关键词： 时间序列   表示学习   对比学习   数据增强   多粒度对比  

摘要： 现有的时间序列对比学习方法存在增强样本构造方式过于依赖人工经验、泛化能力不足、正样本的定义方式不够通用、对比度量方式存在粗粒度表征等问题,使得整体的时序表示效果较差。为此,提出了一种融合时频特征的多粒度时间序列对比学习方法(Temporal-Spectral Deep Contrastive Network, TSDC)。该方法通过季节-趋势生成网络在时域内产生具有稳定变化的时序增强样本,通过多频带融合扰动操作在频域内产生非稳定变化的时序增强样本,两种增强样本通过实例级别的粗粒度对比以及维度级别的细粒度对比方式进行对比学习,使得模型在获得较好表征的同时能够较好地适应于下游不同类型的时序任务。在多个时间序列公开数据集上进行的分类、预测以及异常检测实验表明,由TSDC方法所得的表征用于下游任务的结果优于典型基线模型。

关键词： “新闻”   项目式学习   设计路径   意义  

摘要： 项目化学习作为当前一种较为新颖的贯穿式的教学方式,能够帮助学生在真实的情境中了解知识,掌握技能,提炼素养。通过项目化学习,学生学会了解问题、分析问题、解决问题。基于“活动·探究”单元,通过此种方式下的真实情境开展有效教学,并对学生予以指导,进而达到培养学生核心素养的目的。

关键词： 隐结构   约束隐结构   辨证规则   中医证候  

摘要： 目的:通过设计约束隐结构分析方法解决经典隐结构分析得到规则中分值与语义不相符问题,将主症、次症作为约束语义加入分析过程,得到更符合语义的辨证规则。方法:将主症、次症约束语义用条件概率表示,加入隐结构分析的寻优过程,采用块坐标梯度上升方法进行寻优,能够得到含有主症、次症约束的辨证规则模型,即约束隐结构分析。结果:通过设计约束隐结构分析方法,并将其用程序实现加入到隐结构分析软件(孔明灯)中,针对胃肠湿热的症状数据,分别使用隐结构和约束隐结构进行对比分析,结果显示,约束隐结构方法得到模型规则能较好地反映主症、次症的特点,不存在分值过大、过小或为负分的情况,较经典隐结构得到的规则更符合中医理论,也更具有真实量化意义。结论:约束隐结构分析是经典隐结构分析方法的改进,能得到符合主症、次症约束语义的辨证规则,有助于中医辨证论治的推广应用。

关键词： “双减”背景   学习增值   学习进阶   结构化知识  

摘要： 学习增值是对“双减”政策的有效回应,在教学过程中,教师要厘清知识序列、探寻进阶路径、巧作教学设计,实现学生知识、结构、思维及素养的全面增值。文章以苏教版数学五年级下册“分数的意义”一课的教学为例,具体阐述如何在小学数学教学中实现学习增值。

关键词： 审辩式学习   “五学课堂”   比例尺   表象与本质  

摘要： 比例尺是比的一种应用形式,与比、除法及分数在本质上相通,可以相互转化,均用于描述数量之间的倍数关系。以学生熟悉的社会热点事件作为学习情境,引导学生在已有知识和经验的基础上,运用审辩式学习的“五学课堂”理念与操作系统,在表象与本质的对话中建构意义。

关键词： 多视角行为识别   增量学习   样本分类   判别行为信息   蒸馏学习  

摘要： 目的随着社会民生需求的日益增长,地面设备联合无人机等空中设备进行空—地多视角场景下的行为识别应运而生。现有方法只关注水平空间视角变化时的视角关系,忽视了垂直空间变化带来的巨大判别行为差异。由于高度不同,同一物体的观测特征差异显著,对传统的多视角动作识别方法在应对垂直空间视角变化时构成了重大挑战。方法本文将显著的动作外观差异定义为辨别动作信息的差异,提出了一种基于判别行为信息增量学习(discriminative action information incremental learning,DAIL)的空—地场景多视角行为识别方法,根据视角高度和信息量判别地面视角和空中视角。引入类脑“由易到难,循序渐进”的思想,分别蒸馏不同视角的判别行为信息,将地面视角(简单)样本的判别行为信息增量到空中视角(困难)样本中,辅助网络学习空中视角样本。结果在DroneAction和UAV(unmanned aerial vehicle)两个数据集上进行了实验,对比于当前先进方法SBP(stochastic backpropagation),在两个数据集上准确率分别提高了18.0%和16.2%;对比于强基线方法,本文方法在UAV数据集上参数量减少了2.4 M,计算量减少了6.9 G。结论所提出的方法表明通过使用简单样本增强复杂样本,显著提高了网络的特征学习能力。相反,尝试反向操作会导致准确性下降。本文从新角度讨论多视角行为识别任务,兼具效果和性能,在常见的高空视角数据集中优于代表性的方法且可拓展到其他多视角任务。

关键词： 电力物联智能终端故障分类   神经网络   知识-数据融合   注意力机制   集成学习  

摘要： 电力物联智能终端离线故障的准确辨识能够极大地提升运维效率。但随着新型电力系统的建设,电力物联智能终端逐渐多样化,所采集的历史数据也逐渐丰富,需要强大的特征提取与分析能力才能尽可能准确地从历史数据中分析出终端的离线原因。基于上述问题,文章提出了知识数据融合的电力物联智能终端故障分类广义集成学习方法,首先构建了GRU-DNN-Attention网络模型,利用GRU和Attention层提取历史时序数据中的异常特征,并融入知识以提升算法的分类准确性,进而提出了基于动态权重自适应的广义集成学习算法,以解决神经网络在小数据集中表现不佳的问题。通过仿真实验,验证了该算法能够较好地实现电力物联智能终端离线故障原因的分类辨识。

关键词： 机器学习模型   贷款预测   模型可视化  

摘要： 随着网络借贷的迅速发展以及市场的饱和,银行贷款业务的客户数量越来越少,甚至让银行陷入获取贷款客户难的窘境。因此,银行客户的贷款分析与预测至关重要。探讨了银行贷款客户与非贷款客户的差异,采用描述性统计分析,并通过斯皮尔曼单因素分析和随机森林算法进行特征选择,以分析用户特征之间及其与贷款意愿的相关性。最终,利用随机森林、逻辑回归、朴素贝叶斯、梯度提升树和XGBoost等算法构建多套贷款预测模型,通过效果对比确定了最佳模型。研究结果表明,所建立的模型具备较高的准确性,能有效支持银行决策者预测客户贷款意愿。

关键词： 乳腺肿瘤   人工智能   预后  

摘要： 目的探讨深度学习自动量化的肿瘤间质比(tumor-stroma ratio,TSR)在接受乳腺癌新辅助治疗患者中的预后价值。方法收集武汉大学人民医院2019年10月至2023年6月接受新辅助治疗的209例乳腺癌患者标本。基于深度学习算法自动计算出新辅助治疗前穿刺标本中的TSR水平,分为低间质组(TSR≤30%)、中间质组(30%60%)。计算新辅助治疗后乳腺癌患者手术标本的残余肿瘤负荷(residual cancer burden,RCB)分级,比较不同表达程度的TSR与RCB分级之间的关系,分析TSR与新辅助治疗疗效的相关性,并进一步探讨TSR表达与患者预后的关系。结果TSR≤30%者85例,30%60%者31例;不同表达程度的TSR在不同RCB分级之间差异具有统计学意义(P<0.05);Logistic单因素和多因素分析显示,TSR作为连续变量时是获得乳腺癌新辅助治疗病理完全缓解的危险因素(P<0.05);COX回归和生存分析显示,肿瘤性间质占比越低,患者预后越好(P<0.05)。结论基于深度学习模型能自动并准确地定量TSR。新辅助治疗前肿瘤性间质越低,RCB分级越低,病理完全缓解率越高,表明TSR能够预测乳腺癌新辅助治疗疗效,具有预后价值,即TSR能够作为预测乳腺癌新辅助治疗疗效的生物标志物。

关键词： 进化强化学习   元学习   预训练   安全区域   突变算子  

摘要： 最近提出的进化强化学习(evolutionary reinforcement learning,ERL)框架表明了利用进化算法提高强化学习的探索能力对性能提升的好处。然而,现有的基于ERL的方法并没有完全解决进化算法中突变的可伸缩性问题且由于进化算法本身的限制使得ERL解决问题的速度较为缓慢。为了使算法每一步的探索都被限制在安全区域中且能在较短的时间内收敛,运用元学习的思想,预训练一个初始的种群,这个种群只需要经过几次进化就能得到任务中不错的效果。将预训练过后的种群用于处理任务,在此过程中,利用敏感度调整种群突变的范围,限制种群在安全区域内进行突变,确保种群的突变不会带来无法预料的后果。该方法在来自OpenAI gym中的五种机器人运动中进行了评估。最终在所有测试的环境中,该方法在以ERL、CEM-RL以及两种最先进的RL算法、PPO和TD3为基线的比较中,取得了具有竞争性的效果。