关键词： 平衡学习   多模态学习   梯度调制   自适应学习   梯度均衡化   学习速率   音视频模态   协同决策  

摘要： 针对音视频多模态学习中因异质学习速率导致单一模态主导模型学习过程，抑制其他模态学习，进而削弱多模态协同决策效果的问题，提出一种基于自适应梯度调制的多模态平衡学习方法(adaptive gradient modulation based compensation and regularization， AGM-CR)。首先，根据模态间的学习梯度差异引入调制系数来自适应调整各模态的学习速率；然后，通过梯度均衡化策略，将单个模态的梯度损失作为正则项融入总损失来约束模态间梯度差异，进一步平衡各模态的学习过程；最后，实验结果表明在CREMA-D和RAVDESS数据集上，AGM-CR将分类准确率分别提高了2.5百分点和3.3百分点，并在多次迭代中减小模型的梯度波动，表现出更高的训练稳定性和收敛速度。与现有的平衡方法相比，AGM-CR可即插即用，更具灵活性和通用性。

关键词： 消费文化   知识付费者   叙事   权力自主性   幻想主题分析  

摘要： 在消费文化研究视域下，知识付费常被解读为资本操纵下的文化现象，而消费者也被视为盲目的个体。然而，在社交平台上，知识付费群体的消费叙事却复诵出终身学习者的身份认同，这是消费者意义生产权力自主性的体现。研究选取知乎社区知识付费话题下147条帖子进行幻想主题分析，旨在通过探讨知识付费者的消费体验叙事，深入理解付费行为背后的心理，揭示群体文化行为与当代社会环境之间的复杂关连。研究发现，修辞社区凝练出“智识契约的价值再估”“精进自我的方便之门”两大幻想类型，差异化的观点交织，最终汇聚成终身学习的修辞视野，而这一先锋意识形成源自于群体“消费者有权”的价值自觉。本研究聚焦知识付费者的文化心理，关注知识付费的现实文化意义，以期为把握数字时代文化消费现象的新特征，构建更为健康的知识生态提供理论支持与参考。

关键词： 舰船图像识别   深度学习   舰船数据集   大规模预训练模型   提示学习   交叉注意力机制  

摘要： [目的]针对舰船图像识别任务中存在的强干扰、数据稀缺及深度学习方法语义特征建模不足等问题，提出一种基于视觉属性的提示词学习机制（Visual Attribute Prompt Tuning, VAPT）。[方法]通过构建大规模预训练视觉属性词表，引入多分支交叉注意力机制（Multi-head Cross-Attention, MCA）实现属性匹配和选择过程，用于与深度视觉模型对齐，提升模型对舰船关键特征的识别能力。[结果]在经人工精细标注与清洗的自建舰船图像数据集上的验证结果表明，与基线模型（Vision Transformer,ViT）相比，所提方法的Top-1准确率提升了3.79%；在公开舰船数据集FGSCR-42上，相较于当前最优的B-CNN和RA-CNN方法，所提方法的Top-1准确率分别提升2.20%和0.10%。[结论]研究结果为复杂海洋环境下的目标识别任务提供了新的特征解耦与知识迁移技术路径，对智能海上监测系统具有重要意义。

关键词： 自监督学习   对比学习   BEV感知   多模态融合  

摘要： 随着自动驾驶技术的发展,鸟瞰图(Bird's Eye View,BEV)感知作为关键技术之一,已经成为了研究热点。然而,有监督BEV感知技术往往依赖于大量的标记数据,且易受到标注偏差的影响。少数的自监督BEV感知方法又聚焦于单模态,存在忽略多模态信息和缺乏语义的缺陷。为了解决这些问题,提出了一种新颖的自监督多模态对比学习方法,旨在降低对标记数据的依赖,并提高BEV感知的准确性与鲁棒性。首先,通过为图像生成像素级的文本标签,然后利用图像和点云作为桥梁,建立起文本标签与BEV网格之间的映射关系,从而构建对比学习的正负样本对。其次,提出了一种基于BEV网格的投票策略,为BEV网格保留高质量的文本标签,有效解决了映射过程中引入的噪声问题。最后,利用预先生成的文本标签,实现了多模态的对比预训练,为模型注入了丰富的文本语义信息。实验结果表明,在不同标记数据微调比例(5%、10%、20%、50%、100%)下,本文提出的方法在3D目标检测任务中分别实现了2.19%、2.74%、1.62%、1.17%和0.6%的3D mAP提升,这显示了该方法较好的性能。

关键词： 南海   热流   支持向量机   随机森林   机器学习  

摘要： 南海热流数据是研究南海形成与演化的重要基础数据.由于受到海洋调查条件等多种因素的限制,南海热流站位表现出空间站位不均衡的特点.鉴于热流数据的重要性,为弥补部分区域的热流,我们尝试使用支持向量机、梯度提升回归树、极端梯度提升树和随机森林四种机器学习算法对南海区域的热流进行预测.我们共收集到958个热流数据,并在数据预处理阶段排除了14个异常值.然后,将944个热流实测值与十种地质和地球物理特征组合为数据集,并将其随机分为训练集(占比80%)和测试集(占比20%).为了量化预测性能,我们使用了三个度量标准来评估此次机器学习算法的性能.根据模型的评估指标,我们发现:随机森林算法和梯度提升回归树算法表现较为出色,其实际测量值与预测值的决定系数R2分别为64%和60%,其相对误差(以归一化均方根误差表示)分别为0.092和0.097;我们将四种机器学习算法结合使用时,发现混合模型要比部分单一模型预测的准确度高;最终,我们基于上述模型,成功绘制出了新的南海热流图,相较于传统的克里金插值,机器学习预测结果呈现出更详细的特征,并且可以为热流观测缺失的区域提供参考信息.

关键词： 异质信息网络   结构特征   元路径   注意力机制   网络表征学习  

摘要： 异质信息网络嵌入旨在学习节点的低维表示,同时保留异质信息网络中的结构和语义。针对大多数现有技术在学习异质网络嵌入时忽略图结构信息,学习到的节点嵌入表示效果欠佳问题,提出一种融合结构特征的异质网络表征学习方法(Heterogeneous Network Representation learning method fusing Structural Feature,HNRSF)。该方法首先利用特征传播模块捕获元路径中间节点的局部结构信息;其次,使用树形聚合器,学习双向注意力系数权重,将挖掘到的更深层次的图结构信息合并到元路径上的聚合模块中;接着,提出一种新的影响因子策略,将其与目标节点嵌入相融合;最后,通过语义级注意,学习不同元路径的重要性,并融合这些不同语义特定的嵌入,获得节点的最终嵌入表示。算法在3个真实数据集上进行实验,并与当前最主流的基线模型进行对比分析。在节点分类任务上,Macro-F1平均提高了0.56%~1.16%,节点聚类任务中的ARI值提高了0.56%~1.90%。实验结果表明,所提方法在节点分类和聚类任务等方面性能上都有较好的表现,具有更好的异质信息网络表示效果。

关键词： 学习意义   学习价值认同   网红   心理成长  

摘要： 【剧情简介】易亦山是一名高一学生,无意间发现未上高中的初中同学通过拍短视频、做网红,挣了很多钱,他十分羡慕,同时也对艰苦的高中学习生活产生了厌烦情绪,认为学习无用,学校生活无意义。在经历了两天短视频拍摄和直播带货的网红生活后,他深刻感受到光鲜亮丽的背后是艰辛的付出,只有丰厚的知识储备与文化素养积淀,方能“腹有诗书气自华”,从而找到学习的意义,重回正轨。

关键词： 油气田开发   产量预测   机器学习   神经网络   迁移学习  

摘要： 受油气开发过程中储层物性、流体性质和工艺措施的复杂多变性影响,生产数据的分析利用程度多取决于石油科技工作者的专业经验,计算成本和时间成本高,难以满足油气藏高效开发需求,亟待发现更加高效的油气产量预测方法。近年来,以深度神经网络、随机森林算法和迁移学习为代表的机器学习方法凭借处理高维数据、捕捉时序数据长期依赖关系和提取开发数据特征等方面的独特优势,在油气产量预测中取得了显著应用效果。该文通过对常用油气产量预测机器学习方法的原理及其优缺点进行分析,阐述了机器学习方法在油气产量预测领域的应用现状,总结了应用过程中潜在的问题,同时对油气产量预测方法的发展前景进行展望。未来,一方面应加强对物理约束融入机器学习模型的研究,提高模型的可解释性,避免过于理想化的预测结果;另一方面要开发适合小样本情况下的算法和迁移学习技术,充分利用历史生产数据,为油气产量预测提供更好的数据分析技术支持。该研究对油气产量的智能预测技术完善具有理论指导意义。

关键词： 体育师范生   合作学习   隐性逃课行为   基本心理需要满足   生命意义感  

摘要： 目的:探讨合作学习与体育师范生隐性逃课行为的内在关系,揭示基本心理需要满足与生命意义感在二者之间的链式中介作用,为干预体育师范生隐性逃课行为提供循证依据。方法:采用问卷调查法,运用合作学习量表、基本心理需要满足量表、生命意义感量表、隐性逃课行为量表对904名体育师范生进行调查。运用SPSS26.0进行描述性统计分析,运用AMOS26.0与Bootstrap方法对基本心理需要满足和生命意义感的中介作用进行检验与效应分析。结果:①合作学习与隐性逃课行为存在负相关,与基本心理需要满足、生命意义感存在正相关,基本心理需要、生命意义感与隐性逃课行为存在负相关。②基本心理需要满足、生命意义感分别在合作学习与隐性逃课行为之间存在中介作用。③基本心理需要满足与生命意义感在合作学习与隐性逃课行为之间存在链式中介作用。结论:①合作学习对体育师范生隐性逃课行为具有直接负向预测作用。②合作学习可以通过基本心理需要满足与生命意义感间接负向预测体育师范生隐性逃课行为。

关键词： 优化设计   二维轴对称喷管   代理优化算法   机器学习   交叉验证  

摘要： 针对固定扩张比与扩张段长度的二维轴对称喷管进行扩张段型面优化设计,优化目标为喷管推力最大化,优化参数为贝塞尔曲线控制点的径向位置.通过结合十折交叉验证方法与优化算法对BP神经网络、支持向量回归、极限学习机3种机器学习模型的超参数进行优化,进而评估其在预测喷管出口推力任务上的表现.采用拟合精度最高的机器学习模型与代理优化算法相结合进行优化计算.仿真结果表明:通过对机器学习模型超参数的优化,3种机器学习模型均在测试集上表现出较高的预测精度,而BP神经网络在本文模型下的预测精度最高.通过基于机器学习代理模型的喷管型面优化方法,得到优化后的喷管推力提高1.958%,且BP神经网络对优化后的喷管推力预估误差仅为0.024 9%.通过与基于直接CFD计算的优化结果对比,可以证明所提方法在具有更高优化效率的同时具有较高的优化精度,优化后的喷管推力差别仅为0.007 5%,且优化耗时降低16.5%。