关键词： 异质网络表示学习   元路径   注意力机制   互信息   无监督学习  

摘要： 异质信息网络能够对真实世界的诸多复杂应用场景进行建模,其表示学习研究也得到了众多学者的广泛关注.现有的异质网络表示学习方法大多基于元路径来捕获网络中的结构和语义信息,已经在后续的网络分析任务中取得很好的效果.然而,此类方法忽略了元路径的内部节点信息和不同元路径实例的重要性;仅能捕捉到节点的局部信息.因此,提出互信息与多条元路径融合的异质网络表示学习方法.首先,利用一种称为关系旋转编码的元路径内部编码方式,基于相邻节点和元路径上下文节点捕获异质信息网络的结构和语义信息,采用注意力机制来建模各元路径实例的重要性;然后,提出一种互信息最大化与多条元路径融合的无监督异质网络表示学习方法,使用互信息捕获全局信息以及全局信息和局部信息之间的联系.最后,在两个真实数据集上进行实验,并与当前主流的算法进行比较分析.结果表明,所提方法在节点分类和聚类任务上性能都有提升,甚至和一些半监督算法相比也表现出强劲性能.

关键词： 重症缺血性脑卒中   内在可解释性机器学习   可解释提升机   死亡预测  

摘要： 目的构建一种内在可解释性机器学习模型,即可解释提升机模型(EBM)来预测重症缺血性脑卒中患者一年死亡风险。方法使用2008~2019年MIMIC-IV2.0数据库中符合纳排标准的2369例重症缺血性脑卒中患者资料,将数据集随机分成训练集(80%)和测试集(20%),构建可解释提升机模型评估疾病预后。通过计算受试者工作特征曲线下面积(AUC)来衡量预测效果,使用校准曲线及布里尔分数(Brier score)评价模型的校准程度,并绘制决策曲线反映临床净收益。结果本研究所构建的可解释提升机具有良好的区分度、校准度和净收益率,其中模型预测重症缺血性脑卒中预后不良的AUC为0.857[95%CI(0.831,0.887)];校准曲线分析结果显示,可解释提升机模型的校准曲线最接近于理想曲线;决策曲线分析结果显示,当该模型预测概率阈值为0.10~0.80时,其预测净获益率最大。基于可解释提升机模型的前5个独立预测变量为年龄、SOFA评分、平均心率、机械通气、平均呼吸频率,其重要性得分从0.179~0.370。结论建立了一个可解释提升机模型,该模型应用于预测重症缺血性脑卒中患者一年内死亡风险具有良好的表现,通过模型可解释性能帮助临床医生更好地理解结果背后的原因。

关键词： 党史学习教育   价值   与时俱进  

摘要： 在新时代,中国特色社会主义事业面临着新的发展环境和新的任务。在建党一百周年的特殊时期,应当重视历史教育,充分发挥历史的资政育人功能,让党史学习教育在党的内部发挥建设功效,充分引导全党从历史中汲取更多的发展能量。中国共产党的历史是一部伟大斗争史。学习党史从个体角度可以提升党员干部的理论素养和理论水平,使其坚定本我;从整体角度可以坚定党的领导,坚定人民群众对党的信心,从党史学习教育中获得现实启发。因此,本文从党史学习教育的进程入手,明确党史学习教育的基本内容;然后通过深化理解党史学习教育的价值意义,从个体、集体和目标实现三个层面进行深入解读;最后落到实处,通过四个步骤让党史学习教育真正落地。

关键词： 软件缺陷预测   过采样   信息增益   集成学习  

摘要： 软件缺陷预测已经成为软件工程领域一个重要的研究方向,目前对数据集处理的方法存在特征冗余、类不平衡和特征相关性低的情况,很大程度影响了软件缺陷预测模型的分类性能。针对以上问题,对NASA MDP数据集中8个数据子集的45943条特征向量进行研究,提出了基于特征优选的软件缺陷预测集成学习方法。首先,通过合成少数类过采样技术(SMOTE)对少数类样本进行分析并根据少数类样本合成新样本添加到数据集中。然后,通过信息增益(IG)分析数据集的特征属性,并且根据分析结果对特征属性进行选择。最后,使用集成学习算法Stacking构建学习器,其中初级学习器是逻辑回归(LG)和决策树(J48)、次级学习器是朴素贝叶斯(NB),对模型进行十折交叉验证。结果表明,上述模型有效提升了分类性能,与近年基于Stacking构建学习器的结果进行对比,Accuracy平均提升4.65%、F-Measure平均提升5.25%和AUC平均提升11.3%。

关键词： 交通运输系统工程   客流预测   深度学习   公交客流   多源数据   响应面优化  

摘要： 提出一种可扩展的深度学习框架实现多源数据预测公交客流。首先,在4个外部因素的基础上,引入3个内部因素作为公交线路客流的解释变量;其次,利用方差缩减法验证了内外部因素之间的耦合关系以及捕获多源数据耦合关系的必要性;然后,利用卷积神经网络中卷积运算处理二维数据的优势,将客流影响因素图像化,构建出小时客流细分矩阵适应其卷积运算,捕获多源数据之间的耦合性。为进一步提高预测性能,将矩阵结构优化问题转化为旅行商问题,运用响应面优化方法对客流细分矩阵结构进行高效优化。最后,以广州市281路公交线路实际数据为例进行验证,结果表明:通过优化小时客流细分矩阵结构,可以有效提高公交客流预测精度,实现数据资源的最优化利用;内部因素的独立效应不显著,而外部因素和内部因素的联合效应却作用显著;在预测精度上,与仅考虑外部因素的结果和其他深度学习模型相比存在一定优势。

关键词： 深度学习   多元理解   意义建构   思维升元  

摘要： 深度学习是达成历史核心素养目标、培育学生高阶思维能力的一种有效学习方式。深度学习立足于历史事件之间的内在勾连,注重知识间的意义建构和思维的灵活性、深刻性、创见性。本文从知识间多元意义建构的角度,探索深度学习的新路径。

关键词： 交通标识图像   二值码   深度神经网络   标签信息  

摘要： 交通标识是交通基础设施的重要组成。智能交通系统中的自动驾驶车辆需要识别和理解交通标识,以确保其驾驶行为安全和遵守交通法规。目前,交通标识的识别大都采用深度神经网络方法,利用大量的训练样本对神经网络参数进行训练,获得对任务有利的特征表示,然而,海量的训练数据将带来较高的检索成本。针对以上问题,提出一种基于二值语义嵌入的大规模交通标识检索与识别方法BETS,该方法将标签信息和成对相似性信息嵌入到二值语义空间中,同时使用深度神经网络来进行哈希学习。实验结果表明,该方法可以有效提升大规模交通标识检索与识别的精度和准确性。

关键词： 急性肾损伤   非心脏手术   预测模型   机器学习   随机森林  

摘要： 目的探讨基于机器学习方法对非心脏手术后急性肾损伤(AKI)的预测价值。方法选取陆军军医大学第二附属医院自2014年6月至2022年9月收治的24611例接受非心脏手术患者为研究对象。采用随机数字表法将患者分为训练组(n=17227)与验证组(n=7384)。采用包括逻辑回归、随机森林、支持向量机、简单决策树、极端梯度提升和集成模型在内的机器学习方法训练模型。采用受试者工作特征(ROC)曲线及ROC曲线下面积(AUC)评价模型的整体性能。采用沙普利可加性特征解释法(SHAP)评估每个特征对预测结果的贡献程度。结果非心脏手术后AKI发生率为11.3%(2780/24611)。训练组与验证组患者各项一般资料比较,差异均无统计学意义(P>0.05)。集成模型预测非心脏手术后AKI的AUC为0.749,大于逻辑回归、随机森林、支持向量机、简单决策树、极端梯度提升单独预测。随机森林模型中贡献度较高的20个特征中,手术相关变量有8个,分别为麻醉时长、普通胸外科手术、骨科手术、手术中总失液量、急诊手术、手术中晶体液输注总量、手术中血液制品使用量、手术中胶体液输注总量和择期手术。结论采用机器学习方法开发的非心脏手术后AKI的预测模型可进一步加强对AKI的预防,从而优化和改善患者预后。

关键词： 学科本位   地域特色文化   纸质资源   学科边界   隐性资源   跨学科学习   艺术之美   语文学习  

摘要： 一、融合度:坚守语文学科本位,软化学科边界的整体设计(一)勾连生活,以语文学习整合多重资源本单元所呈现的艺术表现形式各不相同,但不同门类内在的艺术之美是相通的,要想打通这条审美通道,就需要还原艺术现场,整合多重资源,“既包括纸质资源,也包括数字资源;既包括日常生活资源,也包括地域特色文化资源;既包括语文学习过程中生成的重要问题、学业成果等显性资源,也包括师生在语文学习方面的兴趣、爱好和特长等隐性资源”。

关键词： 条形统计图   折线统计图   起始课   《数学》   现实生活   描述数据   五年级   增强处理  

摘要： “单式折线统计图”是苏教版《数学》五年级下册第二单元的起始课,是“在学生已经会用统计表和条形统计图表示数据,并已积累较多的统计活动经验的基础上进行教学的”[1]。通过本课的学习,“使学生进一步掌握描述数据的方法,增强处理和分析数据的能力,感受统计在现实生活中的广泛应用”[2]。