欧几里得特性进一步增加了图表示学习和类不平衡学习的融合困难度,且解决方案的有效性在很大程度上取决于数据预处理的有效性、模型架构的选择以及重新平衡技术的妥当设计。对于以上问题,进行了两方面的改进。 针对图分类,提出了注意力读出层自适应聚合图神经网络(Attention Readout and Adaptive Aggregation Graph Neural Network,R3A-GNN),改进了分层池化架构中读出层对节点表示的聚合方式。我们基于自注意力机制动态地对读出层进行优化,保证了更好的聚合效果的同时满足置换不变性,更重要的是,自注意力减少了读出层对子图外的信息依赖,通过捕捉自身节点相关性求解自注意力权重,更能聚合得到正确的全局表示。此外,还改进了分层池化中多个读出层的聚合机制,使用自适应聚合的方式优化最终聚合得到的图嵌入,以便于应对多样的图数据类型,改善图分类能力。在几个图分类基准数据集上与多种方法作比较,我们的方法是有效的。 针对节点类别非平衡的图数据,为了避免采样方法导致的拓扑结构重组问题,提出了频率差异度混合重加权图神经网络(Frequency Difference Mixed Reweighting Graph Neural Network,FDR-GNN),通过多种样本相关信息重加权,改进了非平衡节点分类性能。由于传统的图神经网络不能精确应对非平衡数据分类,基于代价敏感学习,以样本频率和每一类在迭代中的正确率,对目标函数进行了重加权,自适应地调整权重使其偏向容易分错的类别,且不会过于偏向分错的多数类。通过在非平衡数据集上与几个基线方法进行对比,我们的方法在先前工作的基础上具有一定程度的提升。

关键词： 复杂天文图像   深度学习   自编码结构   Transformer  

摘要： 复杂天文图像中往往包含多类目标,且易受不同类型的降质模糊和噪声干扰,复原难度较大。传统复原方法不能有效捕捉和处理这类图像的细节和特征,且对噪声敏感。本文采用深度学习方法对复杂天文图像的复原问题进行研究,主要工作如下: 1、构建了完备的复杂天文图像复原数据集。首先对原始图像进行数据增强以制作清晰图像数据集;然后,通过实验验证确定最接近真实天文退化模式的模糊核制作方法;接着,通过实验选择合适的模糊核大小与噪声,从而构建与清晰图对应的模糊图像;最后,经过以上步骤可以构建复杂天文图像数据集。 2、设计了基于自编码结构的带有特征校正模块的天文图像复原网络ARNet。该网络分为特征提取、特征校正和图像生成三个模块。特征提取模块通过卷积操作和下采样操作对输入图像进行特征提取,特征校正模块用于校正从特征提取模块中提取到的带有噪声和模糊信息的特征,图像生成模块通过上采样操作和卷积操作进一步去除图像的模糊信息和噪声信息,得到复原图像,实验结果表明ARNet在复杂天文图像去模糊去噪方面从主观和客观评估上相较于其他经典复原网络具有明显的优势。其中SSIM和PSNR指标平均高出0.114和9.529d B。 3、设计了波长自适应的天文图像复原网络WARNet。WARNet在ARNet的网络结构基础上设计了一种波长损失函数,将图像的波长特征通过分类网络提取出来并进行损失计算。除此之外,WARNet还将特征提取的全卷积模块替换为Transformer与卷积相结合的GRL模块,从而更加有效的提取图像的波长信息。经过实验验证,加入波长损失后的WARNet比ARNet性能要更加优越,其中SSIM和PSNR相较于ARNet网络分别提高了0.0104和1.2dB。

关键词： 深度神经网络   类增量场景   在线持续学习   灾难性遗忘  

摘要： 当前,深度神经网络模型在许多任务,特别是分类任务中具有显著的应用优势。然而,它不具备像人类一样能够持续不断地学习的能力。这是因为深度神经网络的学习方式通常是静态的,训练好的模型通常无法适应新的环境。同时,现有的模型更新方法在效率和性能方面存在明显的局限性。因此,持续学习作为一种高级机器学习范式被提出,用于实现深度神经网络的有效动态更新。 现有持续学习的研究大多集中在离线持续学习,仅有少部分聚焦于在线持续学习。离线持续学习通常涉及离散的数据批次,即模型在离线状态下多次训练新数据以实现更新;而在线持续学习则考虑的是连续数据流,即模型在线上部署时对新数据进行单次训练以适应新知识。显然,在线持续学习的研究更符合实际应用场景。在线持续学习的研究目标是实现模型能适应不断变化和分布漂移的数据流,同时能够尽量避灾难性遗忘的发生。本文以面向类增量场景的在线持续学习方法为题,并针对遗忘现象在模型的logits编码空间和特征编码空间中表现出的问题开展研究。logits编码指的是样本在模型分类器上的输出,而特征编码指的是样本在模型特征抽取器上的输出。主要研究内容如下: (1)针对在允许存储额外样本的条件下logits编码空间中的预测偏差问题,本文提出了一种基于锚点辅助经验回放的在线持续学习方法,用以显式地纠正偏差。本文通过分析发现,现有方法使用硬标签进行样本分类不利于解决偏差问题。因此,该方法首先挑选每个类别中交叉熵损失函数值最小的样本作为该类别的锚点,该锚点可以作为当前类别的软标签以替代硬标签。然后,该方法基于锚点设计了两个组件来应对不可避免的漂移事件。漂移事件是指旧类别的logits编码从靠近旧类别分类中心的位置移动到靠近新类别分类中心的位置。第一个叫基于锚点的漂移阻止策略,通过在训练过程中使用锚点以阻止一部分漂移,同时促使同一类别的样本在logits编码空间中的编码更加集中。第二个叫基于锚点的漂移补偿策略,主要包含前向补偿和后向补偿两种机制,且二者可以结合使用。实验结果显示,该方法的性能相较于最好的基线方法提高了1%。这表明该方法能有效应对漂移事件,从而解决偏差问题并显著地提升性能。 (2)针对在禁止存储额外样本的条件下logits编码空间中的预测偏差问题,本文提出了一种基于无偏经验回放的在线持续学习方法,用以隐式地纠正偏差。本文通过分析发现,现有方法在学习新类别和回放旧类别样本时采用相同的logits编码不利于解决偏差问题。因此,该方法将常见的点积logits编码分解为范数因子和角度因子。其中,角度因子包含类间特征,能够单独作为余弦logits用于拟合新知识;范数因子象征类内特征,有益于旧知识的记忆。该方法采用余弦logits编码学习新类别样本,以确保模型的泛化能力;同时,采用点积logits编码回放旧类别样本,目的是使用角度因子回放旧类别样本时使用范数因子纠正分类器出现的偏差。最后,该方法设置了一个超参数用于控制纠正的力度。实验结果显示,该方法的总体性能超过了现有方法。这表明该方法简单有效,能够同时满足在线持续学习问题的实时性、可扩展性和可调节性需求。 (3)针对较大的特征编码空间中的特征转移问题,本文提出了一种基于特征子空间优化与经验回放的在线持续学习方法,用以显式地避免转移。本文通过分析发现现有方法在学习新类别和回放旧类别样本时采用相同的特征编码空间不利于解决转移问题。因此,该方法将整个特征编码空间划分为多个特征子空间,其中每个子空间用于学习每个子任务的新类别样本。与此同时,用一个由所有已经优化过的特征子空间组成的累积特征空间来回放旧类别样本。由于学习新类别样本所需要的特征并不多,因此只需要特征子空间即可捕捉其中的新知识;相反,回放旧类别样本所需要的特征较多,且随着类别数量的增加而增加,所以该过程需要用到较大的特征编码空间。而且,用较大的特征编码空间进行回放可以有效避免特征转移的问题。实验结果显示,该方法总体性能超过了现有方法。这表明了该方法的合理性和有效性。 (4)针对较小的特征编码空间中的特征转移问题,本文提出了一种基于完整代理对比经验回放的在线持续学习方法,用以隐式地避免转移。本文通过分析发现现有基于代理的回放方式对于锚点-代理对的选择方案不利于避免转移问题。因此,该方法将基于对比的回放方式中锚点-样本对的选择方案用于基于代理的回放方式中,将两种回放方式进行融合得到该方法的一个简化版本。在此基础上,该方法的对比组件选择性地保留了对比损失的原始锚点-样本对以提供更精细的语义信息。接着,该方法的温度组件对原始温度系数进行解耦,并将部分静态常数转换为动态函数以提高模型的泛化能力。最后,该方法的蒸馏组件则以进一步提高模型的抗遗忘能力。实验结果显示,该方法的性能相较于最好的基线方法提高了2%。这表明了该方法的先进性和鲁棒性。 总

摘要： “问学课堂”基于问题化学习的理念与实践发展而来，其特征是教师通过创设问题情境，启发学生对问题进行有层次、系统性、可扩展的提炼与思考，在学习全过程中整合相关知识，开展深度学习。这一课堂模式能够促进问题的自主解决，使学生不断获得结构化的知识、综合性的方法和学科性思想。

关键词： 主题意义探究   三维语法理论   初中英语   被动语态  

摘要： 语法教学是英语教学的重要内容。《普通高中英语课程标准(2017年版2020年修订)》指出,语法教学的目标是“在语境中有效地运用语法知识来理解和表达意义”,因此,教师应基于“形式—意义—使用”的三维动态语法观,引导学生在主题意义探究中学习目标语法项目。《义务教育英语课程标准(2022版)》中也强调教师要明确主题意义,建立语言特点与主题意义的关联。由此可见,基于三维语法理论的主题意义探究法已经成为当今中学英语语法教学的重要方法,但实际的教学并不尽如人意。虽然学习语法既要学习语言的形式,更要学习语言的意义已经逐渐成为共识,但由于教师普遍缺乏统一连贯的主题意识,不能根据语法教学的主题来整合并补充语篇,因此,即使教学的内容囊括了目标语法的形式、意义和使用条件,实际上学生仍是在孤立的情境下反复操练。本研究旨在探究基于三维语法理论的主题意义探究法对初中生“一般现在时和一般过去时的被动语态”学习的影响,包括对被动语态的形式、意义和使用三个维度学习的影响。 主要研究问题如下: 1.基于三维语法理论的主题意义探究法对初中生被动语态的学习有何影响? 2.基于三维语法理论的主题意义探究法对高、中、低水平初中生被动语态学习的影响有何差异? 本研究采用定量和定性研究相结合的方法,以76名来自苏州市某初中二年级两个平行班的学生为研究对象,其中控制班和实验班各38人。实验前,对控制班学生和实验班学生展开前测,结果表明这两个班学生的语法水平没有显著差异。实验中,教师在控制班使用传统的语法翻译法进行教学,而在实验班使用基于三维语法理论的主题意义探究法进行教学。在被动语态的教学实验开始之前,研究者还采用了同样的方法分别对两个班进行了两个课时的语法教学,教学内容与被动语态无关,其教学结果也不做统计分析。目的仅在于使各班学生熟悉各自的教学法,提高被动语态教学实验结果的可信度。实验后,对这两个班的学生进行了一次后测,探究基于三维语法理论的主题意义探究法对学生学习被动语态的影响。另外,研究者从实验班中随机选取五名高水平学生、五名中水平学生和五名低水平学生进行半结构化访谈并录音,录音内容转化成文本以便进一步的定性分析。 研究的主要发现有:(1)与语法翻译法相比,基于三维语法理论的主题意义探究法对初中生学习被动语态有着更显著的影响,尤其有利于初中生学习被动语态的意义。具体来说,就被动语态的形式维度而言,实验班和控制班之间并没有显著差异。就被动语态的意义维度而言,实验班和控制班之间存在显著差异。而就被动语态的使用维度而言,实验班和控制班之间不存在显著差异。此外,比较两个班之间的平均分可以发现,实验班的学生在形式、意义、使用维度都表现出比控制班更好的成绩。 (2)基于三维语法理论的主题意义探究法对高水平和中水平学生的被动语态学习有显著的影响,但对低水平学生的效果不如其他两类学生那样好。尤其在形式维度和意义维度方面,高水平学生和中水平学生之间并没有显著差异,这意味着中水平学生能和高水平学生表现得一样出色,因此,基于三维语法理论的主题意义探究法对中水平学生学习被动语态的形式和意义来说非常有效。在使用维度上,基于三维语法理论的主题意义探究法对高水平和中水平学生有积极作用,但由于作文评价的标准是多维的,因此,中水平学生的总体写作成绩并没有明显提高。另外,在访谈中研究者发现,虽然基于三维语法理论的主题意义探究法一定程度上引起了低水平学生学习语法的兴趣,但相比于语法翻译法来说,长篇的阅读和自主性较强的活动会给他们带来困扰。因此他们更倾向于直截了当的语法学习方式,同时辅以适当的情境活动以调动他们的积极性。 基于以上结论,本研究对英语语法教学有以下启示:首先,教师应勇于挑战自我,在语法教学中使用基于三维语法理论的主题意义探究法,将语法教学与价值观塑造相结合。其次,教师应整合不同类型的语法练习和活动,辩证地看待机械练习和交际性活动在语法学习中的作用。再次,教师应客观、科学地使用语法翻译法,根据情况将其与其他语法教学方法相结合,使它们在不同的教学阶段发挥各自的优势。最后,教师在进行语法教学时应考虑到高、中、低水平学生不同的能力,根据学生的水平灵活运用教学法。