关键词： 大单元主题意义   初中英语   项目化学习   综合素养  

摘要： 项目化学习作为一种有效的教学模式,在初中英语教学中得到广泛应用。本文基于大单元主题,探讨了在初中英语教学中实施项目化学习的可行性及其策略。基于大单元主题的英语项目化学习有利于培养学生的语言运用能力、合作能力、跨文化交际能力、自主学习能力以及创新能力等,对提高学生的英语综合素养有积极作用。

关键词： 成像光谱   铀矿   砂岩粒级   岩性分类   深度学习  

摘要： 【研究目的】岩心编录对获取地球深部地质信息意义重大,目前,人工编录仍然是获取岩性等信息的主要手段,存在编录过程费时费力,编录结果不完整、主观性强的缺点。【研究方法】以鄂尔多斯盆地西南部砂岩型铀矿岩心钻孔ZKH3为研究对象,将深度学习技术与成像光谱技术应用于岩心岩性识别。【研究结果】构建了包含7个一维卷积层、2个池化层、1个一维卷积注意力模块和3个全连接层卷积神经网络模型。并收集整理了7类岩石共26877条光谱样本,完成了模型优化和训练。最后,通过与支持向量机(SVM)的对比及在整孔岩心中的应用,评价了模型性能。结果表明,深度学习岩性识别模型的总体精度(OA)达到94.6%,其中泥岩、细砂岩、粉砂岩、中砂岩、粗砂岩、砂砾岩及背景的生产者精度(PA)分别为95.07%、72.02%、97.50%、97.37%、96.65%、97.33%、99.01%,Kappa系数为0.94,总体优于SVM,且取得了与地质编录相当的效果。【结论】表明基于成像光谱数据的深度学习模型具有良好的钻孔岩性分类识别能力,可实现岩性的无损快速识别,在一定程度上降低了人工地质编录的主观性,可为岩心数字化及自动化编录研究提供参考。

关键词： 红巨星支   机器学习   恒星参数   星震学   红团簇星  

摘要： 为了获取更纯净的红巨星样本,采用基于深度学习的方法对来自APOGEE-2的2万多颗星的演化类型进行了分类;使用APOKASC-2中的4216颗星为训练集,将神经网络训练出的模型应用到红巨星分支恒星和红团簇星的分类中;以APOKASC-2中的1807颗星为测试集,模型应用到测试集的结果显示,该方法的均方误差、均方根误差、平均绝对误差分别是4%、20%、9%。接着将模型应用到来自APOGEE-2的2万多颗星,得到结果的均方误差、均方根误差、平均绝对误差分别是5%、24%、8%。此外,分析使用了LAMOST DR7的数据进行测试,结果显示此方法的准确率目前能达到98%。通过对比,我们的方法与部分其他分类方法的准确率基本一致。未来可以将此方法应用于更大样本的红巨星分支恒星和红团簇星的分类工作。

关键词： 联邦学习   差分隐私   自适应噪声   轮盘赌   精英保留  

摘要： 将差分隐私应用于联邦学习的方法是保护训练数据隐私的关键技术之一。针对之前多数工作未考虑参数的异质性,对训练参数均匀裁剪使每轮加入的噪声都是均匀的,从而影响模型收敛和训练参数质量的问题,提出一种基于梯度裁剪的自适应噪声添加方案。考虑梯度的异质性,在不同轮次为不同客户端执行自适应的梯度裁剪,从而使噪声大小自适应调整;同时,为进一步提升模型性能,对比传统的客户端随机采样方式,提出一种结合轮盘赌与精英保留的客户端采样方法。结合上述2种方法,提出一种结合客户端选择的自适应差分隐私联邦学习(CS&AGC DP_FL)方法。实验结果表明,在隐私预算为0.5时,相较于自适应差分隐私的联邦学习方法(Adapt DP_FL),所提方法能在相同级别的隐私约束下使最终的模型分类准确率提升4.9个百分点,并且在收敛速度方面,所提方法相较于对比方法进入收敛状态所需的轮次减少了4~10轮。

关键词： 马克思主义基本原理   中华优秀传统文化   马克思主义中国化   学习宣传贯彻   中国特色社会主义道路   三中全会精神   基本内涵   时代化  

摘要： 习近平总书记在庆祝中国共产党成立100周年大会上明确提出一个重大理论观点,即“把马克思主义基本原理同中国具体实际相结合、同中华优秀传统文化相结合”(简称“两个结合”)的要求,特别是提出的要把马克思主义基本原理同中华优秀传统文化相结合,极大丰富、拓展了马克思主义中国化时代化的基本内涵,体现出对马克思主义基本原理的深刻理解和对中国特色社会主义道路的坚定信念。

关键词： 个人信息   政府信息   个人隐私   个人私密信息  

摘要： 作为网络社会和“大数据时代”的制度元概念,“信息”成为当下行政法律中聚合类型化概念的重要基点,同时也形成了与其他同类型概念之间的交叉。政府信息公开法制与保密法制的对合性设计,又进一步造就了这种概念交叉的复杂性。对概念交叉类型化的总结,是对“信息类概念”理论地位与实践模型准确定位的基础。“个人信息”是“信息类概念”产生的原点,尤其是表现在“个人信息”与“政府信息”的关联。而政府信息公开与保密在法制上的关联,又成为“信息类概念”衍生的基点。面对“信息类概念”与“秘密类概念”的多重并用模式的共存现状,应从目的导向实现“信息类概念”与“秘密类概念”的均衡使用,在逻辑层面实现对“信息类概念”内部的概念整合,以“个人私密信息”作为概念整合的中心进行概念体系再造。

关键词： 生物信息学   机器学习   预后   结果可重复性   研究报告   临床研究  

摘要： 确保临床试验数据的科学性和可靠性,是药物临床试验发展的关键,也是推动我国医药产业进步的重要举措。近年来,随着临床研究数据集复杂性的不断提升,传统统计方法的应用受到限制,机器学习(ML)方法被大量应用于观察性研究和预测模型中。机器学习能有效分析和利用海量数据,提供个性化的诊断、治疗和预后预测,从而提高临床研究和决策的准确性和效率。然而,目前由于研究报告撰写规则尚不统一,研究报告质量参差不齐。2020年,学术期刊《Cardiovascular Quality and Outcomes》发表的文章“临床研究中机器学习分析报告的建议”,探讨了机器学习分析结果进行透明和结构化报告的必要性,对采用机器学习技术的临床研究报告提出了系列规范建议。2024年4月,TRIPOD指南也更新了人工智能(AI)相关的报告规范。本研究以该分析报告为重点,借鉴TRIPOD+AI指南内容,探讨并整理了基于机器学习方法下我国临床研究报告的撰写规范,并提出建议,旨在让临床医生熟悉机器学习的基本原理,进一步提高我国药物临床试验专家学者应用机器学习方法促进临床研究的可重复性,加强临床研究报告撰写的规范性。

关键词： 小样本学习   原型网络   原型特征   类矫正  

摘要： 针对小样本学习过程中样本数量不足导致的性能下降问题,基于原型网络(Prototype network,ProtoNet)的小样本学习方法通过实现查询样本与支持样本原型特征间的距离度量,从而达到很好的分类性能.然而,这种方法直接将支持集样本均值视为类原型,在一定程度上加剧了对样本数量稀少情况下的敏感性.针对此问题,提出了基于自适应原型特征类矫正的小样本学习方法(Few-shot learning based on class rectification via adaptive prototype features,CRAPF),通过自适应生成原型特征来缓解方法对数据细微变化的过度响应,并同步实现类边界的精细化调整.首先,使用卷积神经网络构建自适应原型特征生成模块,该模块采用非线性映射获取更为稳健的原型特征,有助于减弱异常值对原型构建的影响;然后,通过对原型生成过程的优化,提升不同类间原型表示的区分度,进而强化原型特征对类别表征的整体效能;最后,在3个广泛使用的基准数据集上的实验结果显示,该方法提升了小样本学习任务的表现.

关键词： 图文情感分析   深层注意力   两阶段融合   门控注意力机制   对比学习  

摘要： 图文数据逐渐成为网络舆情的主流载体,图文情感分析利用多模态的信息互补效应提高情感分析效果,在人机对话、舆情监控等领域具备极大的应用潜能。以往的研究大多将图像和文本的特征拼接后再使用注意力进行融合,模态信息交互不充分,融合特征存在大量的噪声。提出了一种深层注意力和两阶段融合的图文情感对比学习方法。使用深层跨模态注意力网络进行模态交互,有助于提取不同模态的隐藏信息。设计的跨模态门控融合模块利用门控机制和注意力实现特征的两阶段融合,动态调整特征权重,降低数据噪声。模型通过对比学习和情感分类任务的联合训练,充分捕获与情感相关的跨模态共同特征,有利于提升模型的鲁棒性。方法在MVSA-Single、MVSA-Multiple和HFM等数据集上进行实验得到的准确率和F1值相较于基线模型的最优者平均提升了1.04和0.96个百分点。

关键词： 持续学习   灾难性遗忘   预训练模型   高效参数微调   深度神经网络  

摘要： 传统机器学习算法只有当测试集和训练集同分布时才能取得较好的性能，无法增量地学习原训练集中没有的新类别或任务。持续学习使模型得以具备自适应学习的能力，在持续学习新任务的同时能够防止对旧任务的遗忘。当前持续学习仍面临着计算、存储开销以及性能稳定性等挑战。近年来预训练模型的发展为持续学习提供了新的研究方向，有望进一步提高性能表现。对现有基于预训练的持续学习方法进行归纳，按照防止遗忘的机制将其归类为基于提示池的方法、缓慢更新参数的方法、基于扩展主干网络分支的方法、基于参数正则化的方法、基于分类器设计的方法五类，并进一步按照阶段数、微调方式和是否利用语言模态对其归类，总结了各类方法的主要特点和各自优势。之后分析了持续学习方法总体存在的挑战，分别归纳了各类持续学习方法的适用场景和局限性，并在多个评测基准上对现有方法进行了实验比较，分析了各方法的性能差异。最后，对基于预训练的持续学习方法的研究趋势进行了展望。