关键词： 表示学习   图嵌入   异构信息网络   跨模态融合   对抗攻击   节点分类  

摘要： 当前食谱表示学习方法主要依赖于通过将食谱文本与图像进行对齐，或利用邻接矩阵捕捉食谱与其用料之间关系的方式，学习食谱的嵌入表示。然而，这些方法在信息融合处理上较为粗糙，未能深入挖掘不同模态之间的交叉信息，且难以有效的动态评估食谱组成要素之间的关联强度，导致模型的表示能力受限。针对上述问题，本文提出一种基于异构信息网络的多模态食谱表示学习模型(CookRec2vec)，将视觉、文本和关系信息集成到食谱嵌入中，通过自适应的邻接关系更加充分挖掘和量化食谱组成要素之间的关联信息及其强度，同时基于高阶共现矩阵的显式建模方法提供了互补信息且保留了原有特性，显著提高了食谱特征表达能力。实验结果表明，所提模型在食谱分类性能上优于现有主流方法，并在创新菜嵌入预测方面取得了显著进展。

关键词： 投资者情绪传染   银行业系统性风险   预警   可解释性机器学习  

摘要： 投资者情绪传染在信息不对称条件下可能引发非理性羊群效应，促进风险传染，在系统性风险演化过程中发挥关键作用。本文探究投资者情绪传染指数对银行业系统性风险的预警能力和非线性影响。首先，基于TVP-VAR模型构建投资者情绪传染指数用于衡量银行间投资者情绪传染效应的强弱。进一步，将投资者情绪传染指数纳入预警指标体系，基于机器学习方法构建预警模型，并应用可解释性机器学习方法打开黑盒。实证研究结果表明：机器学习方法的预警性能远高于线性模型，随机森林表现最优；投资者情绪传染指数与银行业系统性风险之间存在复杂的非线性关系；投资者情绪传染指数能够提升预警模型准确率，且在预警模型中发挥的重要性高于宏观经济和银行业指标。

关键词： 城市内涝   水动力学模型   深度学习模型   水深预测  

摘要： 为有效应对城市内涝，构建数学物理模型开展城市内涝模拟是目前最常用的方法，然而该方法计算效率低，无法满足城市内涝预警高时效性的要求。为此研究利用深度学习方法计算高效的优势，基于传统水文水动力学模型模拟结果，以城市暴雨内涝致灾链条发展的关键驱动因子——坡度、高程、降水量等作为输入，结合卷积神经网络（CNN）和长短期记忆网络（LSTM），引入注意力机制（Attention，ATT），并使用了麻雀搜索优化算法进行了超参数优选，构建了CNN-LSTM-ATT城市内涝积水水深预测模型。对比分析表明：深度学习模型在未来30分钟的预测水深与水文水动力学模型模拟水深的误差接近，在分米甚至厘米级以内，且模拟速度快了近200倍，模型的精度在延长预见期后略有下降，后续还需进一步改进提高。

关键词： 序列推荐   扩散增强   对比学习   意图  

摘要： 针对意图驱动的序列推荐中出现的数据稀疏性和意图信息提取不足问题，提出了一种基于扩散增强的多视角意图对比学习方法(DMVRec)。首先，为学习原始项目间的购买意图相关性，在扩散模型反向过程中，通过融合原始序列意图信息和无分类器指导策略来预测高斯噪声。其次，利用原始项目间的购买意图相关性信息指导反向过程的去噪，以得到增强序列的意图预测值，并利用余弦相似度计算每个位置下的增强项目。最后，通过切分用户交互序列和聚类算法来构建意图监督信号，并分别在宏观和微观视角下利用意图对比学习来捕捉隐藏的用户意图信息。通过在四个公开数据集下实验，充分体现了DMVRec方法的优越性。其中，对比最先进基线，在HR@5指标上，提升7.03%，在NDCG@5指标上，提升4.53%。

关键词： 半监督   作物   图像处理   目标检测   图像分割   图像分类  

摘要： 半监督学习通过结合少量标注数据和大量未标注数据，显著减少数据标注需求和成本，同时提高模型的泛化能力和性能，为深度学习和机器学习在资源受限环境中的发展提供了新的路线。随着半监督学习在图像处理领域取得突破性进展，以现代农业为调查对象，探讨半监督学习方法在农业生产中的作用。根据半监督基础定义和假设提出半监督概念模型，同时按照利用监督信号的差异将半监督学习分为伪标签和无监督正则化。从目标检测、图像分割、图像分类和多任务联合学习出发，对农业作物管理、杂草管理、水果检测、植物健康、植物表型和叶片分类等具体任务进行全面回顾。分析并讨论了半监督学习在农业图像处理领域的未来研究方向。

关键词： 含铈矿物   大数据   机器学习   大量罕见事件频率分布   矿物共生网络分析  

摘要： 稀土元素是发展能源转换、超导和量子工程等高新技术领域不可替代的战略性矿产资源。然而， 对于稀土矿物分布、多样性和共生规律的认识极为不足。前人通过大数据和机器学习方法对铍、硼和碳等矿物生态学和矿物共生网络的研究， 识别矿物共生组合隐藏的规律， 预测总矿物种数、可能的化学组分和成矿环境， 为寻找新矿物以及有效利用矿产资源提供新的方向。本文立足于Mindat和RRUFF数据库提供的地球近地表166种含铈矿物的矿物学信息， 通过大量罕见事件(Large Number of Rare Events; LNRE)模型预测: 地球近地表至少存在223±3种含铈矿物， 还有57±3种含铈矿物尚未被发现， 包括有39±3种含氧矿物， 36±11种含氢矿物， 50±1种含硅矿物， 45±22种含钙矿物， 39±5种含钠矿物， 28±5种含碳和23±2种含氟矿物。这些尚未被发现的矿物多数与碳酸盐岩演化的不同阶段相关。此外， 铈的矿物网络结果表明， 含铈矿物被划分为4种不同的成矿环境， 暗示新的含铈矿物出现的成矿环境。本文为开展其余稀土元素的矿物生态学和矿物共生网络研究提供了研究思路和方法， 对发现稀土新矿物以及有效利用稀土矿产具有重要的指导意义。

关键词： 重要输电通道   雷击故障致灾因子   K-means聚类分析   sigmoid函数   简化模型  

摘要： 随着新型电力系统迅速发展，叠加全球气候变暖等背景，导致新型电力系统面临雷电等极端灾害天气事件明显增多。重要输电通道是新型电力系统中大规模清洁能源电力外送的主要通道，雷击故障频发已经严重威胁新型电力系统安全稳定运行。该文通过开展新型电力系统重要输电通道雷击故障特征研究和分析，归纳雷击致灾因子和新型电力系统薄弱环节，利用K均值(K-means)聚类等数据驱动分析方法，对雷击故障因子和雷击致灾机理进行分析。得到了雷电流幅值、保护角、地形地貌、海拔高度等七种主要因子，选用sigmoid函数完成了对重要输电通道雷害形式进行拟合，最终实现了对重要输电通道不同闪络形式完成判断，同时，建立了雷害简化模型，数据模型验证表明，该模型准确率高达93.53%，可以帮助现场运维人员准确判断何种雷击故障，总结雷击故障和分析原因。

关键词： 联邦学习   数据异构   注意力机制   客户端漂移   本地动量  

摘要： 联邦学习作为一种分布式机器学习技术，在隐私保护方面已经取得了显著成果。然而，在实际应用中，由于数据源的非独立同分布性，导致客户端漂移现象，从而引发模型收敛缓慢和性能下降的问题。本文提出了一种结合注意力机制的联邦本地动量加速学习算法（FedLM），旨在解决这些挑战。FedLM在本地模型更新中引入全局动量项，利用前几轮的全局梯度信息来平滑当前的更新过程，修正异构客户端的参数更新的方向分歧，从而减少梯度震荡，缓解数据异构性。注意力机制则通过动态调整各客户端在全局模型更新中的权重，提升聚合模型的质量。实验结果表明，FedLM在不同数据异构程度、不同模型结构以及不同数据集的图像分类任务中，其准确率和稳定性均显著优于现有的联邦学习算法，包括SCAFFOLD、FedCM、Moon、FedDC、FedACG和FedSpeed。

关键词： 城市暴雨   级联事件   风险评估   多源数据   迁移学习  

摘要： 城市暴雨及其次生灾害极易造成电力中断、居民受困等大范围、差异化、多点位的级联事件， 暴雨预防亟需全面精准地评估暴雨级联事件风险， 却面临不同类型事件应对经验差异带来的现实数据不平衡困境， 对仅具备少量样本的风险评估模型效果造成极大约束. 本文从不同城市知识互补视角出发， 提出一种暴雨级联事件风险评估模型构建的迁移学习方法. 首先， 通过本体建模消减语义歧义对迁移学习的影响; 其次， 结合现实样本、历史案例与空间大数据构建风险特征表达方案， 克服原始样本特征不足问题; 最后， 利用改进的联合分布适配方法建立不同城市的风险特征映射关系， 由此实现异地知识向本地迁移. 对武汉和濮阳6类暴雨级联事件风险评估的用例结果表明: 在多源数据环境下， 所提方法有助于通过跨地域知识互补克服数据不平衡困境， 系统提升风险评估模型效果; 同时， 所提方法能够实现较强的风险区分性， 有助于应急决策者精准认知不同类型风险点位， 为风险决策提供更为完善的信息支持.

关键词： 自监督学习   单流网络   语音-人脸跨模态   关联学习  

摘要： 现有的非监督语音-人脸跨模态关联学习方法多采用双流网络结构，在降低计算复杂度和实现高效非监督方法方面还面临一些挑战，为了改善模型性能，提高跨模态学习的效率，提出一种结合单流网络的自监督语音-人脸跨模态学习方法。首先，将预处理的两种模态数据送入单流特征提取网络，然后对提取的两种模态特征向量进行基于注意力机制的特征融合得到视频粒度的特征表示用以在线深度聚类，最后使用聚类步骤生成的伪标签指导度量学习方法来学习两种模态的关联，从而完成跨模态关联学习任务。实验结果表明，本文提出的方法在语音-人脸跨模态验证、匹配和检索任务上均取得了良好的效果，在考虑网络结构轻量化和灵活性的同时保证了优秀的性能。