关键词： 行为数据   机器学习   医疗险   赔付预测  

摘要： 随着人们健康意识不断增强,医疗保障需求呈现多元化特点。为进一步推动商业医疗保险健康可持续发展,对商业医疗险赔付的精准预测研究很有必要。基于包括个人行为偏好的经验数据,构建并对比商业医疗险的创新预测机器学习模型,分析与医疗险赔付风险相关的重要因素,研究发现,个人对健康信息的关注等行为因素与赔付风险高度相关,可以为年龄、性别、受教育水平、婚姻状况、地区等传统赔付经验分析因素提供很好的补充。与索赔发生关联最大的是年龄,与案均医疗赔款关联最大的是赔付次数,远高于其他因子。当赔付次数多于5次时,预测案均医疗赔款呈发散性分布。被保险人为女性、学历更低的人更易发生索赔。疾病负担呈现区域不平衡特点。据此提出完善商业医疗险风险管理等建议。

关键词： 异构迁移学习   在线学习   跨域结构保持投影   特征空间   多分类  

摘要： 异构在线迁移学习使用异构源域的离线数据弥补目标域在线学习数据不足,从而提高目标域在线学习性能.现有方法通常假定源域是目标域特征空间子集或依赖特定的辅助数据.本文提出一种基于跨域结构保持投影的异构在线多源迁移学习方法 .通过跨域结构保持投影,同时将每个源域与目标域的特征空间映射到公共子空间,并基于公共子空间中的跨域离线混合数据和目标域在线数据分别进行离线学习和在线学习,提出采用一种双层差异导向对冲集成策略,实现源域离线学习模型与目标域在线学习模型的两层集成融合和在线演化更新.基于本文方法设计实现了一种异构在线多源迁移多分类算法,且理论分析了该算法的分类错误上界.实验结果表明,本文方法能有效实现异构在线多源迁移学习并降低目标域在线多分类错误率,且优于同类的在线多源迁移学习方法.

关键词： 台风   机器学习   危险性   暴露性   脆弱性   风险评估   动态风险预报  

摘要： 利用机器学习方法建立以区县为基本研究单元的浙江省台风灾害风险评估模型,并进一步结合气象预报与实测数据形成覆盖全省、时空连续的台风过程动态风险预报,为科学应急减灾提供决策支持。首先,本研究以浙江省各区县为研究对象,考虑危险性、孕灾环境、暴露性和脆弱性等风险要素选择台风灾害风险评估模型的预测变量;其次,基于10个重大历史灾害的灾损数据(直接经济损失)划分风险等级作为输出变量;最后,采用机器学习模型XGBoost建立台风灾害风险评估模型。同时,以利奇马为例,进一步探索该模型的实战应用潜力,即以气象预报和实测数据为模型驱动,实现浙江省全域各区县台风灾害风险的实时更新预报。

关键词： 视觉信息抽取(VIE)   文档图像分析与理解   计算机视觉   自然语言处理   光学文字识别(OCR)   深度学习   综述  

摘要： 随着信息交互的日益频繁,大量的文档经数字化处理,以图像的格式保存和传播。实际生活工作中,票据识别理解、卡证识别、自动阅卷和文档匹配等诸多应用场景,都需要从文档图像中获取某一特定类别的文本内容,这一过程即为视觉信息抽取,旨在对视觉富文档图像中蕴含的指定类别的信息进行挖掘、分析和提取。随着深度学习技术的快速发展,基于该技术提出了诸多性能优异、流程高效的视觉信息抽取算法,在实际业务中得到了大规模应用,有效解决了以往人工操作速度慢、精度低的问题,极大提高了生产效率。本文调研了近年来提出的基于深度学习的信息抽取方法和公开数据集,并进行了整理、分类和总结。首先,介绍视觉信息抽取的研究背景,阐述了该领域的研究难点。其次,根据算法的主要特征,分别介绍隶属于不同类别的主要模型的算法流程和技术发展路线,同时总结它们各自的优缺点和适用场景。随后,介绍了主流公开数据集的内容、特点和一些常用的评价指标,对比了代表性模型方法在常用数据集上的性能。最后,总结了各类方法的特点和局限性,并对视觉信息抽取领域未来面临的挑战和发展趋势进行了探讨。

关键词： 能力提升工程   信息技术应用能力   有意义学习   研修模式  

摘要： 信息技术应用能力是新时代高素质教师的核心素养。教师信息技术应用能力提升培训与实践情境密切相关。浦东新区基于能力提升工程2.0实践,逐步提炼出以有意义学习理论为理论视角、基于问题解决的有意义学习研修模式,具备主动的、建构的、有意图的、真实的、合作的五个特征,并据此形成了促进教师有意义学习的五条途径,以期为人工智能时代教师培训创新提供参考和借鉴。

关键词： 耕地质量评价   卡方分箱   合成少数类过采样技术   集成学习  

摘要： 为充分了解县域耕地资源,提高耕地质量评价效率和准确度,减少在评价过程中主观因素的影响,以河南省三门峡市陕州区为研究对象,对其做耕地质量分等定级。根据数据特征将特征变量划分为分类型变量和数值型变量,对于数值型变量采用卡方分箱的方法处理,将处理后的结果与分类型变量用one-hot编码赋值,对于样本类别数较少的数据采用合成少数类过采样技术(SMOTE)平衡样本数据。随后引入机器学习的方法,利用XGBoost、LightGBM、ANN以及XGBoost-LightGBM-ANN组合模型对耕地质量进行分等定级。结果表明,将处理后的未采样数据作为训练集,代入耕地质量评价单一模型以及组合模型进行训练并预测时,准确率、精确率、召回率和F1分数等指标值均达到了0.97以上,其中单一模型ANN、LightGBM、XGBoost对应的各指标值呈递增的趋势,表明机器学习模型应用到耕地质量评价中产生了良好的效果。与未采样相比,经过采样后的数据作为训练集明显提升了模型性能,单一以及组合模型预测中各指标值均达到了0.99以上,其中基于集成学习投票的算法XGBoostLightGBM-ANN组合模型有明显优势,准确率达到了0.9983。

关键词： 前列腺   双参数磁共振成像   深度学习   分类   序列  

摘要： 目的使用外部数据验证前列腺双参数磁共振成像(bpMRI)图像序列甄别模型的泛化性能。方法回顾性搜集2018年1月至2021年2月前列腺bpMRI影像,匿名化后使用既往训练好的Med3D多分类模型对各个序列进行分类。以医师做出的序列分类为“金标准”,研究Med3D多分类模型对外部数据分类的准确率。使用混淆矩阵显示多分类预测结果,使用PYCM包进行多分类诊断效能分析。结果563例病例的合格bpMRI数据纳入研究,使用了5台MR扫描仪,其中97.2%使用3.0 T MR检查,2.8%使用1.5 T MR检查。格式转换后,共5209个合格图像序列可用于模型预测,包括1063个ADC、1691个DWI_High(b>50 s/mm^(2))、709个DWI_Low(b≤50 s/mm^(2))、750个T_(2)WI_nan和996个T2WI_Fs序列。ADC、DWI_High、DWI_Low、T_(2)WI_Fs、T_(2)WI_nan等各个序列的预测准确率分别为98.5%、98.1%、97.2%、99.1%和99.8%。结论使用外部数据验证显示Med3D多分类模型对前列腺bpMRI图像分类具有很高的准确率,泛化能力强。

关键词： 信息化视角   高中历史   深度学习方法  

摘要： 信息化时代背景下,在高中历史教育教学过程中,需要在深度学习方法方面进行有效优化,教师要把课堂教学的全过程和信息化技术进行充分融合,这样才能取得更加良好的合力效应,为高中历史教学效率提升提供必要支持,同时打造信息化情境,让学生充分融入信息化教学过程中来,这样才能为学生历史学科核心素养的培养提供必要支持。基于此,本文重点探究信息化视角下的高中历史深度学习方法等相关内容。

关键词： 最优潮流   概率最优潮流   深度神经网络   关联分析   聚类分析   潮流修正  

摘要： 概率最优潮流需要对非线性最优潮流问题进行重复求解,计算量较大,从而限制了其应用。提出一种基于特征降维、分块和深度神经网络辅助预测的最优潮流两阶段求解方法。在第一阶段,提出基于深度神经网络的最优潮流部分关键决策变量的优先辨识策略,以解决深度学习中因特征维度过高而导致的数值湮没问题,进而以最优潮流的结果特征为导向,基于关联性分析和聚类分析挖掘最优潮流输入与输出特征的关联性匹配度,并构建样本数据的分块特征库,以降低学习难度。在第二阶段,利用深度神经网络完成部分关键决策变量的分块映射,基于潮流模型恢复剩余状态变量,并对计算结果不收敛、不满足约束的情况进行修正,以恢复可行性。根据最优潮流两阶段求解方法构建概率最优潮流求解方法。仿真结果表明所提方法在最优潮流、概率最优潮流的求解速度和求解精度上均有较好的表现。

关键词： 线性非高斯无环模型   因果结构学习   叶子节点   混淆因子   互信息  

摘要： 线性非高斯无环模型(Linear Non-Gaussian Acyclic Models,LiNGAM)已经被证明能有效区分马尔科夫等价类而获得唯一的因果网络,从而得到越来越多研究者关注.现有学习LiNGAM的方法要么难以有效处理高维网络;要么假设网络结构为树结构而去处理高维问题.针对以上问题,本文提出一种以自底向上迭代学习的因果结构方法.该方法主要包括混淆因子识别和叶子节点发现两个技术部分.利用混淆因子的性质识别出任意成对变量的混淆因子,从而实现处理非树结构.利用互信息去衡量节点间的独立性,从而找到叶子节点.与经典的自顶向下的方式相比,自底向上的学习方式能简化数据更新的过程,从而提升高维情况下的性能.在不同规模的仿真因果结构和真实因果结构的实验结果均证明了算法的有效性.