关键词： 鲁棒联邦学习   边缘计算   攻击与防御   强化学习  

摘要： 联邦学习是一种分布式机器学习范式,主要用于解决多方合作中的数据隐私与安全问题,但是联邦学习存在鲁棒性问题,如何在不同的客观环境与一些主动攻击威胁下保证系统的鲁棒性极具挑战。本文主要研究在资源约束边缘计算系统下如何进行鲁棒联邦学习的问题。首先,参与联邦学习的客户端存在系统异构和数据异构的现象,在计算资源、通信资源、能源有限、服务器端采用同步聚合的方式的情况下,性能差的参与者将很大的影响联邦学习的进程,造成时间、资源的浪费以及性能的下降。同时,联邦学习易被攻击,攻击者容易伪造甚至劫持客户端成为联邦学习参与者中的恶意节点,通过发动各种攻击来破坏系统。本文基于联邦学习面临的主客观挑战,在系统鲁棒性方面进行了研究,主要研究内容如下:(1)对比传统的两层联邦学习架构,提出一种基于云-雾-边-端的分层联邦学习方法,给出了分层联邦计算范式,结合图像识别任务与开源图像数据集与传统的云联邦学习、边联邦学习在模型准确率和耗时能耗上进行数值实验对比,实验证明了提出的分层联邦学习架构在全局模型准确率与训练时延、能耗上的优秀性能。(2)在云-雾-边-端分层联邦学习架构下,考虑无人飞行器集群联邦系统在多层计算中的资源分配与任务卸载问题,提出使用深度强化学习算法作为多层联合学习中的代理,引导无人飞行器设备选择训练节点和聚合节点,以最小化联合任务的平均延迟与能源消耗。为了解决优化问题,将该问题转化为马尔可夫决策过程(MDP),并提出了一种基于双延迟深度确定性策略梯度(TD3)的节点选择方法,以获得最佳的训练和聚合节点选择和资源分配策略。数值实验表明,我们的方法在系统延迟与能源方面在多个性能指标上明显优于其他的基准算法。(3)针对联邦学习面临的各种主观恶意攻击威胁,量化分析了攻击威胁对系统造成的危害,并进行了攻击威胁量化实验,总结了不同主观客户端攻击的特点。(4)提出了基于节点选择与模型权重重分配的鲁棒联邦聚合算法,通过研究恶意客户端更新与良性客户端更新的距离,更新客户端的置信度从而指导聚合算法进行节点选择;使用深度强化学习作为聚合算法的权重代理,指导聚合算法进行权重重分配,以最小化恶意客户端更新对系统的影响。通过与联邦学习其他鲁棒聚合算法的对比实验中证明了提出的鲁棒联邦聚合算法的优良性能。

关键词： 个股投资者情绪   金融异象   资产定价   随机森林回归模型  

摘要： 行为金融理论认为,投资者情绪作为人的一种不理性心理,其广泛存在于投资者的交易活动之中。因此,当大量投资者的交易行为同时受到投资者情绪的影响时,投资者很可能会对股票未来预期产生系统性的认知偏差,并最终对资产价格产生影响。目前,已经有许多学者从宏观层面研究了投资者情绪,比较了市场投资者情绪不同时,不同类型股票收益率的表现差异,证明了市场投资者情绪能够对股票收益产生影响。然而,由于个股投资者情绪测度较为困难,少有学者从微观层面入手,研究个股投资者情绪对股票市场的影响,造成了投资者情绪微观研究的空缺。因此,本文构建个股投资者情绪以及研究个股投资者情绪异象,对进一步理解投资者投资行为和提高市场定价效率具有重要的理论意义和现实意义。为了研究个股投资者情绪对股票市场的影响,本文首先使用了机器学习方法构建了基于市场投资者情绪的个股投资者情绪指标。具体来说,本文首先学习了Baker and Wurgler(2006)构建市场投资者情绪的方法,构建了中国A股市场的投资者情绪。然后,本文选取了换手率、相对强弱指数、乖乘率、人气指标、成交量比率、心理线指标、动态买卖气指标以及非主力资金净流入程度八个技术指标作为市场和个股投资者情绪的特征。接下来,本文使用随机森林回归算法和K近邻回归算法,将市场层面技术指标与市场投资者情绪作为训练集,把市场投资者情绪学习到个股层面,从而得到了基于市场投资者情绪的个股投资者情绪指标。随后,本文使用了投资组合方法和Fama-Macbeth回归方法对个股投资者情绪异象的存在性以及个股投资者情绪异象的横截面异质性进行了检验。最后,本文学习了Gu et al(2018)的套利限制指数构建方法,对套利限制与个股投资者情绪异象之间的关系进行了研究。根据上述研究,本文得出了以下结论:第一,本文构建的个股投资者情绪在时序上与市场情绪保持较强的相关性,同时,在横截面上,个股投资者情绪与股票收益、股票估值难度具有明显的相关性,证明了本文构建的个股投资者情绪是合理、有效的。第二,中国A股市场存在显著的个股投资者情绪异象,在不同的因子模型下,根据个股投资者情绪构建的多空组合超额收益都在统计意义上显著,且通过多空策略组合可实现年化8.532%的收益。第三,本文发现个股投资者情绪异象在横截面维度存在显著差异。市值规模越小,机构持股比例越低,盈利能力越弱,波动率越大的股票,其个股投资者情绪异象越强。第四,本文发现套利限制可以强化个股投资者情绪异象,说明了套利限制是个股投资者情绪异象产生的重要原因。

关键词： 房地产企业   债券违约   风险预警   机器学习方法  

摘要： 近年房地产板块债券违约日益突出,房地产企业一直以来有着“资金密集、高杠杆”的特征,供给和需求均依靠融资,整体财务杠杆偏高,资金周转压力大。特别是随着国家出台系列的组合收紧政策,如“房住不炒”持续强调房屋居住属性、“房企融资新规”设置三道红线规范融资规模,“房地产贷款集中度管理制度”收紧居民住房贷款政策,地产金融化脚步放缓,投资属性受限,住房需求逐渐下降,各房地产企业回款速度放慢,因此高负债高周转的房企开始出现大规模大范围的债券违约事件。本文借助房地产企业实质违约事件,运用机器学习方法研究房地产企业债券违约风险预警,即回答三个研究问题:(1)致使多家房地产企业频繁出现债券违约的共性原因是哪些?(2)机器学习是否可以有效对房地产企业债券违约风险进行预警?如果可以,何种方法具有更好的预警效果?(3)对于识别房地产企业债券违约风险,何种维度的预警指标预警功能更好?本文利用2018年以来房地产企业的实质违约事件,对房企债券违约进行现实刻画并剖析违约风险爆发的深层次共性成因,基于此从宏观经济、债券特征、发行人特征、财务特征和经营特征五个维度构建房地产企业债券违约风险预警指标体系。然后运用Logistic回归、Lasso回归、岭回归Ridge、弹性网络Elastic Net、支持向量机SVM、随机森林RF、极端梯度提升树XGBoost和K近邻KNN算法等8种常用的机器学习方法搭建债券违约风险预警模型,并实证检验机器学习方法对房地产企业债券违约风险的预警效果和五个维度预警指标的预警能力。研究结果表明:(1)本轮债券违约发生的直接原因是房地产企业陷入“流动性危机”,而深层次原因是房企存在业务经营不善、陷入财务困境和债券低评化高利化长期化等急需筹措资金表现与外部宏观经济下行和房市调控趋严的“联结效应”。(2)通过模型评价指标分析,8种模型的准确率、召回率、F1和AUC值的预警准确度均在64%以上,说明机器学习方法能有效预警房地产企业债券违约风险。通过对比评价指标发现,极端梯度提升树XGBoost模型划分正例的能力F1达到0.8303,模型评估效果AUC值为0.8648,违约债券总数为2528,该模型成功预测出2011个,召回率为0.89;正常债券样本误判为违约债券的305个,查准率为88.52%,说明该模型在房企债券违约问题有着更加突出的预警性能,更适用于房企债券违约风险预警。(3)基于较优预警方法XGBoost的房地产企业债券违约风险预警模型的预警指标贡献度分析,各维度对房地产企业债券违约风险都有预警作用。研究发现票面利率、发行期限、发行市场等债券特征的预警贡献度是33.26%,是引发房企债券违约风险最重要的一类预警指标。其次是营运能力、现金质量、盈利能力及偿债能力等代表财务特征的预警指标,也会显著影响房企债券违约的可能性,预警贡献度是25.14%。最后,预警贡献度从高至低依次是经营特征20.39%、宏观经济特征16.9%和发行人特征4.31%。据此,提出如下政策建议:一是健全房地产企业债券违约全口径监测评估平台和风险预警体系。二是房地产企业须转变经营理念,稳健经营,提升房企经营管理水平。三是建立健全债券市场信息披露制度,完善房地产金融的宏观审慎管理政策体系。

关键词： 有意义学习理论   高中生物学   教学策略   实践研究  

摘要： 高中生物学新课标强调素质教育的改革,要求教师的课堂教学符合学生身心发展特点和教育发展规律。奥苏贝尔的有意义学习理论强调以学生为中心,强调教学内容新旧知识之间的联系,对于素质教育改革具有重要指导意义,也符合《高中生物学新课程标准》对学生发展的要求。本论文将有意义学习理论应用于指导高中生物学教学活动,旨在培养学生生物学核心素养,为提高课堂师生互动的主动性、为高中生物学教学提供理论指导。本论文采用文献研究法整理分析了关于有意义学习理论的文献,对有意义学习理论的源起、发展、实质、标准、条件、类型、过程、原则、策略等进行了研究和阐述,进一步根据有意义学习理论并结合新课标要求,将《分子与细胞》的知识分成了陈述性知识、程序性知识和策略性知识。通过访谈、问卷等方法,本论文从教师和学生两个角度调查了结合有意义学习理论的高中生物学教学现状,分析了其中的突出问题:(1)教师在教学中不注重新旧知识的联系。(2)学生知识迁移和构建知识体系的能力不足。(3)学生的学习自主性不高,少数能做到课前预习、课后梳理。这三个问题说明教师在教学过程中没有让学生在原有知识的基础上构建新知识,形成知识体系,于是本论文针对这些问题提出了基于有意义学习理论的教学策略,即教学内容贴近学生原有认知、将知识按类型分类、对新知识进行多重编码、合理利用先行组织者。本论文进一步选取了江西师范大学附属中学两个平行班作为实践研究对象,针对实验班进行基于有意义学习理论教学策略指导下的教学实践,由课堂观察可得基于有意义学习理论教学策略能有效提高学生课堂学习生物学的积极性、帮助学生构建生物学知识体系、有助于学生进行生物学相关知识迁移。对前、后测成绩进行独立样本t检验可得,应用基于有意义学习理论的教学策略可有效提升学生的学习成绩,为教师进行课堂设计和教学提供参考。

关键词： 跨学科教学   初中美术   有意义接受学习  

摘要： 随着我国义务教育阶段的课程改革,跨学科教学的概念变得愈加重视。美术跨学科教学在培养学生美术能力和综合素质方面,具有独特的育人价值。从学科上来看,美术和生物学都是表达自然和认识世界的重要手段,学科的共同特点使得学科融合成为可能。本文将对人美版教材跨学科的课程进行分析,寻找其中跨学科教学的共性,探寻初中美术跨生物教学的学科结合点。此外,通过问卷调查得出结论,依据结论为初中美术跨生物的教学编写教案。起始阐述部分为绪论,是本研究的基本论述。通过选题的缘由、对“有意义接受学习”的理念和跨学科教学的文献的梳理和分析,阐明跨学科教学在国内外的研究现状,简述本研究的意义和创新点。第一部分为初中阶段人民美术出版社教科书中跨学科课程占比,以人美版的初中美术教材中跨学科的课程内容为研究实例。通过对现流行的人民美术出版社教科书,分析跨学科课程的占比,寻找跨学科课程的共性。在此基础上分析人民美术出版社教科书中与生物直接或间接相关的课程,总结特点,最后得出结论。第二部分为美术与生物学的跨学科教学的问卷调查分析。探索在当前的教育背景下,如何在初中美术课中实施跨学科教学的问题。首先阐明了调查背景和问卷说明,问卷分为三份,分别是教师、学生、社会。运用网络和社交媒体发放问卷,收集结果分析后,对教师和学生问卷分别进行了后续的沟通和访谈。最后得出结论,综合分析,寻找其中的共性,找出美术与生物学的跨学科教学的有效结合点。第三部分为基于“有意义接受学习”的初中美术与生物学的跨学科教学设计思路。在第一章节,首先,阐明了当前初中美术与生物学跨学科教学存在的显而易见的局限性,分为对教师的要求和对课程的要求;其次,是基于“有意义接受学习”方法下初中美术与生物学跨学科教学的融合方式,本文分析了两种教学的融合方式,一是主题式的课程融合方式,二是依据现有教材进行扩充与升华,并结合人教版的初中生物教材进行共同研究设计;最后,以主题课堂与户外实践课堂结合的,基于有意义接受学习的初中美术与生物学的跨学科教学设计。第四部分和结语为本研究也存在的不足或需注意之处和本研究取得的成果。笔者从设计的不足以及研究的不足展开了反思,并希望在未来的教学研究中予以改进。在成果方面,探索了初中生对美术跨生物学教学的接受程度和激发学生关爱生态环境的情感价值观

关键词： 初中英语   学困生   词汇学习   策略  

摘要： 本文基于人本主义学习理论，坚持以生为本，从合理的学习目标定位、难度适宜的词汇学习要求、灵活多变的词汇教学方法以及有效的学习激励机制四个方面探讨了初中英语学困生词汇学习方法，重点探讨了灵活多变的词汇教学方法。

关键词： 人体行为识别   微多普勒效应   毫米波雷达   无监督领域自适应   迁移学习  

摘要： 人体活动识别技术可以帮助计算机理解人类行为,进而用于开发一系列人机交互、医疗监测等应用,具有重要的研究价值和现实意义。对比基于视频、红外线和惯性传感器等传统人体行为识别方法,基于毫米波雷达的人体行为识别方法分别有着不受光照、天气影响和不会妨碍人体动作等优势。传统的机器学习和深度学习方法在人体行为识别任务上取得了一定的成果,然而人类行为的多样性和实验场所的差异带来的跨域问题仍是人体行为识别任务的一大挑战。迁移学习方法可以从相关领域或任务学习先验知识来改善模型,使得算法能够更好地学习到不同数据集之间共同的特征,可以有效地缓解人体行为识别任务中存在的人群和环境差异的问题。综上所述,本文提出了基于迁移学习的毫米波雷达人体行为识别方法,主要贡献如下:(1)考虑到人体行为识别任务中存在的人群和环境等跨域识别的问题,本文提出了一种基于原型伪标签的无监督领域自适应方法。首先在预训练阶段,通过标签平滑方法约束倒数第二层特征表示类簇的分布防止预训练模型过拟合。然后在微调阶段,针对传统伪标签相互独立,缺乏类间相关信息的问题,本文设计了基于原型学习和核方法改进的伪标签生成方法,其中原型学习利用了语义信息更丰富的倒数第二层特征表示替代最后一层线性分类器的输出,核方法将特征表示投影到高维空间缓解线性不可分问题。实验采用包括六种人类活动的公共雷达微多普勒频谱数据集来评估提出的方法。实验表明,本文提出的方法分别在雷达数据集跨人群和跨环境的迁移任务上能够以88.16%的平均准确率和90.45%的平均准确率识别这六种活动,在与其他基线方法的对比中得到了更好的结果。(2)源域预训练的特征编码器迁移到目标域时,由于源域和目标域之间的差异可能会对一部分目标域不存在的信息进行编码从而产生冗余,这是人体行为识别任务的差异带来的另一个挑战。针对这一问题,本文设计了一种最小化冗余信息的无源领域自适应方法。最大化源域和目标域之间共享的任务信息,同时最小化目标域内部共同的冗余噪声。此外,针对伪标签生成的不平衡问题,本文设计了自适应权重方法平衡每个类别伪标签的数量。实验表明,本文提出的方法分别在雷达数据集跨人群和跨环境的迁移任务上能够以89.69%的平均准确率和89.83%的平均准确率识别这六种活动。此外为了进一步验证提出方法的鲁棒性,还引入了外部数据集进行验证,达到了89.83%的准确率,优于其他基线方法的结果。图18幅,表18个,参考文献70篇

关键词： 航迹规划   动态RCS特性   强化学习   图神经网络  

摘要： 隐身突防作为一种军事作战中广泛采用的战术,核心是通过隐身技术躲避敌方探测,以成功完成既定任务。在空战中,隐身突防航迹规划是实现该战术的有效手段之一。与传统的航迹规划不同,隐身突防航迹规划不仅考虑无人飞行器所处空间位置对被探测概率的影响,同时考虑飞行器姿态对雷达散射截面积的影响。作为航迹规划的深层次问题,隐身突防航迹规划可以通过改进传统航迹规划算法进行求解。然而传统算法规划策略往往是固定的,无法通过学习总结历史经验适应新出现的场景。针对这一问题,本文提出了一种基于图神经网络的突防航迹规划策略强化学习方法,并基于策略网络引导蒙特卡洛树搜索算法规划突防航迹。本文从以下几个方面展开研究:(1)建立无人飞行器隐身突防航迹规划问题模型,分析无人飞行器的运动学模型并给出基本航迹约束;分析典型的禁飞和威胁等环境模型,构建环境约束;针对探测、防御系统的工作原理制定突防约束。(2)结构化的图可以很好地表达环境信息和飞行器自身的状态信息,同时,环境中各要素节点之间的关系及其与飞行器之间的关系都可以用节点之间的边来表达。因此本文研究了飞行器、环境和目标的图结构表达方法,并结合图神经网络和“行动器-评判器”方法设计突防策略价值网络。仿真实验表明,基于图神经网络的突防策略价值网络相比基于卷积神经网络的突防策略价值网络具有更好的泛化能力。(3)针对突防航迹规划策略提升和突防航迹规划问题,基于突防策略价值网络引导蒙特卡洛树搜索算法规划突防航迹,同时将规划的突防航迹作为样本数据用于策略价值网络训练,从而形成“策略提升→样本生成→策略提升”的强化学习过程。在设计回报函数时,针对隐身突防航迹规划问题中可行解较少导致奖励稀疏的问题,采用回报成型技术,引入启发代价对回报函数进行修正从而提高策略学习的效率;由于隐身突防航迹规划需要同时考虑位置和姿态是一个超三维规划问题,为了降低规划空间复杂度以方便策略学习,本文将无人飞行器的航迹规划拆分为水平面航迹规划和垂直面航迹规划两个步骤实现,通过水平面航迹规划规划可突防且高效的航迹,垂直面航迹规划在其基础上进一步缩短高探测概率时间,提高突防能力。实验表明,隐身突防策略价值网络在想定的仿真战场环境中学习,在未参与学习的想定环境中具有良好的泛化能力;与改进的传统算法相比,本文的隐身突防航迹规划策略可以在保证规划效果的前提下,大幅提高规划速度。

关键词： 有意义学习   整体性   学习技术   教学设计  

摘要： 教学设计是一种以学科规范为基础,结合教学对象的特性,制订出有效的教学方案设计的过程。它既是一种实用性的计划,又能够有助于学习者较好地理解和掌握知识点,但也会面临不同的挑战。教学设计应该遵循一定的模式,以便更好地帮助学生实现有意义的学习任务,并解决实际问题。与此同时,随着时代的进步,社会对人才的综合素质要求越来越高,以满足日益增长的需求。将学校教学与社会发展的需求紧密结合,以培养出具备良好素质的人才,是当今社会面临的一个重要挑战,因此学生在学校学习的首要目标是满足未来社会的需求。但传统的教学模式往往只关注单一的方面,无法满足多样化的需求,也就不能适应未来社会的发展。因此,为了解决上述问题有必要设计一种更合适的教学模式,促进学生进行有意义学习。针对传统教学设计模式的不足以及通过调查实际教学的现状,本文在总结前人研究的基础上,结合实际不足,将教学分为分析、预设、操作以及评价反思四大模块,同时提出各种学习技术来帮助学生进行有意义学习,最终构建了面向有意义学习的整体性教学设计模式。为检验这种教学设计模式在实施有意义学习的具体过程中是否具有明显效果,本文进行了实验研究。将该教学设计模式应用到现实教学中,并设置实验班和对照班。两班分别采用整体性教学设计模式和传统教学设计模式指导函数专题的教学,通过课堂观察、测试、访谈等方法检验教学效果,最终得出实验结论:对于有意义的学习,整体性教学设计模式的教学效果相较于传统教学设计模式具有一定优势。本文积极探索整体性教学设计模式,旨在激发学生的学习兴趣,培养学生的综合素质,提高学生的实践能力,从而促进学生进行有意义学习。希望本文能为教师的教学提供带来参考和借鉴,起到吸纳新思想、唤醒人们对新教学模式的关注和思考的作用,设计出更多更符合学生成长的教学设计模式。

关键词： 零样本学习   域偏移   少量可见样本   复合零样本学习   条件概率分布   工业异常检测  

摘要： 作为机器学习的基本范式之一,监督式学习方法依靠大规模带标签数据集和深度学习技术在机器学习和计算机视觉领域的诸多问题上展现出了优异的性能,受到了广泛的关注。然而,对大量带标签数据的依赖性严重制约了其进一步的发展和应用。一方面,自然界中的物种规模庞大,为所有类别收集充足数量的带标签样本是不现实的;另一方面,数据的分布通常遵循长尾分布,即总是存在某些类别,其数据天然就难以产生并收集,例如珍稀动物、极端天气等。为了解决以上这些问题,提高机器学习算法的泛用性,小样本学习、增量学习等依赖于少量带标签数据的学习范式被提出,并在近些年来吸引了众多的研究目光。作为其中的一种极端设置,零样本学习旨在研究如何在没有目标类别样本的情况下完成学习任务。受人类的零样本认知能力启发,当前的零样本学习范式以类别的语义描述作为桥梁,来连接可见类别与不可见类别。基本解决思路是从可见数据中学习图像的视觉特征与类别的语义描述之间的映射关系,并将其迁移到不可见数据上,从而在仅给定目标类别语义描述的情况下完成分类任务。研究零样本学习不仅有助于推动人们对人脑高级机制的理解,帮助构建真正意义上的人工智能系统,而且可以应用于各种样本或标签缺失的场景,具有重要的现实意义。基于以上的研究背景,本文从理论和应用层面对零样本学习方法展开了研究。具体而言,针对零样本学习问题、少量可见样本下的零样本学习问题、复合零样本学习问题以及零样本学习在工业异常检测领域的应用,我们基于数据的分布信息,提出了对应的解决方案。具体的研究内容如下:(1)针对零样本学习中的域偏移问题,提出了一种基于簇与原型匹配的零样本学习方法。该方法基于样本在视觉特征空间中呈簇分布的规律,利用鲁棒的样本簇与类别原型之间的关系帮助单个样本抵制域偏移的影响。具体而言,提出一种迭代式簇生成算法捕捉样本的簇结构并利用匈牙利算法完成样本簇与类别原型之间的匹配。根据匹配结果,建立簇与原型之间的相似度关系,并与单个样本和原型之间的相似度融合,作为最后的分类依据。簇-原型匹配框架能够以即插即用的方式作用于大部分零样本学习方法。实验结果证明该方法能够有效地帮助基础零样本学习模型抵御域偏移的影响,提高它们的性能。(2)针对少量可见样本设置下的零样本学习问题,提出一种基于分布与梯度双约束的零样本学习方法。首先,将少量可见样本带来的挑战总结为表征偏移问题和过拟合问题。针对表征偏移问题,提出利用类别在语义空间中的相对分布信息矫正类别在视觉空间中的偏移;针对过拟合问题,约束模型在插值语义向量处的梯度,使模型满足利普希茨连续。实验结果证明该方法能够在每种可见类别仅有少量样本的情况下实现优异的性能,且具有较小的时间开销。(3)针对复合零样本学习问题,提出属性的特征分布是基于物体特征的条件概率分布这一假设,并基于该假设提出一种混合属性专家模型。在训练阶段只能接触可见复合概念数据的情况下,引入基于物体的隐变量作为桥梁,间接地建立所有属性与所有物体之间的依赖关系。提出专家稀疏损失和专家负载均衡损失来约束隐变量分布,使不同的属性专家保持多样性。实验结果证明了所提假设以及方法的有效性。(4)针对零样本学习在工业异常检测领域中的应用问题,提出一种用于不可见异常识别的生成式零样本学习框架。根据工业异常图像的数据分布特点,提出使用图像的中间层特征作为视觉特征表示,同时提出将异常类型专家描述的句子嵌入作为语义特征表示。针对异常检测数据集中正常数据与异常数据的不平衡问题,使用焦点损失来让模型更加关注难分样本和样本较少的类别。基于异常检测数据集构建了不可见异常识别任务集,实验结果验证了将零样本学习用于工业异常检测的可行性以及所提框架的有效性。