关键词： 图相似度学习   异质图   线图   类型引导边匹配   图结构匹配  

摘要： 图相似度学习是通过学习图的结构特征来匹配图之间相似程度的方法。近年来，基于图神经网络的图相似度学习方法目前仍局限于节点级或图级的匹配范式，忽视了边级表示及其对图结构匹配的贡献。此外，现实图中的边通常具有不同类型，代表节点间不同的语义关系，可用于引导跨图交互。因此，提出了一种类型引导边匹配的异质图相似度学习方法（TEM-HGSL），首先设计基于线图的异质图同构网络以更好学习边的嵌入，然后进行类型对齐的边匹配机制以更好利用边的语义信息，最终实现边-图双层级的图相似度计算。在4个异质图据集上的实验结果表明，TEM-HGSL方法计算的均方误差比最优基线平均降低了25.65%，能有效地实现细粒度相似度计算。

关键词： 机器学习   电子哈密顿量   神经网络   量子化学计算  

摘要： 电子哈密顿量的机器学习为高效的量子化学计算提供了新途径,近年来得到了快速的发展.本文系统总结了机器学习哈密顿量的理论框架与技术路线,重点分析核岭回归、前馈神经网络和图神经网络等相关方法的特点及其适用场景.特别地,基于对称性约束的等变图神经网络显著提升了哈密顿量预测的物理一致性,而高质量的公共数据库和差值学习策略有效缓解了高精度数据稀缺问题.然而,强关联体系的可解释性建模、复杂对称性的精确保持和大体系的高效预测仍然是当前亟待突破的挑战.本文围绕网络架构、特征构造、数据集构建和损失函数设计展开详细讨论,为未来机器学习在电子哈密顿量研究中的进一步发展提供新的思考和展望.

关键词： 强化学习   可解释性   多智能体系统   变分自编码器   决策依据   门控加权  

摘要： 深度强化学习已经成为无人集群在复杂未知环境中实现自主决策的关键技术方案,但内部不可解释的"黑盒"结构使人类难以理解、信任和监督智能体的自主决策,严重阻碍其在高安全需求领域中的应用.针对该问题,本文提出了一种具备可解释性的多智能体强化学习方法.首先,设计具备可解释性的狄利克雷变分自编码器,从隐空间中编码匹配物理语义信息的决策依据概率分布;然后,使用门控网络线性混合决策依据生成动作决策;最后,在多智能体近端策略优化强化学习网络框架下完成可解释自编码器的集成训练.该方法将智能体的决策表征为若干具备物理含义依据的混合概率分布,使人类可通过概率密度直观地理解智能体行为,并可通过调整门控权重直接干预智能体决策.仿真对比实验验证了该方法的决策性能,设计的可视化方法展示了智能体决策的可解释性及人类干预决策的效果.

关键词： 总磷   机器学习   影响因素   丹江口水库  

摘要： 通过机器学习方法开展丹江口水库汉库总磷预测和影响因素分析，为水库水污染防治提供参考。基于2021—2023年汉库逐日监测数据，评估多元线性回归、反向传播神经网络、随机森林、极端梯度提升和轻量级梯度提升机（LightGBM）5种机器学习算法对坝上中点位总磷的预测性能，使用SHAP模型解释识别影响总磷浓度的关键因素，并用条件回归树分析关键影响因素的阈值。结果显示，LightGBM 算法预测性能最佳，R2为0.950，MAE为0.002，RMSE为0.003；水位、浊度和出库流量对总磷浓度影响较大，其中水位的关键影响阈值为163.02 m，浊度为 6.5 NTU，出库流量为 1 616.7 m3/s，当水位≤163.02 m 且浊度≤6.5 NTU 时，总磷达标率最高，达 99.1%。研究可为大型水库水质预测的机器学习应用及模型可解释性研究提供实践案例和方法支撑。

关键词： 自主作业机器人   强化学习   非对称Actor-Critic   长序列操作  

摘要： 长序列自主作业能力已成为制约智能机器人走向实际应用的瓶颈问题之一。针对机器人在复杂场景中面临的多样化长序列操作技能需求，提出了一种高效鲁棒的非对称Actor-Critic强化学习方法，旨在解决长序列任务学习难度大与奖励函数设计复杂的挑战。通过整合多个Critic网络协同训练单一Actor网络，并引入生成对抗模仿学习为Critic网络生成内在奖励，从而降低了长序列任务学习难度。在此基础上，设计了两阶段学习方法，利用模仿学习为强化学习提供高质量预训练行为策略，在进一步提高学习效率的同时，增强了策略的泛化性能。在面向化学实验室长序列自主作业的仿真结果表明，该方法显著提高了机器人长序列操作技能的学习效率与行为策略的鲁棒性。

关键词： 联邦学习   算力网络   知识蒸馏   持续学习   元学习  

摘要： 联邦学习凭借隐私保护特性成为算力网络关键技术，但实际应用中面临灾难性遗忘与系统动态适应性差的双重挑战.现有方法聚焦历史知识蒸馏效率，却忽视节点间知识共享程度与动态环境下模型性能.本文提出一种增量元蒸馏联邦持续学习方法，内循环通过历史知识蒸馏与客户端知识共享实现本地知识固化，引入多视图对比蒸馏策略，利用特征增强与注意力加权机制实现细粒度知识筛选.外循环设计动态元更新规则，采用梯度差异补偿实现新旧节点渐进知识整合.实验基于CIFAR100和FMNIST扩展的4个数据集验证，本文方法较基线平均准确率提升4.7%～9.7%，遗忘率降低3.1%～13.6%，新增节点时系统收敛速度提升约30%，证明其在算力网络系统中的有效性与鲁棒性.

关键词： 超关系知识图谱   预训练语言模型   对比学习  

摘要： 超关系知识图谱作为对知识图谱的拓展，能够更完备地表达现实世界知识.由于其显著的不完整性问题，对其进行补全已成为当前研究热点.现有超关系知识图谱补全工作多采用表征学习的方式学习单个超关系知识图谱内部的事实结构信息，未充分考虑事实内部的多元角色结构交互和图谱内外的实体关系语义交互.为此，本文提出了一种面向超关系知识图谱补全的跨事实-文本模态对比学习方法 CoLor.针对超关系知识图谱内部事实结构信息学习，设计了角色感知的结构建模；通过预训练语言模型引入实体与关系在真实世界中的上下文语义信息，并设计了3种跨模态对比监督来联合学习超关系事实表征.在3个真实世界数据集上的实验结果表明，CoLor相比基线方法对MRR和H@1指标分别提升至高达4.2%和7.5%.消融实验和案例分析进一步证明了CoLor的有效性.

关键词： 制度要素   ESG信息披露   机器学习   SHAP值  

摘要： 制度对企业ESG信息披露行为有重要的规范与激励作用.已有研究围绕制度要素对企业ESG信息披露质量的作用机制与路径展开探讨,但对于制度要素的认识仍是单一、线性的,缺乏对多元制度要素作用的综合考量,在要素重要性差异、可能存在的非线性影响等方面认识仍然有限.鉴于此,本研究基于制度理论,以2011-2021年中国A股上市公司为样本,融合CatBoost等多种机器学习算法与SHAP值方法,旨在揭示规制性、规范性等多元制度要素对企业ESG信息披露质量的复杂影响.研究结果表明,在制度要素中，文化-认知性要素对ESG信息披露质量最具影响力;往期披露质量是影响企业ESG信息披露质量的最重要特征;在各制度要素内部,地区治理、公共关注和行业水平分别在规制性、规范性和文化-认知性要素中最为重要;多数制度要素特征与ESG信息披露质量呈现出非线性关系.进一步分析表明,制度要素在不同地区、不同行业以及不同规模企业呈现异质性影响.本研究拓展了中国情境下企业ESG信息披露的研究,并为政府部门优化制度建设与企业提升ESG实践水平提供了重要的理论参考和实践启示.

关键词： 连续学习   不确定性   校正   信息熵   知识蒸馏  

摘要： 连续学习是一种能在连续的数据流中训练模型的深度学习范式，适合日益开放复杂的智能应用场景。连续学习最大的挑战是“灾难性遗忘”，即模型在学习新知识后会遗忘过去学习的知识。现有的连续学习忽视了不确定性对模型训练的影响，且大多数方法都聚焦于连续学习后续阶段的改进，对模型初始阶段研究较少。本文提出一种基于不确定性校正的可信连续学习方法，通过在初始阶段约束模型输出的不确定性来弥补模型参数漂移带来的分类误差，从而缓解“灾难性遗忘”。本文方法可以与其它连续学习方法相结合并形成改进模型，具有较强的通用性。本文对三种经典的连续学习方法进行改进，实验结果表明均能有效提高原始模型的性能：在两个数据集上平均准确率提升1.2%-19.1%。除此之外，本文引入期望校准误差评判连续学习模型的可靠性，实验表明，对比原始模型，基于本文方法的改进模型具有更低的期望校准误差，这证明基于本文方法的改进模型更加可信。

关键词： 选择集成学习   LLaMa3   Choquet积分   权重学习   相似案例学习  

摘要： 为了解决在多分类器集成过程中，如何筛选和赋权存在相关关系的基分类器这一难题，提出了一种基于LLaMa3和Choquet积分的最优相似度选择集成方法（LCOS-SELM）。该方法在开源大模型LLaMa3的基础上，通过少量标注样本数据进行提示词学习，以实现非结构化文本的关键特征提取。然后，通过Choquet积分融合存在相关关系的分类器预测结果，评估其相关关系以优化分类器选择。最后，采用最优相似度策略学习分类器权重，确保样本一致性的同时，提升集成方法的性能。将LCOS-SELM用于克罗恩病的辅助诊断，以合肥市某三甲医院的297份检查报告为基础进行实验，通过与内镜检查报告的比对，验证了提出方法的有效性。在相同实验条件下与单分类器和传统集成模型进行实验对比，发现在Acc、F1、AUC三个指标上分别提升了约8%和2%，进一步验证了LCOS-SELM的性能优势。