关键词： 时序数据挖掘   时序数据分类   深度学习   卷积神经网络   特征子序列  

摘要： 在时序分类领域中,基于特征子序列的方法因能给出个体分类的局部依据,从而具有较强的可解释性,但计算十分耗时,且分类表现相较于深度学习方法并不占优。深度学习方法虽在分类表现上优于其他方法,但缺乏可解释性。为了提高基于特征子序列方法的分类表现,增强深度学习方法的可解释性,提出基于CNN网络提取特征子序列的方法Kernel-Shapelets。该方法通过提取CNN的卷积核对应权重并作进一步筛选,从而提取出特征子序列,利用全局最大池化层的输出找出CNN网络的判断依据,从而提高模型的可解释性。通过在UCR时序数据集上进行实验,Kernel-Shapelets方法的平均分类准确率为82%,相比基于特征子序列的最优基准模型提高了15.4%,证明了Kernel-Shapelets能够利用CNN网络的学习能力提取出更有效、更具有辨识性的特征子序列,提取出的特征子序列也提高了CNN网络的可解释性。

关键词： 声呐图像识别   生成重放   类别增量学习  

摘要： 由于声呐图像分辨率低、样本数少,现有的类别增量学习网络对历史任务目标出现了严重的灾难性遗忘问题,导致所有任务目标的平均识别率降低。基于生成重放的框架模式,提出了一种改进的类别增量学习网络,设计搭建新的深层卷积生成对抗网络取代变分自编码器,作为生成重放增量网络的重构模型,提升图像的重构效果;构建新的卷积神经网络取代多层感知机,作为生成重放增量网络的识别网络,提升图像的分类识别性能。结果表明,改进的生成重放增量网络缓解了历史任务目标的灾难性遗忘问题,显著提高所有任务目标的平均识别率显著提高。

关键词： 神经网络   氨氮去除   电化学   智能控制   预测  

摘要： 利用反向传播神经网络(Back Propagation Neural Network,BPNN)建立氨氮去除效果预测模型和智能控制策略。模型由具有BPNN模型的预测模块和控制模块组成。首先,采用4层隐藏层(每层60个神经元)和负反馈调节机制开发BPNN算法,优化模型并预测氨氮去除率。参数分析及响应面模型对比结果表明所提出的BPNN模型具有更好的决定系数(0.9580)。根据水质变化和确定的氨氮去除率目标,通过BPNN模型获得电化学过程中电流智能调控策略,该智能控制策略减少了水质波动对氨氮去除的负面影响,并使能耗降低38%。

关键词： U-Net深度学习   沙丘特征线提取   沙脊线走向  

摘要： 近地球表面风况及其环境变化与沙丘特征形态演变过程息息相关,在研究过程中,较大范围的沙丘特征线提取存在效率低、成本高等问题。基于U-Net深度学习,对库布齐沙漠内存在的大范围沙丘特征线进行高精度提取,所识别的沙丘特征线为沙脊线和沙丘背风坡坡脚线。实验结果表明:基于U-Net深度学习方法提取卫星影像中的沙丘特征线精度评价指标分别为:MIoU值77.43%、MPA值80.25%、Precision值87.67%,评价指标数据均优于SegNet方法;提取出的沙脊线走向呈NW-SE分布,与气象站测得的风向基本保持一致;利用U-Net深度学习方法自动提取的沙丘特征线的准确性高,与实际观测结果较为符合,可有效地用于区域性的沙脊线走向分析,为沙丘特征演变研究提供了有利方法。

关键词： 基层党组织   根本大法   党史学习   常态化制度化   长效化   党的历史   党章修正案   建立健全制度  

摘要： 党的二十大报告将“在全党开展党史学习教育”作为过去五年党在新征程上牢记初心使命、开创美好未来的重要成就之一。在二十大党章修正案中,又将学习党的历史作为广大党员应尽的义务,把推进党史学习教育常态化制度化列入基层党组织的基本任务,以党的根本大法的形式巩固和拓展党史学习教育成果。在全党加强学习党的历史,并实现常态化长效化,建立健全制度机制,这不论是从党的百年辉煌历史。

关键词： 纵向联邦学习   安全与隐私   后门攻击   推断攻击与防御   对抗攻击   安全性评估  

摘要： 联邦学习(FL,federated learning)是一种新兴的分布式机器学习技术,利用分散在各个机构的数据,通过传输中间结果(如模型参数、参数梯度、嵌入信息等)实现机器学习模型的联合构建。联邦学习中机构的训练数据不允许离开本地,因此降低了数据泄露的风险。根据机构之间数据分布的差异,FL通常分为横向联邦学习(HFL,horizontal FL)、纵向联邦学习(VFL,vertical FL),以及联邦迁移学习(TFL,transfer FL)。其中,VFL适用于机构具有相同样本空间但不同特征空间的场景,广泛应用于医疗诊断、金融评估和教育服务等领域。尽管VFL在现实应用中有出色的表现,但其本身仍然面临诸多隐私和安全问题,尚缺少对VFL方法与安全性展开全面综述的工作。为了构建高效且安全的VFL系统,从VFL方法及其隐私和安全两个方面展开,首先从边缘模型、通信机制、对齐机制以及标签处理机制4个角度对现有的VFL方法进行详细总结和归纳;其次介绍并分析了VFL面临的隐私和安全风险;进一步对其防御方法进行介绍和总结;此外,介绍了适用于VFL的常见数据集及平台框架。结合VFL面临的安全性挑战给出了VFL的未来研究方向,旨在为构建高效、鲁棒和安全的VFL的理论研究提供参考。

关键词： “互联网+”   乡镇学校   小学数学   线上学习方法  

摘要： 本文立足于探讨“互联网+”时代乡镇学校小学数学线上学习方法,并结合此前疫情下学校线上教学的实际情况进行分析,从线上学习的现状与实践摸索两方面展开阐述。

关键词： 多标签学习   弱监督学习   标签相关性   先验信息   完全缺失标签  

摘要： 多标签学习是一种非常重要的机器学习范式.传统的多标签学习方法是在监督或半监督的情况下设计的.通常情况下,它们需要对所有或部分数据进行准确的属于多个类别的标注.在许多实际应用中,拥有大量标注的标签信息往往难以获取,限制了多标签学习的推广和应用.与之相比,标签相关性作为一种常见的弱监督信息,它对标注信息的要求较低.如何利用标签相关性进行多标签学习,是一个重要但未研究的问题.提出了一种利用标签相关性作为先验的弱监督多标签学习方法(WSMLLC).该模型利用标签相关性对样本相似性进行了重述,能够有效地获取标签指示矩阵;同时,利用先验信息对数据的投影矩阵进行约束,并引入回归项对指示矩阵进行修正.与现有方法相比,WSMLLC模型的突出优势在于:仅提供标签相关性先验,就可以实现多标签样本的标签指派任务.在多个公开数据集上进行实验验证,实验结果表明:在标签矩阵完全缺失的情况下,WSMLLC与当前先进的多标签学习方法相比具有明显优势.

关键词： 胰腺肿瘤   体层摄影术   X线计算机   磁共振   影像组学  

摘要： 目的探讨基于CT和MRI影像组学的机器学习方法在胰腺癌诊断中的应用价值。方法收集2014年1月至2021年12月间上海交通大学附属第一人民医院经手术病理确诊且均行CT增强扫描、MRI平扫或MRI增强扫描检查的62例胰腺癌患者的临床资料,按照患者手术时间先后顺序,将2014年1月至2020年12月间患者纳入训练集(49例),2021年1月至2021年12月间患者纳入验证集(13例)。采用3D Slicer4.8.1软件对胰腺癌和癌旁组织CT、MRI图像感兴趣区域勾画并进行分割,采用Python进行特征提取,采用Lasso回归模型从训练集数据中筛选最优特征集,构建机器学习决策树模型。绘制受试者工作特征曲线(ROC),计算曲线下面积(AUC),评价3种影像组学特征模型在胰腺癌诊断中的价值。结果从CT增强、MRI平扫+增强图像中分别获取1767个CT特征和1674个MRI特征。对于胰腺癌与癌旁组织鉴别诊断模型,CT增强数据模型获得含6个特征的最优特征集,MRI平扫获得含16个特征的最优特征集,MRI增强获得含15个特征的最优特征集。基于CT增强数据的诊断模型在训练集的AUC值为0.98,在验证集的AUC值为1;MRI平扫与MRI增强数据模型在训练集与验证集中的AUC值均为1。3种影像组学特征建立的机器学习决策树模型诊断胰腺癌与癌旁组织的特异度和灵敏度均为100%。对于脾动脉包绕鉴别诊断模型,CT增强数据模型未获得最优特征集,无诊断效能,MRI平扫和增强分别获得含5、4个特征的最优特征集;采用MRI平扫数据建立的模型在训练集与验证集的AUC值分别为0.862、0.750,诊断灵敏度为93.8%、50.0%,特异度为78.6%、100%。MRI增强数据建立的模型在训练集与验证集的AUC值分别为0.950、0.861,诊断灵敏度为90.0%、93.6%,特异度为100%、78.6%。结论基于CT增强、MRI平扫及增强影像组学的诊断模型对于鉴别胰腺癌与癌旁组织均有>90%的准确性。基于MRI增强影像组学的诊断模型对于鉴别胰腺癌是否存在脾动脉包绕效能最佳。

关键词： 牙折   机器学习   计算机辅助诊断   人工智能  

摘要： 目的基于牙根尖X线片建立计算机人工智能诊断模型,辅助口腔医生对牙隐裂进行有效诊断。方法收集182例患者的牙根尖影像数据。其中,确诊牙隐裂77例,未确诊105例。通过蟒蛇编程从牙根尖X线片中提取影像特征,采用套索算法(LASSO)对特征进行筛选,并建立机器学习模型判断牙齿是否患有牙隐裂。结果筛选出3个高维度纹理特征,机器学习模型在测试集上的受试者操作特性曲线下面积、特异度和灵敏度分别为0.805、0.727和0.815。结论基于牙根尖X线片建立的机器学习模型能够对牙隐裂进行比较有效的诊断。