关键词： 调解成功率   调解员   在线调解   计算法学   智慧司法  

摘要： 本文对H省“人民法院调解平台”1542名调解员办理的21万件调解案件,采用融合XGBoost算法与SHAP解释框架的机器学习方法,以可视化的方式对调解员身份、学历、性别、经验四个特征与调解成功率的相关关系进行分析。结果表明:在该模型中,调解员的身份对调解成功率的影响最大,且大多数情况下当调解员身份为行政调解员或法官时,调解员身份会对调解成功率起到正向贡献作用;调解员经验的重要性仅次于调解员身份,但当经验值达到一定数值后,调解成功率不再受调解员经验的显著影响;相较于调解员身份和经验,学历对调解成功率的影响较小,随着学历的提高,其对调解成功率逐渐产生正向贡献,但当学历提高到硕士、博士时,其贡献作用明显减弱甚至出现负值;调解员性别对调解成功率的影响最小,且男性的影响小于女性,调解成功率更容易受到女性调解员的影响。

关键词： 联邦学习   数据不平衡   多方协同   图像分类  

摘要： 联邦学习在保护各方数据隐私的前提下,协同多方共同训练,提高了全局模型的精度。数据的类不平衡问题是联邦学习范式中具有挑战的问题,联邦学习中的数据不平衡问题可分为局部数据不平衡和全局数据不平衡,目前针对全局数据不平衡问题的相关研究较少。文中提出了一种面向全局不平衡问题的基于贡献度的联邦学习方法(CGIFL)。首先,设计了一种基于贡献度的全局判别损失函数,用于调整本地训练过程中的模型优化方向,使模型在训练中给予全局少数类更多的关注,以提高模型的泛化能力;然后,在全局模型更新阶段,设计了一种基于贡献度的动态联邦汇聚策略,优化了各节点的参与权重,更好地平衡了全局模型的更新方向。在MNIST,CIFAR10和CIFAR100这3个数据集上进行实验,实验结果表明了CGIFL在解决全局数据不平衡问题上的有效性。

关键词： 区块链   联邦学习   机器学习   梯度压缩   共识算法   激励机制   隐私保护  

摘要： 针对基于中央服务器的联邦学习存在的梯度泄露、投毒攻击和单点故障问题,设计一种基于联盟链的可信联邦学习方法。在客户端上传梯度前对梯度进行稀疏化,有效降低梯度泄露风险,缓解通信压力;根据参数质量筛选优质梯度进行全局聚合,降低投毒攻击对模型的影响;提出一种基于双因子贡献的区块链共识算法,在有效激励联邦学习客户端参与训练的同时,提高了系统的稳定性。实验结果表明,基于联盟链的可信联邦学习方法抗投毒攻击能力提高了30%,能够有效降低梯度泄露和系统中心化程度,提高了联邦学习的安全性。

关键词： 睡眠呼吸暂停综合征   深度学习   多导睡眠图   生理信号预处理  

摘要： 睡眠呼吸暂停综合征是一种由上气道部分或完全阻塞引起的常见睡眠呼吸系统疾病,易诱发高血压、冠心病等心脑血管疾病,对人们的睡眠质量以及身心健康具有严重影响。近年来,深度学习方法在睡眠呼吸暂停检测中的应用研究受到了越来越多的关注。为推进基于深度学习的睡眠呼吸暂停检测技术的研究发展,论文对当前主流的基于深度学习的睡眠呼吸暂停检测方法进行了系统梳理和总结,介绍了常见的睡眠呼吸暂停检测公开数据集,给出了基于深度学习睡眠呼吸暂停检测方法演化发展过程,综述了近年来深度学习方法在睡眠呼吸暂停检测中的研究进展,分析了典型方法的思路和特点,给出了典型方法的实验比较,最后给出现阶段研究所存在的问题,并对未来研究及发展趋势进行了展望。

关键词： 大单元教学   高中历史教学   深度学习  

摘要： 学科教学必须把培养学生的核心素养摆在第一位。要实现这个目的,就要求教师要掌握好教学的深度和广度,特别是对历史课程来说,通过大单元教学,运用层层递进的方式,来提高学生发现问题和解决问题的能力,从而推动学生的全面发展。

关键词： 财务违规预测   信息质量   结构化主题模型   文本分析   机器学习  

摘要： 现有研究发现引入LDA(latent Dirichlet allocation)主题模型能够提高对公司财务违规的预测效果.为了进一步探讨主体模型中主题因子预测能力的来源,本文以2008—2019年我国3,397家A股上市公司18,220份年度报告为样本,在以往LDA的基础上加入公司、经理、宏观基本面变量作为主题选择变量,加入违规标签作为情景变量,对年报信息质量进行分析并提取高质量和低质量主题因子.本文基于半监督思想的结构化主题模型(structural topic model)的实证结果表明,基于STM的财务违规预测模型优于基于LDA、词频和财务指标的财务违规预测模型,其错误分类成本降低13%以上.进一步研究发现主题因子的预测能力更多地来源于公司规模、年龄、杠杆、固定资产占比等公司特征,而非反映经理特征的有关变量.本文的预测模型不仅能够预测重大违规事件,也能在精确度较高的前提下给出覆盖率较高的违规公司或安全投资标的.本文的研究在实践上对监管机构监测违规公司和投资者构建安全投资标的池具有重要参考价值.

关键词： 集成学习   梯度提升树   汽车保险   风险变量重要性  

摘要： 文章基于决策树及装袋法、随机森林和梯度提升树三种集成学习方法,分别对商业车险和交强险的累积索赔额建立预测模型,通过综合平均误差和稳定性评价指标对比不同模型的预测效果。结果表明,在所有数据集上,梯度提升树模型均有较强的预测能力和较高的稳定性,进一步利用该最优预测模型有效证明了影响不同险种的重要风险变量排序不同,同一风险变量对不同险种的影响效应也不同。

关键词： 多标签学习   标签相关性   特征相关性   关系模型   张量网络  

摘要： 利用关系分类模型,将标签之间的相关性以及特征对标签相关性的影响形式化为分数模型,通过要求模型能够区分真实数据和噪声数据的得分建立了基于张量网络的多标签分类模型.多个数据集上的实验表明,相较于传统多标签学习方法和已有考察标签相关性的多标签学习方法,本文方法在平均精确度和错误率等多标签评价指标上提升近一倍,且拥有更低的计算成本.

关键词： 卒中   机器学习   消化道出血  

摘要： 目的分析缺血性卒中患者(ischemic stroke,IS)在住院期间消化道出血(gastrointestinal bleeding,GIB)的发生情况,基于机器学习(machine learning,ML)方法构建缺血性卒中患者发生消化道出血的风险预测模型。方法以中国卒中中心联盟数据库中新发缺血性卒中患者为研究对象,使用随机欠采样方法处理非平衡数据集,并使用logistic回归、支持向量机(support vector machine,SVM)以及三种集成学习模型随机森林(random forest)、XGBoost和CatBoost来构建预测模型,使用AUC、灵敏度、特异度和Brier分数等指标评价模型预测性能。结果共纳入737786例新发缺血性卒中患者,发生消化道出血5373例(0.73%)。logistic回归、SVM、Random Forest、XGBoost和CatBoost的AUC分别为0.824±0.000、0.672±0.000、0.828±0.000、0.830±0.000、0.830±0.000,Random Forest、XGBoost和CatBoost的AUC优于logistic回归(P<0.01)。logistic回归、SVM、Random Forest、XGBoost和CatBoost的Brier分数分别为0.161±0.000、0.054±0.000、0.154±0.000、0.156±0.000和0.153±0.000,Random Forest、XGBoost和CatBoost的Birer值与logistic回归没有统计学差异(P>0.05)。结论集成学习模型可用于构建缺血性卒中患者发生院内消化道出血的预测模型,且预测性能优于一般logistic回归模型。

关键词： 石板材   表面缺陷   缺陷检测   无监督学习   多尺度特征   半正交嵌入特征   特征学习   马氏距离  

摘要： 石板材表面缺陷检测是一项具有挑战性的任务,尤其对于边缘磕碰、裂缝等细微缺陷,检测难度大。此外,冗余特征的存在会影响训练效果,多尺度特征学习需要进行多维计算,计算复杂度高。针对上述问题,本文提出一种基于无监督学习的石板材表面缺陷检测方法,它能够有效解决该任务存在的问题。首先,对预训练网络提取到的图像多尺度特征,采用正半交嵌入特征降维方式减少冗余特征的影响。然后,通过多过程特征学习降低计算中的时间复杂度,提高训练效率。最后,根据训练模型得出待测图像的局部马氏距离,提高检测性能。相关实验表明,本方法在石板材数据集上的结果优于当前几种先进方法,同时在石板材表面缺陷检测和定位方面证明本方法的有效性。