关键词： 车网互动(V2G)   电动汽车(EV)   智能合约   同态加密   联邦学习   模型参数聚合  

摘要： 车网互动(vehicle to grid,V2G)技术利用调度模型生成的决策调度电动汽车(electric vehicle,EV)有序参与电网管理,可实现高效削峰填谷,采用联邦学习方式可以在充电站不愿共享原始数据的条件下完成调度模型训练,因此选定符合多方利益的训练标签和保证模型参数聚合结果的正确性对于V2G调度决策至关重要。为此,提出一种面向V2G调度的可信联邦学习方法。首先,构建V2G实时调度模型可信联邦学习架构,其包括标签生成模块、可验证联邦学习模块和实时调度模块3个部分;然后,综合考虑EV用户、运营商及电网侧负荷波动,提出一个计及电网多方主体利益的实时调度标签数据生成模型,并设计调度模型标签的动态更新方法;其次,提出模型参数聚合的安全存证与验证方法,确保联邦学习模型参数聚合的正确性;最后,对3种充电时段类型EV占主导生成的标签数据和所提出验证方法的时间开销、存储开销和Gas开销进行分析。算例结果表明,所提出的标签模型展示了EV用户、运营商以及电网侧负荷波动的最优值特征,构建聚合树的时间开销达到毫秒级,相比于传统验证方式,聚合验证智能合约的Gas开销显著降低。因此,所提出的可信联邦学习方法与电网中多方主体利益一致,并具有较好的性能。

关键词： 数字行政   数字政府   合法性边界   法律规制  

摘要： 数字行政是自我国数字政府建设以来的一种新型政府行政方式,是行政机关依托信息技术手段作出的行政行为。数字行政行为建立在数字政府的基础上,具有信息化、自动化、跨地域、跨部门协同等特征。还处于襁褓阶段的数字行政因与传统行政的运行手段和结构都有所不同,其运行的边界问题必然值得深入关注,包括技术发展与行政行为的融合带来的技术边界、数字行政行为的合法性边界以及隐私保护与数据使用的道德界限。探察数字行政的运行边界,诸如数据安全与隐私泄露、数字鸿沟的新型法律问题也逐渐暴露,阻碍着数字行政的发展。为化解数字行政之“危”,抓住数字行政之“机”,需要对数字行政进行法律规制,对此,我国的数字政府建设可以通过法律层面完善数字行政立法、强化数字行政的监管机制、构建多元主体参与的社会共治格局来实现。通过以上规制方式对我国数字行政行为潜在的问题进行完善,才能更好发挥大数据与人工智能技术的“头雁效应”,促进我国数字法治政府建设。

关键词： 古籍智能整理   片段抽取原型网络   提示学习   自动断句标点   深度学习  

摘要： 针对古籍信息处理中自动断句及标点任务依赖大规模标注语料的现象,在考虑高质量、大规模样本的训练成本昂贵且难以获取的背景下,提出一种基于片段抽取原型网络的古籍文本断句标点提示学习方法。首先,通过对支持集加入结构化提示信息形成有效的提示模板,从而提高模型的学习效率;其次,结合标点位置提取器和原型网络分类器,有效减少传统序列标注方法中的误判影响及非标点标签的干扰。实验结果表明,与Siku-BERT-BiGRU-CRF(Siku-Bidirectional Encoder Representation from Transformer-Bidirectional Gated Recurrent Unit-Conditional Random Field)方法相比,在《史记》数据集上所提方法的F1值提升了2.47个百分点。此外,在公开的多领域古籍数据集CCLUE上,所提方法的精确率和F1值分别达到了91.60%和93.12%,说明所提方法利用少量训练样本就能对多领域古籍进行有效的自动断句标点。因此,所提方法为多领域古籍文本的自动断句及标点任务的深入研究以及提高模型的学习效率提供了新的思路和方法。

关键词： 细粒度识别   增量学习   提示学习   灾难性遗忘  

摘要： 针对鸟类细粒度识别任务面临类间差异小和类内差异大的挑战,本文提出基于提示学习的鸟类细粒度识别增量学习方法。在增量学习模型中引入可学习的视觉提示,减少增量学习模型中灾难性遗忘。对于鸟类细粒度识别任务,引入不同粒度的文本信息作为增量学习模型中的文本提示,与视觉提示融合,实现由粗到细地学习不同鸟类的特征,提升鸟类细粒度识别精度。在CUB-200-2011数据集上数值实验表明,相比于其他增量学习模型,本文所提模型有更好的图像识别精度。对于一般的图像识别任务,本文所提模型在CIFAR-100和5-datasets数据集上具有更高的识别精度和更好的抗遗忘效果。

关键词： 高校英语   语言能力   深度学习方法   自主学习   相关性检验  

摘要： 为了探究深度学习方法对高校英语学习者语言能力提升的效果,该研究以某高校非英语专业的52名学生为研究对象,开展了一项实证分析。采用了问卷调查和深度访谈法,比较了学期前后高校英语学习者的语言能力水平、对深度学习策略的认知情况以及主动运用深度学习策略的频次,以验证深度学习方法对高校英语学习者语言能力的提升效果。结果显示,与学期初相比,学期末高校英语学习者的语言能力水平和对深度学习策略的整体及各维度的认知水平均有显著提高(P<.05)。相关性分析显示,学习者对深度学习策略的整体及各维度的认知水平与其英语能力水平之间呈现显著正相关(P<.05),表明对深度学习方法的认知越深入,越有利于提升高校英语学习者的语言能力。基于研究结果,该研究提出了加强对深度学习策略的认知与运用、培养良好的学习方法、树立正确的英语学习观念等建议,以期进一步提升高校英语学习者的语言能力,并充分发挥深度学习方法的积极作用。

关键词： 故障诊断   SMOTE算法   隔离森林   随机森林  

摘要： 针对汽车发动机在热态衰减阶段的故障诊断问题,提出了基于隔离森林算法和随机森林算法的故障诊断集成学习方法,隔离森林算法通过构建孤立树来识别异常点,随机森林算法构建多个决策树并综合它们的预测结果来进行异常分类。实验结果表明,融合隔离森林和随机森林算法的集成学习模型比传统的基线模型在发动机数据异常检测和分类的故障检测任务中具备更高的准确性、鲁棒性和应用潜力。

关键词： 深度神经网络(DNN)   分类   噪声标签   协同学习   历史损失  

摘要： 目的深度神经网络在计算机视觉分类任务上表现出优秀的性能,然而,在标签噪声环境下,深度学习模型面临着严峻的考验。基于协同学习(co-teaching)的学习算法能够有效缓解神经网络对噪声标签数据的学习问题,但仍然存在许多不足之处。为此,提出了一种协同学习中考虑历史信息的标签噪声鲁棒学习方法(Co-history)。方法首先,针对在噪声标签环境下使用交叉熵损失函数(cross entropy,CE)存在的过拟合问题,通过分析样本损失的历史规律,提出了修正损失函数,在模型训练时减弱CE损失带来的过拟合带来的影响。其次,针对co-teaching算法中两个网络存在过早收敛的问题,提出差异损失函数,在训练过程中保持两个网络的差异性。最后,遵循小损失选择策略,通过结合样本历史损失,提出了新的样本选择方法,可以更加精准地选择干净样本。结果在4个模拟噪声数据集F-MNIST(Fashion-mixed National Institute of Standards and Technology)、SVHN(street view house number)、CIFAR-10(Canadian Institute for Advanced Research-10)和CIFAR-100和一个真实数据集Clothing1M上进行对比实验。其中,在F-MNIST、SVHN、CIFAR-10、CIFAR-100,对称噪声(symmetric)40%噪声率下,对比co-teaching算法,本文方法分别提高了3.52%、4.77%、6.16%和6.96%;在真实数据集Clothing1M下,对比co-teaching算法,本文方法的最佳准确率和最后准确率分别提高了0.94%和1.2%。结论本文提出的协同学习下考虑历史损失的带噪声标签鲁棒分类算法,经过大量实验论证,可以有效降低噪声标签带来的影响,提高模型分类准确率。

关键词： 高中心理学   “备-教-学-评”一体化   学习力  

摘要： 在当前新课程、新教材、新高考的“三新”教育背景下,学生的学业压力不断增加,导致部分学生出现了心理健康问题。传统的心理课堂教学模式存在诸多弊端,难以有效应对学生在学习过程中面临的多重挑战。文章以“学习方法盘点”为例,基于“备-教-学-评”一体化理念,结合具体的心理学理论,提出了一系列针对性的教学策略,旨在提升学生的学习力,帮助其应对学业压力,并为心理课堂教学提供系统的指导框架,切实提高心理课堂教学质量。

关键词： 算子学习   多尺度   偏微分方程   空洞卷积  

摘要： 自然界中存在各种各样的多尺度现象,如湍流、微结构材料、气泡与颗粒相互耦合等问题,针对此类问题建模,使用的偏微分方程模型也会表现出多尺度特征.算子学习作为一种利用深度神经网络求解偏微分方程的新兴范式,在泛化性和计算效率方面展现出巨大优势.然而现有的算子学习模型在针对多尺度偏微分方程进行求解时存在频率选择问题,即无法有效学习高频信号.为此本文基于卷积神经网络和DeepONet,提出了两种新的网络模型CDeepONet和DC-DeepONet,两种模型分别采用普通卷积和空洞卷积的方式,专门用于多尺度偏微分方程的求解,可有效捕捉多尺度问题中的高频特征.本文以多尺度泊松方程和多尺度达西流方程为例进行实验,实验结果表明,相对于原始的DeepONet,我们提出的DCDeepONet的平均相对误差减少了88%.

关键词： 深度强化学习   大语言模型   高效探索  

摘要： 深度强化学习作为支撑AlphaGo和ChatGPT等突破性工作的关键技术,已成为前沿科学的研究热点。在实际应用上,深度强化学习作为一种重要的智能决策技术,被广泛应用于视觉场景的避障、虚拟场景的优化生成、机器臂控制、数字化设计与制造、工业设计决策等多种规划决策任务。然而,深度强化学习在实际应用中面临样本效率低下的挑战,严重限制了其应用效果。为缓解这一问题,针对现有强化学习探索机制的不足,将大模型技术与多种主流探索技术相结合,提出了一种基于大模型引导的高效探索方法,以提升样本效率。通过利用大模型来指导深度强化学习智能体的探索行为,该方法在多个国际公认的测试环境中显示出显著的性能提升,不仅展示了大模型技术在深度强化学习探索问题中的潜力,也为实际应用中改善样本效率提供了新的解决思路。