摘要： 班本化课程开发，其核心是从问题到行动的动态实践进程。班本化课程从哪里来？如何引导幼儿积极主动地探索，以促使有意义学习的发生？基于以上问题，我们通过研究发现，问题是班本化课程的起源，也是幼儿有意义学习的起点。教师要立足幼儿视角，创设与幼儿生活经验相关、有一定挑战性的问题情境，帮助幼儿建构有益的经验，积累学习的方法，形成积极的情感，促进幼儿有意义学习。本文以班本化课程“小鸡从哪里来”为例，探讨在班本课程中促进幼儿有意义学习的路径。

关键词： 迁移学习   即时学习   多尺度Retinex   Faster R-CNN   非线性滤波  

摘要： 随着人工智能的迅速发展,基于深度学习神经网络的医学图像分类和图像检测方法的研究也在不断深入。利用深度学习神经网络方法对传统方法获取的X光片进行目标检测和标注也是研究热点。当前,针对X光图像检测难和定位不准等问题,开展小样本环境下X光医学图像检测的神经网络学习方法的研究。主要研究内容如下:(1)基于时段迁移的图像异常检测的即时学习方法。针对新设备中训练和更新模型缺乏标签样本。首先,将旧设备的样本按设备工况进行时段划分;其次,以每个时段中新设备少量的样本为模板,在旧设备对应时段中选择出与之相似的样本集;然后,将获得的样本集和新设备的少量样本共同对新设备的模型参数即时更新;最后,在实例环境仿真中验证本章方法优于直接迁移学习旧设备模型参数的方法。(2)基于特征增强的Faster R-CNN图像目标定位方法。对于(1)中异常图像检测的目标定位,首先,建立结构优化的Faster R-CNN模型:增强样本纹理的多尺度Retinex预处理模块、由残差块连接的特征提取模块、基于Dropout正则化的全连接层;其次,利用优化模型在新设备中进行训练;然后,将模型用于图像目标在线定位,以准确精度作为指标对模型进行评估;最后在实例环境仿真中验证本方法优于原本的Faster R-CNN算法。(3)基于非线性实时滤波的检测模型参数更新方法。针对设备工况变化的不确定性,使得获得的图像样本含有较大的噪声,首先,利用ROI Align对模型池化层进行更新,以提升模型的抗干扰能力;其次,将优化的模型参数建立动态模型;然后,建立以非线性卡尔曼滤波为基础的网络参数更新方法;最后,用于检测模型的参数更新,在实例环境仿真中验证本方法优于梯度下降法。综上,本文在工作(1)解决因直接迁移学习旧设备的模型参数至新设备模型而不适用的问题;工作(2)解决特征差异的图像样本难以被模型检测定位的问题;工作(3)解决了原本使用的梯度下降法无法满足模型参数在工况改变的环境下的自适应更新的问题。

关键词： 索赔频率   精算预测建模   广义线性模型   可解释性机器学习  

摘要： 随着保险大数据的发展,基于海量数据进行精算预测建模逐渐成为保险公司一项十分重要的工作。机器学习预测模型在处理海量数据时有着极大的优势,其预测精度优于广义线性模型也已经成为普遍共识。但机器学习模型中预测值的产生逻辑,模型特征变量之间的交互关系,变量如何影响预测值等这些可解释性问题均不能从机器学习模型中得到直观的回答。这就是机器学习模型的“黑盒”属性,也是导致了其无法在保险公司精算预测建模实务中被广泛运用。鉴于上述问题,本文提出了一种在保险数据中运用可解释性机器学习方法分析机器学习预测模型的研究思路。 借助经典的法国汽车保险索赔数据,本文开展了如下研究:首先,本文构建了两类汽车保险索赔频率的预测模型:广义线性模型和机器学习模型,其中机器学习模型包含了神经网络模型和XGBoost梯度提升树模型,模型的拟合效果表明机器学习模型在预测精度方面高于传统的广义线性模型。其次,本文采用部分依赖图、个体条件期望图、置换特征重要性以及沙普利值可加性解释(SHAP)等可解释方法,对神经网络模型和XGBoost梯度提升树模型中隐含的变量重要性、变量如何影响预测值、变量间的交互作用以及单一预测值如何产生等可解释性问题进行了研究和分析,得到了一系列关于变量的可解释性结论,说明可解释性机器学习方法能够使机器学习模型具有很好的解释效果。最后,考虑到保险公司对模型可解释性的现实需求,目前在精算预测建模实务中仍然更多地采用广义线性模型的实际情况,本文将机器学习模型中得到的可解释性结论应用于传统广义线性模型的改进中。经过评价指标的测算,改进后的广义线性模型在拟合效果和预测精度上均得到了显著改善,优于已有的广义线性模型和神经网络模型。 本文的研究结论有助于推动机器学习模型更多地应用于保险公司精算预测建模实务,帮助建模人员预先确定模型中的重要变量,进而探究重要变量对预测值的影响。并且基于得到的可解释性结论,本文对保险公司广泛使用的广义线性模型进行了改进,改进后模型的实际预测精度得到了极大改善。

关键词： 动量   机器学习   量化投资  

摘要： 随着我国资本市场的不断发展,机器学习与量化投资也逐步走入了人们的视野。因子投资作为量化投资领域中的一个方向,不论是在学术领域还是现实投资领域,一直都受到各位研究者们的青睐。其中,动量因子则是近年来最有代表性的异象之一。同时,随着数字技术与金融科技的发展,使用机器学习结合量化投资也逐渐成为部分学者和市场投资者研究的主流方向。基于上述背景,本文将动量因子与机器学习模型有机结合,使用其他基本面因子作为输入,并结合不同机器学习方法,加强A股市场上的月级别动量效应。首先,通过搜寻相关文献,本文认为股票市场具有一定的可预测性,而相比于传统计量方法,机器学习方法在股票收益预测方面存在部分优势。其次,最新研究表明,动量因子是其他基本面因子的动量组合而成的,即动量因子拥有其他基本面因子的风险溢价。所以,本文认为动量因子和基本面因子存在着一定的关联,因此使用了16个基本面因子作为机器学习模型的输入。对于策略构建与评估,本文使用了OLS、Lasso回归、Ridge回归、弹性网络模型、GBDT模型、随机森林模型以及XGBoost模型在每月月底对A股市场上月频动量排名前20%的股票进行预测,并买入预期收益大于0的股票。预测时所使用的因子为其他学者在A股市场上验证有效的16个基本面因子,策略回测的时间为2013年1月至2022年4月。随后统计这些策略的收益、胜率、夏普等策略指标,并使用Fama-French五因子模型对策略的超额收益进行检验。最后,本文也探究了XGBoost模型的因子重要度和策略适用的标的股票,并检验了交易成本的影响。进行上述操作步骤后,本文有以下发现:第一,机器学习方法更善于预测动量较大组股票的下期收益率方向,随着动量效应的减弱,模型预测的正确率也呈现出单调下降的趋势,这说明动量因子与其他基本面因子的确存在部分联系;第二,不同模型都能对动量最大组的股票收益起到加强效果,而树模型的综合表现明显优于线性模型,在年化无风险收益设定为2%时,XGBoost模型的夏普比率为0.65,而表现最好的线性模型的夏普比率为0.51,这也说明了较为新颖的模型能取到较好的加强效果,其原因是这些模型更能找到因子与预期结果之间的非线性关系。同时,本文也发现对中小市值股票运用该投资策略能获得更高的超额收益。最后,考虑到交易成本等现实约束后,该策略仍然具有一定的现实投资价值。

关键词： 中文医学文本   命名实体识别   词汇增强   多任务学习  

摘要： 人工智能的飞速发展引爆了新一轮科技革命和产业变革，医疗将是其重要应用领域之一。海量非结构化中文电子病历中隐含着大量医学知识，从医学文本中抽取有效信息是推动智能医疗产业快速发展的基础，对医学知识积累、医疗质量改善、医学行业发展都具有重要意义。命名实体识别作为自然语言处理任务的基础显得尤为重要。本文针对中文医学文本含嵌套结构实体数量大、专业术语多等特点，从以下三方面展开了相应研究。　　（1）针对中文医学嵌套命名实体识别数据集资源缺乏的问题，构建了中文医学嵌套命名实体 CMNNEs 数据集。通过建立相关标注体系、数据预处理、预标注和正式标注及一致性检验等工作，基于合作医院提供的两千份电子病历构建了数据集CMNNEs。共包含8个医学实体类型，2500条数据及22331个实体，嵌套实体数量占比达到30%，为后续研究提供了数据基础。　　（2）针对命名实体内部中间特征学习不足、罕见实体识别困难问题，提出了基于词汇增强和多任务学习的命名实体识别MtLe-NNER模型。在文本表征方面，设计了一种基于词典匹配和词频的 ALE 词汇增强方法，以引入更多词汇边界和语义信息。在实体识别方面，通过对命名实体识别任务进行分解，提出了一种融合实体头尾两端和内部中间信息等多特征的MTLNer多任务命名实体识别方法，利用更加丰富的特征信息进行准确识别。　　（3）为了验证本文模型的有效性，在本文构建及两个公开数据集上进行了对比试验。实验结果表明，与其他模型中表现最佳模型相比，本文模型在三个数据集上的F值均有不同程度的提升，证明了本文模型在识别含不同比例嵌套实体任务中均可取得更好效果。进一步对模型中子任务和主任务、词汇增强及特征融合等主要功能模块进行了消融实验，验证了各模块的有效性和必要性。　　本研究构建的中文医学嵌套命名实体数据集 CMNNEs 可为后续研究提供有力数据支持，提出的MtLe-NNER模型可以有效提升中文医学嵌套命名实体识别任务的识别效果，能够为医学知识图谱构建等工作提供有效底层支撑，从而推动智能医疗的发展。

关键词： 深度神经网络   频谱特征识别   联邦学习   深度强化学习  

摘要： 自动频谱特征识别(Automatic Spectrum Characteristic Recognition,ASCR)期望以自动化方式从频谱大数据中提取感兴趣的特征并完成识别或分类,进而支撑各类频谱感知、监测与管理任务,实现对电磁频谱资源的高效理解与利用。当前,基于深度神经网络的ASCR方法已经取得了较好的识别效果,但这种方式要求用户将数据汇聚到中心服务器处,存在传输开销和数据隐私问题。在此场景下,联邦学习(Federated Learning,FL)作为一种数据不离本地的新型分布式计算架构,成为降低传输开销、保护用户隐私以及解决数据共享困境的一种可行思路。然而,移动边缘计算网络传输环境的复杂性以及移动设备资源的有限性,对基于FL架构的ASCR实现构成了两个方面的挑战:一方面,移动边缘计算网络中,移动设备与边缘计算节点分布广泛,资源受限的移动设备需要在多个FL任务中保证精度的同时,降低训练时延与能耗,如何确定移动设备与边缘计算节点的FL任务的关联关系是提升FL效能面临的重要挑战。另一方面,受传输环境随机性和电磁环境时变性的影响,无线网络中的链路传输不稳定,数据传输速度的抖动和中断时常发生,这将显著影响FL的训练效率,如何在传输不稳定场景下提升FL训练效率也是FL面临的一大挑战。在此背景下,本学位论文从面向ASCR的FL出发,旨在设计移动设备调度以及资源分配算法,提升多任务联邦系统中的训练效率,减小通信开销,构建面向移动边缘计算网络的高效可靠的多任务FL架构。具体而言,本学位论文主要工作包含四个方面:(1)系统总结对比了基于深度学习的自动调制识别工作,构建了验证环境,对多类主流识别方法进行了实现和验证。以自动调制识别为例,总结分析了当前特征识别的研究现状,将基于深度学习(Deep Learning,DL)的调制识别算法分为四类,并对各类典型方案进行重点总结与介绍。最后,在公开数据集上,实现了十类典型识别算法,并进行了系统对比分析。(2)针对多任务联邦学习场景下的移动设备调度问题,提出基于差分进化的移动设备调度算法,降低系统整体的时延与能量消耗。在环境复杂的移动边缘计算网络场景,以最小化联邦学习任务每轮的训练时延和能量消耗为目标建立了优化模型,综合考虑模型精度、传输链路质量、任务时延以及任务能耗等因素,提出了一种基于差分进化的移动设备调度算法。该算法以每个可行的移动设备调度方案作为个体,将优化目标作为适应度值,通过变异、交叉、选择操作得到具有最佳适应度值的个体作为问题的次优解。仿真结果表明,在移动设备数量增加到800时,相较随机调度方法,所提算法整体耗费值下降了28%,有效降低训练过程中的时延与能量消耗。(3)针对多任务联邦环境下的资源分配问题,提出基于演员-评论家(Actor-Critic,AC)的多任务联邦资源分配算法,提升系统整体的训练与通信效率。移动边缘计算网络中,不同移动设备具备的资源以及存储的任务数据量不同,与各边缘计算节点间的信道增益也存在差异,导致不同设备参与FL任务的时延与能耗不同。在此背景下,提出一种基于AC的多任务联邦资源分配算法,其优化目标是时延与能耗的加权和。该算法将FL模型训练转化为马尔可夫过程,通过网络训练提升分配策略的准确性,最终获得最佳的资源分配策略。仿真结果表明,大规模场景下,经过2000轮左右迭代,该算法耗费值收敛至1.76,相较于最优基准算法整体耗费下降了4%。(4)设计多任务联邦原型系统,基于典型数据集和模型进行了FL架构验证。采用多台设备设计并实现了一个多任务联邦原型系统,系统主要包含五个模块:交互模块、中央管理模块、设备管理模块、数据集成模块和模型集成模块。交互模块提供了可视化界面,便于查看任务运行状态与结果;中心管理模块与设备管理模块负责参数指令的传递以及FL架构的执行;模型集成模块与数据集成模块中共内置了4类神经网络模型、4类以频谱特征识别为代表的联邦任务数据集。通过功能性验证实验,证明了该系统的有效性。

关键词： 深度学习   阅读教学   小学英语课堂  

摘要： 英语阅读教学的重要性逐渐为人们所认识，传统教学方式的效果十分有限，因此，将全新教学思想、教学方法用于阅读教学中迫在眉睫。深度学习是小学课程教学改革的重要思想，强调在具体教学过程中，通过教师的引导，促使学生主动参与、全心投入，进而获得全面发展。本文首先概述了英语阅读教学，其次探讨了将深度学习理念融于英语阅读教学的意义，最后针对课前、课中和课后三个阶段，提出了将深度学习融于英语阅读教学的方法，例如，课前复习知识、创设阅读氛围，课上通过提问引出内容、利用思维导图降低阅读难度，课后拓展任务、巩固学习成果。希望能够给英语教师提供一定参考，为英语阅读教学有序开展助力。

摘要： 随着“双减”政策的出台,国内的教育环境发生了巨大的变革,不再完全地以分数的高低来决定能力的强弱,这样不仅减少了同学们的内卷程度,也促进了同学们健康全面的发展．在这样的教育环境下,同学们也应该与时俱进,在初中数学的学习过程中摒弃以往题海战术的学习模式,以新的方法来更精确高效地完成学习任务．

关键词： 联邦学习   分布信息共享   隐私保护   非IID数据  

摘要： 近年来,联邦学习由于其保护隐私的特性被越来越多的应用在医学领域。然而,由于受到规模和地理位置等因素影响,各医疗机构之间的数据是非独立同分布(IID)的,这使得传统联邦学习算法的性能出现下降。为了解决该问题,同时保证病人隐私数据的安全,我们提出了一种分布信息共享的联邦学习方法(FedDIS),该方法通过利用从其他客户端接收到的数据分布在各个客户端本地生成数据,从而提升非IID数据条件下联邦学习的性能。具体地,本文的主要研究工作如下: 1)基于全局生成器的数据分布信息共享和数据增扩方法研究。为了解决非IID数据导致联邦学习性能下降的问题,首先,学习一个生成模型来获取各客户端本地数据的分布信息,利用生成模型将客户端数据映射到一个低维的隐空间中,为了更准确的估计数据集在隐空间的分布,采用σ-点采样的方法对隐空间进行重参数化,生成了更多的隐空间样本点,并假设了不同的隐空间分布类型。各客户端将本地数据在隐空间的分布估计完成后,将分布信息进行共享,这样每个医疗机构会收到来自其他所有参与联邦学习机构的隐空间数据分布信息,然后根据这些信息对本地数据集进行数据增扩,以减少客户端本地和客户端之间数据的非IID程度,从数据本身来解决非IID问题。最终实验表明所提出的方法在非IID情形下显著提升了任务模型的性能。 2)分布共享联邦学习方法中的隐私问题研究。为了证明分布共享联邦学习方法的隐私保护特性,首先定义了数据集之间的距离和最大SSIM作为隐私泄露度量的显式表达,利用这些指标度量了生成数据和原始数据的差异。由于医学影像数据不仅存在整体的泄露,还存在局部的泄露,比如病灶等感兴趣区域的泄露,因此进一步提出了基于深度学习的隐私问题度量指标。首先对图像进行滤波得到图像中的中高频信息,然后利用多尺度模型进行特征的提取,最后利用多层感知器(MLP)对特征进行判定学习。在实验中,构造了两个实例数据集分别对模型进行了训练,最终的测试结果表明分布共享联邦学习方法可以很好的保护原始数据的隐私信息。