关键词： 排序学习   近似指标   平均精度   条件生成对抗网络   信息检索  

摘要： 在评估排序学习方法的性能优劣时,常用的信息检索评估指标,如NDCG、ERR和AP,都是基于文档列表位置信息的指标.由于这些指标中的位置信息是离散值,难以直接用于生成对抗网络的训练中,使得基于生成对抗网络的排序学习算法的损失函数未能考虑排序列表中文档的位置信息.针对此问题,本文提出一种基于条件生成对抗网络直接优化近似平均精度AP指标的listwise排序学习算法(APGAN-LTR)以进行精细化训练模型.该方法采用Gumbel-softmax重参数化技巧采样,使用梯度可导的Plackett-Luce模型模拟用户对检索出文档的偏好采样过程,对平均精度AP指标进行近似,并将包含近似位置信息的AP指标融入条件生成对抗网络的损失函数中以被直接优化性能指标,用于挖掘排序列表的位置信息,以期更进一步提升性能.在公共排序学习基准数据集上的实验结果表明:对比基于生成对抗网络的排序学习方法IRGAN-List,本文提出的排序学习方法APGAN-LTR在信息检索指标NDCG,P,AP,NERR上都有明显提升.

关键词： PU学习   漏洞检测   集成学习   得分调整   半监督学习  

摘要： 基于人工智能的漏洞检测方法相比于传统漏洞检测方法减少了对专家经验的依赖并提升了检测效率。通常漏洞检测模型的训练过程需要大量有标记的样本,然而在实际应用中,有标记的漏洞样本的收集较为困难。因此,在仅有少量有标记漏洞样本的条件下,如何有效地利用大量的未标记源码样本以提高漏洞检测模型的训练性能成为漏洞检测领域的重要问题。正类-未标记样本学习(PU Learning)是一种新型半监督学习模式,PU学习能够结合少量正类样本与大量未标记样本对随机森林等模型进行训练,通过对未标记样本的类别评分以产生大量的伪标记训练样本,用于提升模型的训练性能。然而,当部分未标记样本的类别得分在阈值附近时,PU Learning容易产生错误的伪标记。为了实现基于PU Learning的源码漏洞检测,提出了一种集成式PU学习方法PUEVD。PUEVD首先基于PU风险最小化构建随机森林,计算未标记源码样本的类别得分,并筛选出源码样本的典型特征集合;然后在典型特征中随机选择一组代码特征子集;最后在该子集上比较易误分类样本的取值与可信正类/可信负类源码样本的相似度的差异。基于集成学习原理,PUEVD将任意易误分类源码样本x在给定的代码特征子集上计算出的相似度差异当作x在一个弱分类器的分类结果,之后基于x在多组随机选择的特征子集所获得的一组差异值融合调整x的类别得分,进而将样本的类别分值优化到可信的区间内,以降低源码样本被误分类的风险。将PUEVD应用到软件漏洞挖掘过程,实现了少量已标记源码样本条件下的漏洞检测,在标准源码漏洞数据集,CWE399,libtiff,asterisk上的实验结果表明,PUEVD在AUC和F1分数上均优于传统方法,证明了PUEVD方法在漏洞检测应用中的有效性。

关键词： 温室气体排放   地缘政治冲突   全球供应链风险  

摘要： 逆全球化背景下,温室气体排放与地缘政治冲突相互作用使得全球供应链风险进一步复杂化。文章研究了温室气体排放在地缘政治冲突背景下,如何影响中国面临的全球供应链风险。理论研究表明,如果国际间气候合作不能顺利推进,温室气体排放与地缘政治冲突会相互加强,进而加剧全球供应链风险,主要表现为能源和资源价格波动、国际运输中断、贸易限制、全球供应链本土化和多元化以及全球绿色供应链重构等。文章基于1995—2020年OECD世界投入产出表数据并利用潜因子法、广义随机森林和双重纠偏Lasso法研究发现,温室气体排放与地缘政治冲突相互作用会增加中国供给侧和需求侧的全球供应链风险,特别是来自美国等国家的全球供应链风险较为突出,而且还会引发美国加大对外资的审查力度。

关键词： 遥感图像   语义分割   对比学习   无监督学习   自监督优化  

摘要： 针对遥感图像语义分割深度学习对大量人工标注的依赖的问题,基于对比学习和自监督学习思想,提出了一种全新的、面向遥感图像语义分割任务的无监督学习框架。该框架仅需已知待分类类别总数,即可以实现模型训练与预测。具体而言,该框架构造了两种特征集合,在不同阶段对特征进行相似度计算,以选取正样本。接着,利用Vision-Transformer的注意力分数按比例传播梯度,以更好地选取重要像元并关注关键区域。最后,将置信度较高的预测像元作为伪标签进行自监督学习,进一步提升精度。实验采用GID和Potsdam数据集验证该方法性能,并与现有无监督语义分割方法对比,证明了该方法的优越性。

关键词： 精确稀疏高斯变分推理   非线性系统批量状态估计   参数学习   期望最大化方法   轨迹估计  

摘要： 针对在对时变非线性系统进行状态估计以及参数学习时估计误差大、抗干扰能力差等问题,提出一种面向非线性系统的精确稀疏高斯变分推理的批量状态估计与参数学习方法。基于高斯变分推理提出损失函数,状态估计问题转化为对真实后验近似问题,并引入需要学习的参数。对状态概率分布的参数使用高斯-牛顿式优化器的方法进行迭代更新,利用Stein引理、协方差矩阵的稀疏性及高斯容积方法得到完整的状态估计迭代方案。使用期望最大化学习测量模型的噪声参数,同时引入逆Wishart先验减少测量噪声和离群值对参数学习以及状态估计结果的影响。通过对无人机仿真模型进行模拟实验,在不加入无人机运动以及测量噪声真实值的情况下,对无人机轨迹能够进行精确的估计,且有效抑制测量噪声和测量离群值对轨迹估计精度带来的影响。

关键词： 课程内容   学习方法   思维方式  

摘要： 高中数学是数学学习的基础阶段,而大学数学则是一个更为深入和全面的学习阶段.文章从具体的课程内容、学习方法及思维方式入手阐明从高中数学到大学数学的学习之旅.学生需要根据课程内容和学习目标的差异来调整自己的学习方法和思维方式,以便更好地适应大学数学的学习生活.

关键词： 崩塌   滑坡   信息量(IVM)模型   随机森林(RF)模型   危险性评价   机器学习   延安市志丹县  

摘要： 为了给延安市志丹县防灾减灾和风险管控提供数据支持,给相似地区危险性评价提供参考依据,补充在崩塌和滑坡灾害危险性评价中未考虑累积降雨方面的影响,在10,20,50和100 a一遇4种不同降雨工况下对研究区进行了危险性评价。以栅格单元作为评价单元,结合灾害特征及区域孕灾背景,通过皮尔逊相关系数法,选取高程、坡度、坡向、曲率、岩土体类型、距河流距离、距道路距离、归一化植被指数8个评价因子,采用信息量模型进行了易发性评价并分析了致灾因子与灾害分布关联性。利用计算机语言,自动处理前期因子数据的分析、转化、管理和出图等流程,改进了信息量(IVM)-随机森林(RF)耦合模型,实现了模型的自动循环迭代对比选择,通过ROC(受试者工作特征曲线,receiver operating characteristic curve)曲线对比了2种易发性模型精度。在耦合模型评价结果的基础上进行危险性评价,用皮尔逊Ⅲ型曲线估算研究区10,20,50和100 a一遇4种不同工况下降雨量,并进行危险性分区。对于易发性分区结果,信息量-随机森林耦合模型评价结果的AUC值(ROC曲线下面积)为0.87,优于IVM模型的评价结果;对于危险性分区结果,从10 a一遇到100 a一遇降雨工况的高和极高危险区面积都逐级增加。研究表明,改进的耦合模型评价方法不仅简化了操作还提高了精度,耦合模型确实拥有更好的评价精度和预测能力。

关键词： 机器学习   电子哈密顿量   神经网络   量子化学计算  

摘要： 电子哈密顿量的机器学习为高效的量子化学计算提供了新途径,近年来得到了快速的发展.本文系统总结了机器学习哈密顿量的理论框架与技术路线,重点分析核岭回归、前馈神经网络和图神经网络等相关方法的特点及其适用场景.特别地,基于对称性约束的等变图神经网络显著提升了哈密顿量预测的物理一致性,而高质量的公共数据库和差值学习策略有效缓解了高精度数据稀缺问题.然而,强关联体系的可解释性建模、复杂对称性的精确保持和大体系的高效预测仍然是当前亟待突破的挑战.本文围绕网络架构、特征构造、数据集构建和损失函数设计展开详细讨论,为未来机器学习在电子哈密顿量研究中的进一步发展提供新的思考和展望.

关键词： 大概念   结构化学习   单元学习  

摘要： 学生的数学自主学习往往只注重知识的获得、记忆与模仿练习,缺乏知识的系统性建构,难以实现有效的迁移应用.这种学习模式严重制约了数学核心素养的发展.将数学核心知识大概念、学习方法大概念、数学思维大概念融合起来,形成“三线融合的结构化学习”模式,可以提升学生自主学习效能,同时有效保障单元学习的有效推进和整体达成.

关键词： 学习方法   11-15岁   学霸   榜样   思维训练   思维能力   趣题  

摘要： 众所周知,在学习的道路上,想要脱颖而出,需要有榜样的引领.比如,学习书法就需要临摹字帖,否则,就难以成长为书法大家.学习棋艺就需要演奕棋谱,否则就难以成长为棋界高手.同理,若想提高思维能力,也需要向楷模学习.为此,我编写了一套练习题,为学生树立了思维的榜样,用以启迪11-15岁的学霸们学习开窍.