摘要： 《义务教育数学课程标准（2022年版）》，明确提到：“推进综合学习。整体理解与把握学习目标，注重知识学习与价值教育有机融合，发挥每一个教学活动多方面的育人价值。”综合与实践是小学数学学习的重要领域，旨在从真实情境中问题出发，设计跨学科主题学习活动，引导学生综合运用各学科知识解决实际问题，促进学生综合素养的不断提升。虽然许多教师尝试融合跨学科内容，但大多偏知识讲解为主，常忽略学生在实践中的体验和感受，一定程度上影响学习和实践效果。项目式学习更突出学生主体地位，更关注学生主动学习、自主与合作解决问题的过程体验，更有

关键词： 高维不完备无向带权网络   对称非负隐特征分析   对称约束  

摘要： 在大数据应用场景下,实体之间的关系通常是高维并且稀疏的,并且随着信息的爆炸增长,这种高维性和稀疏性还在不断增大,这样实体之间的关系通常被称为高维稀疏网络。这样的网络往往还具有无向带权的特性,称作高维不完备无向带权网络,如社交网络、蛋白质之间的相互作用等。值得一提的是,这种网络由于自身特性往往还带有非负性。根据这种网络的特性,可以用对称高维不完备矩阵去描述它。因此,这种矩阵通常具有对称、高维、数据密度低和非负这几种性质。尽管这种矩阵非常的稀疏,但蕴含了十分丰富的知识,许多研究人员都在探索如何从对称高维不完备矩阵中挖掘潜在信息。从高维不完备矩阵中挖掘信息的方式有很多,而隐特征分析模型是最具发展前景的模型之一。但隐特征分析模型并没有考虑这种网络最重要的特性,即对称性。融合对称约束的方式按隐特征矩阵的不同可以分为强对称约束和弱对称约束,更具体地来说,前者通过采用单一的隐特征矩阵来构建原始矩阵,而后者采用多个隐特征矩阵来描述其原始矩阵。由于信息的爆炸增长,对称高维不完备矩阵的数据规模也在不断增大。因此,如何从日益增长的数据规模中更好地挖掘其潜在信息,提高模型的学习能力成为了重要问题。对此,本文将聚焦于提高模型的训练效率和学习表示能力,探索以对称约束为基础的多种非负约束模型。本文的研究与贡献如下: (1)提出了一种无约束对称非负隐特征分析模型。该模型通过非负映射函数保证隐特征矩阵的非负性,将输出的隐特征矩阵与决策参数分离,从而避免潜在信息的损失,提高模型的预测精度。 (2)提出了一种近端对称非负隐特征分析模型。该模型构建了一个包含近端项的、对称感知的、以及以数据密度为导向的学习目标,设计了一种基于交替方向乘子法的优化方法,同时保证了隐特征的非负性,实现了模型的高表征学习能力。 (3)提出了一种基于弱对称多约束的对称非负隐特征模型。该模型在隐特征分析模型的基础上,通过引入多个隐特征矩阵,构建它们之间的约束关系,从而构建了一个以数据密度为导向的目标函数,然后使用交替方向乘子法去求解这种多约束模型。相较于强对称约束,这种弱约束方式能够揭示对称矩阵中更深层次的信息,拓宽了特征空间,从而取得了较高的预测精度。 (4)在多个由真实的蛋白质与工业数据集所得到的对称高维不完备矩阵上进行实验,通过对比分析发现,本文所提出的三个模型在与其他模型的对比中均取得了较高的预测精度和较快的收敛速度。

关键词： 噪声标签   知识蒸馏   标签校正   图像分类   样本重加权  

摘要： 深度学习的快速发展,得益于大规模数据集的不断扩充、算力的显著提升以及深度神经网络结构的持续创新。这些因素的共同作用,促使深度学习在图像分类、目标检测等计算机视觉任务上均取得了显著进展。然而,深度神经网络的训练需要大量高质量的标签数据,而高质量标签数据的收集成本高昂。在实际应用中通常会通过网络搜索、众包等方式获取数据样本。但通过这些方式收集的数据不可避免地会引入含有噪声标签的样本数据,而深度神经网络在训练过程中会不断学习并记忆这些噪声标签,从而产生过拟合现象。此外,参数量过大的深度神经网络不利于在边缘设备上高效部署,进而限制了模型在真实场景中的应用。本文针对图像分类任务,围绕如何在噪声标签数据环境下稳定训练深度神经网络并降低模型复杂度以适应边缘计算环境这样一个问题展开研究,本文具体研究内容如下。 (1)本文提出了一种基于在线蒸馏的元噪声标签学习方法。通过标签校正模型(教师模型)生成的元伪标签指导轻量化模型(学生模型)训练,并设计了一种元学习反馈机制实现了师生模型之间的联合优化,从而提高元伪标签的质量,并有效增强了轻量化模型的鲁棒性。 (2)本文提出了一种基于浅层网络预测的元标签校正方法,同时采用自蒸馏与样本重加权策略对标签校正模型进行优化。该方法旨在利用自蒸馏与元标签校正策略使模型具备更强的轻量化特性与鲁棒性,从而增强模型对真实数据的适应能力。 (3)基于上述工作,本文从数据层面出发提出一种集成标签校正方法。该方法旨在使模型能够生成接近真实数据分布特征的集成标签,从而提升模型在实际应用中的适应能力和泛化性能。该方法相较于元学习的两阶段优化方法,简化了模型训练过程,降低了训练的复杂度,并提升了训练效率。 上述三个创新点从模型、数据以及训练方式的角度对深度神经网络的噪声标签学习进行了优化和改进。本文引入知识蒸馏策略对模型结构进行优化,并结合标签校正方法提升数据质量。同时优化了模型的训练方式,从而增强了模型鲁棒性以及训练效率,使其更加适用于各种实际应用。这些方法有效解决了模型难以在噪声标签数据环境下稳定训练的问题,并降低了模型复杂度,使其更好地适应边缘计算环境。大量实验证明,本文提出的基于知识蒸馏的噪声标签学习方法在人工噪声数据集和真实噪声数据集上能够精确地校正原始噪声标签,与先进的方法相比具有实质性的改进。

关键词： 联邦学习   个性化   参数解耦   相似度度量   数据异构性  

摘要： 联邦学习作为一种具有隐私保护特性的分布式机器学习范式,在近些年受到学术界和工业界的广泛关注。然而,由于数据异构性的存在,传统联邦学习方法训练得到的单一全局模型在数据间呈非独立同分布的客户端上收敛困难且表现不佳。因此,个性化联邦学习被提出以应对这一挑战,其旨在以联邦的方式为每个客户端定制能在本地数据上具有良好性能的个性化模型。 将模型参数解耦为可共享的主体部分和私有头部的训练策略作为实现个性化联邦学习的主流方法之一,允许所有客户端协作训练模型主体部分以提高模型对数据通用信息的表征能力,而将模型头部留作本地更新以实现个性化。然而,传统的基于参数解耦的个性化联邦学习方法通常将个性化过程限制在数据样本有限的单个客户端本地,忽略了具有相似数据分布的客户端之间的协作带来的性能增益,因此,模型个性化性能仍有较大提升空间。针对上述问题与机遇,本文给出了两种基于参数解耦的模型个性化训练方案,具体如下: (1)针对现有的基于参数解耦的个性化联邦学习方法缺乏对相似客户端之间进行协作学习的认知能力的问题,本文提出了基于相似度认知的个性化联邦部分适应算法CFPA,旨在以一种安全且高效的方式充分挖掘并利用相似客户端之间的协作潜能,通过软分组加权聚合(SWA)策略提高模型的个性化性能。具体地,CFPA将模型参数解耦为主体部分和头部,并要求所有客户端使用一个随机初始化的固定头部,协作训练得到一个联邦预个性化模型。然后,通过从卷积层输出特征图中提取的能表征本地数据分布情况的分布知识,有效度量客户端之间的相似性。与需要依据经验设置聚类阈值或簇数的显式聚簇策略不同,CFPA最终在相似度矩阵的指导下,以加权联邦适应的方式为每个客户端学习个性化模型。本文通过与经典联邦学习方法进行对比以及消融实验,验证了CFPA在性能上的优越性以及框架内各模块的有效性。 (2)在已提出的解决方案的基础上,考虑到在服务器上聚合模型参数时,除客户端数据量外,客户端局部模型不同组件内的层级关系等其他重要属性对模型性能的影响,本文提出基于分层软注意力机制的个性化联邦学习算法p Fed LSA,针对模型的主体部分和头部分别引入分层软注意力机制(LAM)进行细粒度组件内层级聚合,为每个客户端学习个性化模型。具体地,p Fed LSA权衡了客户端样本数量与局部模型主体部分对全局模型主体部分的层级贡献,聚合得到对数据通用信息具有更强表征能力的主体部分,并充分利用相似客户端之间的协作对客户端模型头部进行分层加权联邦适应,从而为每个客户端生成个性化模型头部。此外,p Fed LSA通过在服务器端维护层级个性化模型头部字典的方式,高效地解决了新来客户端的冷启动问题。最后,本文通过与其他先进的联邦学习方法进行对比以及消融实验,验证了p Fed LSA的优越性与有效性。

摘要： 中国共产党成立一百多年来，团结带领中国人民攻坚克难，砥砺奋斗，创造了一个又一个人类历史上的奇迹，党的历史既是国家富强、民族进步、人民幸福的可贵见证，也是在新的历史条件下描绘新蓝图、取得新成就、夺取新胜利的宝贵经验。中共中央印发的《党史学习教育工作条例》指出，推进大中小学思想政治教育一体化建设，推动党史进教材、进课堂、进头脑，发挥党史立德树人的重要作用。

关键词： 配电系统状态估计   伪量测建模   抗差状态估计   多区域状态估计  

摘要： 随着分布式发电的广泛安装和需求响应计划的实施,配电系统已发展成为一个活跃的市场实体。高性能的状态估计可为能量管理系统任务提供准确可靠的系统状态数据。与输电系统不同,配电系统状态估计任务的特点包括相对较差的可观察性、复杂多变的拓扑结构以及不准确的物理模型参数。此外,分布式能源的整合显著增加了配电系统中的不确定性,并使配电系统状态估计任务进一步复杂化。本文围绕配电网状态估计展开相关研究,主要研究内容分为三部分。 首先,量测信息少,量测精度不足是影响配电网状态估计精度的重要问题之一。由于缺乏足够的投资和技术支持,实际配电网仅有少量的实时量测装置。大量的伪量测被用于提高配电系统状态估计的精度。本文提出了一种节点级别净负荷预测的伪量测建模方法。在澳大利亚一个新能源微网上的仿真实验表明所提出的方法比其他净负荷预测方法有着更好的预测效果。该技术可以提高配电系统的可观性与状态估计的精度。 其次,基于物理模型的传统估计算法依赖于准确的配电网参数,而普通的神经网络模型容易受到异常值与缺失值的干扰。为了解决上述问题,本文提出一种基于深度图学习的配电网抗差状态估计方法。该模型依据物理拓扑知识进行信息传递,并使用注意力机制聚合节点信息,以实现多种拓扑结构下的抗差状态估计任务。通过嵌入物理拓扑知识与注意力机制,并融合深度学习技术,该模型可以学习数据深层次的结构信息,从而掌握多种拓扑的特征映射规律并获取抵抗异常值与干扰的能力。实验证明,该模型在多拓扑数据学习时具有更优的估计精度与抗差能力。相较于普通的参数化模型,该方法具有更强的鲁棒性与可解释性。 最后,为了进一步提高配电系统状态估计模型的可靠性与鲁棒性,本文提出一种分布式的多区域状态估计方法。本文使用基于图注意力的表征网络从历史数据中捕获测量信息之间的结构信息,同时开发了一个集中式预训练和分布式推理框架,以提取重要的全局信息,并将其扩展到各个子区域。然后,本文将图神经网络提取的鲁棒节点特征输入到具有多任务核的高斯过程中,以进行鲁棒的多区域状态估计。此外,高斯过程还提供了量化状态变量不确定性的能力,从而产生更有价值的区间估计结果。实验结果证明了该方法在处理异常数据和准确量化状态变量不确定性方面的有效性。

关键词： 人脸图像驱动   跨身份   数据集   对比学习   去噪扩散模型  

摘要： 人脸图像驱动技术旨在通过驱动人脸视频获取人脸姿态变化和表情变化信息,以此运动信息对源人脸图像进行驱动,使静态的图像动起来,生成具有驱动人脸视频运动信息以及源人脸图像身份信息的图像或者视频。目前已大量应用于社交领域,丰富人们的社交方式和内容。 从目前人脸驱动领域的进展来看。首先,针对人脸驱动网络在跨身份场景下的性能评估,目前仅通过视频生成质量相关的客观指标对生成结果进行评价,缺乏与运动迁移质量相关的评估方法;其次,如果驱动人脸图像和源人脸图像在身份信息上具有较大差异,得到的生成人脸与源人脸在身份保持一致性上的表现往往不太理想。 无法对人脸驱动网络在跨身份场景下的性能进行有效评估的原因在于,现实中并不存在不同人脸但具有相同运动的对照视频,即生成结果不存在真实的对照,所以无法对生成结果进行运动迁移相关的客观指标计算;其次,经过大量实验可以发现,在源人脸和驱动人脸在身份信息上存在较大差异时,生成人脸不仅具有驱动人脸的姿态变化和表情变化信息,其中也掺杂了驱动人脸的身份信息,研究分析可知,造成这种现象的主要原因是因为人脸驱动网络在特征提取阶段对人脸图像的身份信息和运动信息解耦不彻底,即从驱动人脸提取的运动信息中掺杂有其身份信息。 综上所述,本文通过游戏引擎驱动高仿真3D人物模型后进行渲染制作了跨身份场景下人脸驱动质量评估数据集MHD(Metahuman Dataset)以解决人脸网络网络在跨身份场景下无法进行全方位性能评估的问题;其次,本文针对人脸驱动网络在跨身份场景下的应用提出了基于对比学习的运动信息解耦算法,设计了新的方法通过时域差异构建对比学习所需的正样本对和负样本对,在模型训练阶段引入对比学习约束模型能更充分地解耦身份信息与运动信息;最后,基于去噪扩散模型提出了身份信息修正网络针对生成结果中的人脸轮廓做进一步修饰,该去噪扩散模型以生成人脸图像和源人脸图像轮廓信息作为去噪扩散模型的去噪引导信息。

关键词： 大单元教学   类比学习   策略  

摘要： 在大单元教学视角下，初中数学教师使用类比学习法，带领学生对数学概念进行学习，对于提高学生的综合学习品质和效率具备显著功效。教师在该过程中可引进多元化的类比策略，构建一个完善的类比教学流程，通过确定大单元整体目标，明确大单元中的类比教学内容、方法，并且对概念进行整理梳理，使学生在学习过程中能够不断丰富、完善自身的知识面，从而提高学生的综合学习水平。

摘要： 被驯服的“小绵羊”学习自主感，是指对学习的自我决定感，即自己能够对于学不学、学什么、怎么学、何时学、在哪学做出决定，而不是完全听命于教师或家长。孩子的自主动机是一个综合性概念，包含内部动机与认同调节、整合调节两类外部动机。其中，内部动机源于对某项活动本身的兴趣和需要，可以让他们在活动中产生愉悦感，甚至将其视为一种享受；认同调节指他们开始认同某项活动的价值，并愿意为之付诸行动；整合调节指他们在充分认同该活动价值的基础上，将其内化为自我的习惯性部分。