摘要： 为了探索问题为基础的学习（PBL）方法应用于医学诊断学领域中的具体成效，文章融合了案例分析和实证研究量两种方法，探讨了PBL在提升医学生的临床思维、促进实践能力方面的具体表现。研究发现，采用PBL教学法，可以帮助学生形成更强的临床思维能力，增强他们的决策能力，在团队合作中发挥更独特的价值。除此之外，PBL还可以激发学生的批判性思考能力，使学生具备自主学习的技能，在面对复杂的诊断问题时，他们可以凭借自己的能力独立地解决问题。由此可见，在现代医学教育中，PBL具有较强的应用潜力，未来应加强对该方法的推广。

关键词： 多标记学习   偏多标记学习   三支决策   标记相关性   特征选择  

摘要： 多标记学习是一种机器学习范式,它处理的分类任务中允许每个实例同时拥有多个标记。传统的多标记学习方法通常假设每个训练示例的所有相关标记均已经被准确地标注了。但是,在实际应用中,由于潜在的不可靠标注者存在,这一假设往往难以成立。相反,标注者通常只能为每个示例提供一组候选标记,其中既包含相关的标记,也包含不相关的标记。这种包含噪声标记数据的多标记学习问题被称为偏多标记学习。与需要精准标注的多标记学习相比,偏多标记学习更贴近实际应用的场景。如何利用这种含有噪声标记的数据建立有效的学习模型,是当前该领域的一个重要议题。针对这一问题,本文对偏多标记学习进行了深入的研究,主要做了以下两项创新性的工作: 1.提出基于非消岐策略的偏多标记学习方法(PML-TT)。为了缓解在消岐过程中由噪声标记引起的误差积累问题,本方法通过借助三元训练(Tri-training)框架,利用了分类器之间的相互协作和迭代,以修正噪声标记并提高学习模型的性能。此外,本方法采用了三支决策来解决基分类器的冲突问题,从而获得更多更有用的训练样本。另外,本方法还利用了非候选标记的精确监督信息,以使基分类器的预测更加准确。最后,为了验证所提出的方法的有效性,本方法在14个合成和真实的偏多标记数据集上,与六个具有代表性的偏多标记学习方法进行了对比实验。基于六个被广泛采用的评价指标,实验结果表明,所提出的方法在偏多标记数据的学习上达到了较好的效果。 2.提出基于消岐策略的偏多标记学习方法(PML-GR)。为了避免学习模型学得错误的标记,本方法提出一个新的建模视角。具体地,在第一阶段,我们构建了一个粒球,基于粒球计算了核心集,然后设计了一个特征重要性评价函数,给核心集中的每个特征分配权重,从而得到了偏多标记学习器的特征重要性的排序;在第二阶段,通过选定的特征,构建了一个基于融合策略的目标函数,通过考虑全局样本相似性和局部标记相关性的联合效应,计算了标记置信度。最后,通过将多输出回归器拟合到标记置信度上,学习到一个多标记预测模型。实验结果表明,所提出的方法通过有效的特征选择和相关性融合优化,实现了有竞争力的泛化性能,可以更加关注具有区分性的特征,并在训练过程中缓解噪声标记的影响。

关键词： 深度度量学习   困难样本生成   多类N元组损失   代数计算  

摘要： 现有深度度量学习方法通过构造困难样本生成方法指导模型高效训练，基于代数计算的困难样本生成方法具有简单、高效的优势。然而这类方法缺乏对数据整体分布的考虑，导致生成的样本随机性较强、模型收敛缓慢。针对该问题，将三元组中的正样本以其所属的类中心为轴，旋转至锚点与该类中心连线的反向延长线上，提出一种基于样本旋转的困难样本生成方法，给出了一种新的损失函数，构建了一种基于样本旋转的生成困难样本的深度度量学习模型（RHS-DML），有效提升了模型的训练效率。在Cars196,CUB200-2011以及Stanford Online Products数据集上进行了图像检索的实验，与代数计算方法中对称生成样本方法进行了比较，结果表明，本文提出算法的检索性能相较于对称样本生成方法，在三个数据集上分别高出2.4%,0.7%,1.4%。

关键词： Tau蛋白   分子动力学   马尔可夫状态模型   深度学习  

摘要： Tau蛋白是一种存在于人脑和骨骼肌中的内在无序蛋白，其错误折叠和聚集会引起多种神经退行性疾病，例如阿尔兹海默症、进行性核上性麻痹、皮克病等。因此深入探究理解Tau蛋白折叠机制，针对性的稳定Tau蛋白是一种预防Tau蛋白病的有效途径。现有的研究工作中Tau蛋白晶体构象不齐全，蛋白采样构象不充分，模拟时间尺度不长久，机器学习方法应用不深入。本文以Tau蛋白关键片段K18分子为切入点，创新性的利用AlphaFold进行分子建模，利用加速分子动力学模拟探索广泛的分子构象，利用分子动力学模拟方法大规模模拟K18构象变化，利用马尔可夫状态模型建模方法深入探究了K18分子的折叠机制。主要工作如下：　　（1）开展了Tau蛋白关键区域K18的动力学行为研究。当前PDB数据库中没有K18分子的晶体结构数据。本文基于AlphaFold蛋白质数据库构建了K18分子结构并封端饱和，开展加速分子动力学模拟使得体系能够更快的越过自由能势垒，进而对K18分子进行广泛的采样，模拟轨迹在最后的200ns收敛且采样充分。基于采样结果，利用RMSD方法筛选出100个构象各异的K18分子，筛选出的分子使用常规分子动力学模拟方法独立模拟。模拟结果表明，K18整体结构以无序构象为主，分子形成螺旋结构的概率大于形成折叠结构的概率。残基251-259，263-268，313-320和346-351有较高的形成螺旋结构的倾向，而残基300-310和319-336有较高的形成折叠结构的倾向。此外，K18分子内部存在大量的残基协同关系，单独六肽片段PHF缺乏独立诱导K18聚集的能力。　　（2）开展了基于PyEMMA的马尔可夫状态模型构建。基于VAMP-2交叉验证分数结果，从（1）中的常规分子动力学模拟轨迹中提取二面角特征。使用TICA方法将特征数据投射到低维度集合变量上，之后分别利用K-means方法、PCCA+方法完成微观状态和宏观状态的聚类。最后，结合DSSP、残基接触图等轨迹分析方法，利用TPT及MFPT方法深入了解宏观状态之间的转换关系。结果表明，由残基V309-P312、D295-N296、D358-N359和S255-N256参与形成的二面角对K18轨迹影响较大，五个宏观状态的主要转移路径有两条：M1/M2→M3→M5和M1/M2→M3→M4→M5。这两条转移路径也帮助本文将这五个宏观状态进一步分为了三部分，即起始态（M1和M2）、过渡态（M3和M4）和最终态（M5）。　　（3）开展了基于深度学习方法的马尔可夫状态模型构建。将轨迹二面角数据输入至VAMPnet模型中，训练模型最大化VAMP分数并直接获得马尔可夫状态模型的输出结果，该方法避免了基于化学经验的方法选择和参数选择问题，简化了马尔可夫状态模型的构建流程。VAMPnet输出的树状图结果表明状态数选择等于5时，模型准确性和可解释性最高，而模型的动力学网络也与基于PyEMMA的马尔可夫状态模型相似性极高，凸显出了VAMPnet的优势。构建iVAMPnet模型探究K18分子拆分成为子系统的可能性。体系在子系统为4的设定下将不同重复片段结构域的氨基酸划分在同一个子系统中，后续的隐含时间尺度图也无法在该设置下收敛。由此可以看出，K18分子内部存在有大量的耦合协同关系，需要从整体的宏观的角度来看待K18分子的折叠情况。　　综上所述，本论文从原子水平探究了Tau蛋白关键片段K18的单体构象和折叠机制。有助于理解神经退行性疾病的发生机制，并为开发改造相关治疗药物提供理论指导。

关键词： 图像篡改检测   篡改区域定位   注意力机制   密集空洞卷积模块   高频特征提取  

摘要： 数字图像处理技术的普及使图像编辑软件在社会的各个领域中被广泛应用。尽管人们可以轻而易举地修改出想要的图像,但篡改图像的不正当使用会带来恶劣影响。对于图像篡改检测技术的研究在司法、新闻、网信等多个领域变得尤为重要。随着人工智能的快速发展,基于深度学习的图像篡改检测方法取得了令人满意的结果。然而,在分析相关研究后,本文针对现有方法存在的问题,提出了两种基于深度学习的图像篡改检测与定位算法。现有方法存在问题的具体描述以及本文的创新点包括以下几方面: (1)现有基于深度学习的图像篡改检测技术大多依赖于连续卷积构成的深层网络。然而,这种结构容易造成篡改信息丢失以及被篡改区域定位模糊。针对该问题,本文提出了基于密集空洞卷积的图像篡改检测与定位算法,命名为AT-DDCNet。为了尽可能地减少篡改信息的丢失,本文提出了一种密集空洞卷积模块。它能够扩大卷积层的感受野并增强卷积层之间的信息流,尽可能地保留图像中的篡改信息。为了准确定位到图像被篡改区域,AT-DDCNet引入了通道空间注意力机制。它通过结合图像空间维度和通道维度的权重信息引导网络有倾向性地学习篡改区域的细微伪影,以提高定位精度。经过实验结果证明,该算法能够提高篡改检测精度和篡改区域像素级定位性能。 (2)现有方法通常利用卷积运算提取图像的空域特征,忽略了捕捉在篡改区域具有显著变化的频域特征,导致难以充分获取的篡改区域纹理变化信息。为了解决该问题,本文以AT-DDCNet为基础,提出了一种结合空域和频域信息的篡改图像检测与定位算法,命名为TB-DDCNet。该算法利用小波变换分解和提取图像的高频信息并增强、重构,重构后的图像经过特征提取网络的学习,与AT-DDCNet提取到的空域特征融合,补充从空域中无法提取到的纹理信息。同时,在DANet双注意力机制中引入像素值连续性,它能够抑制平滑纹理区域的特征表达,增强网络对于纹理变化明显区域的关注程度。通过大量算法对比实验证明本算法能够提高篡改检测精度和篡改区域像素级定位性能。 (3)本文研究了TB-DDCNet模型在边缘计算平台的部署与训练问题,进一步验证了该算法的可实施性,推动了图像篡改检测算法在边缘计算平台的应用。实验表明,提出的TB-DDCNet算法具备向NVIDIA Jetson AGX Orin开发者套件上的移植能力,并且拥有优良的篡改检测精度和篡改区域定位能力,具备良好的实用价值。

关键词： 电磁对抗   多智能体强化学习   注意力机制   图神经网络   顺序决策  

摘要： 电磁对抗是指通过电磁侦察及干扰,对敌方电磁对抗体系造成破坏,进而打击敌方力量的各种电磁措施和行动。随着电磁对抗体系中的无人智能单位占比逐渐提高,使用多智能体强化学习方法训练这些单位的行动策略成为一个重要趋势。然而,电磁对抗对当前的多智能体强化学习研究提出了一些挑战。一方面,现有的多智能体强化学习方法不能满足电磁对抗无人智能单位之间进行充分的通信与侦察信息交换的需求;另一方面,由于电磁对抗无人智能单位能够执行多种任务,其联合动作空间的维度也将高于传统多智能体系统,从而导致训练方法的效率下降。本文针对以上问题,开展面向电磁对抗的多智能体强化学习方法研究,主要工作内容如下: (1)针对电磁对抗智能体间缺乏有效通信机制与观测信息共享方式的问题,本文提出了一种基于图神经网络的多智能体观测协作方法。该方法包括两个关键组成部分:首先,通过基于硬性注意力的有效智能体选择机制选择具有实际合作关系的智能体,并在图结构中连接它们,形成智能体观测协作图。其次,通过基于图注意力的观测特征提取机制,计算智能体之间协作关系的重要程度,实现观测信息的聚合,提取深层特征。在SMAC与Ma CA两种多智能体协同对抗环境中进行实验的结果表明,本方法为智能体提供了有效的观测信息通信与聚合手段,较好地提升了多智能体强化学习方法的训练效果。 (2)针对电磁对抗智能体联合动作空间过大对多智能体强化学习方法训练效率产生影响的具体问题,本文基于多智能体优势分解定理证明了智能体可以进行动作的顺序决策,并提出了多智能体的顺序决策模式,以此为基础设计了多智能体动作解码器,进而提出了一种融合顺序决策与图观测协作的多智能体强化学习方法。在SMAC与Ma CA环境中的实验结果表明,本方法具有较好的收敛性能,在训练中通过培养智能体的合作意识能够形成良好策略,适合进行电磁对抗智能体的仿真对抗训练,同时还有一定的泛化性能。在电磁对抗单位支持集中决策的场景下,本方法有着较高的应用价值。之后,通过在基于UE4的自研电磁对抗仿真训练平台内进行训练,验证了本文提出的方法对电磁对抗智能体仿真训练的支撑能力。