关键词： 建构主义学习理论   中学地理教学   生活经验  

摘要： 获取知识的过程是由内而外的过程。也就是由学习者自己建构起来的,学生是学习过程中的主动建构者,而不是外部刺激的被动接受者。学习者在进入学习情境之前,已经具备部分基础知识,即在日常生活与社会实践中形成的各种生活体验,这些"体验"将是学习者获得新知识的"母体"。

关键词： 图网络学习   动态表示   微分方程   归纳学习  

摘要： 图网络是一类无处不在而复杂度的结构,它描述了真实世界中的各种关系。从社交媒体网络,学术网络到电商用户与商品组成的网络,都可以作为图网络。图网络上的表示学习近年来是学术研究中的焦点问题。其核心思想是从节点层面学习低维向量,该低维向量表征了结构和属性特征。学习到的低维向量可以用于诸多下游任务,例如节点分类,链接预测,社区检测以及图分类等任务。近来,经过研究人员的不懈努力,图神经网络已成为网络表示学习中的范式。已有的方法一般适用于给定的静态图网络结构。然而,大部分真实图结构数据具有天然的动态性,一般随时间而演化。图网络的内在动态性要求表示学习方法应该将关系数据的时序演化信息编码在内。由于动态网络表示更加反映真实世界的特征,其逐渐获得更多研究者的关注,并且已在各种应用中得到推广。已有的大量工作大多使用定长的时间步长进行建模。然而,实际图网络中的图网络信息通常是不规则的。为解决该问题,本文利用神经微分方程对其进行建模,提出了动态图网络的表示学习方法GraphODE。其核心思想是,利用微分方程建模图上的连续动态潜变量,从而捕捉节点的演化模式。具体地,为了解决节点交互在时序上的不规则性,本文首次提出微分形式的GRU聚合函数,对时序邻居进行聚合。另外,本文使用节点采样策略来提高效率。由于本算法采用归纳式学习方式,它具有处理新生成节点表示的能力。最后,针对GraphODE的不足,本文进行了优化,提出基于受控微分方程的算法GraphCDE,可以解决节点交互对系统的动态演化影响,并完美接入下游任务。在多个真实世界数据集上的实验结果表明,本文提出的基于微分方程的动态图网络表示学习算法及其改进算法可以有效建模图网络的节点动态表示,帮助进行更精准的预测任务,提升节点分类和链接预测的性能。

摘要： 小组合作学习的教学模式被越来越多的教师所采用,小组合作的教学方法一方面有利于充分发挥学生的主体地位,给予学生充分展现自己的机会和空间,提高学生的课堂参与度,活跃课堂氛围;一方面有利于在班级内构建良好的师生互动、生生互动的双向沟通机制,从而提高教学质量和水平。英语作为基础性学科,对学生日后的生存和发展起到至关重要的作用。初中英语教师应该将小组合作学习模式融入到日常英语教学中,培养学生的综合能力和核心素养。

摘要： 高中数学与大学数学两者的跨度较大,使得初入大学的学生普遍存在学习吃力的情况。这样,大一阶段学生因获得感与成就感较低,对大学数学产生较强的排斥感,进而导致大学数学成绩直线下滑。而引发这一问题的主要原因在于学习方法的转换不当,具体表现为大学数学学习模式与高中数学学习模式差异明显,若学生不能适应学习模式的变化,未能及时转变学习方法,就会出现大学数学学习手忙脚乱的情况,

关键词： 高抬指   慢练   钢琴   学习方法  

摘要： 慢练和高抬指是钢琴训练的基础,可以有效地锻炼手指的灵活性和力量。作为一位钢琴弹奏者,拥有灵活而有力的手指,可以使其弹奏出的乐曲更优美动听且更具有节奏感,而且随着锻炼的时日增加,手指的协调能力不断上升,对后期增强钢琴弹奏技巧有着明显的益处。

关键词： 深度强化学习   估计偏差   经验回放   交叉验证   深度确定性策略梯度算法  

摘要： 在强化学习中,一个经典问题是如何解决价值函数对目标进行评估时产生的估计偏差。基于截断式Q学习的方法缓解了行动者评论家算法中出现的过估计偏差,但忽略了来自低估偏差的影响。其次,在使用传统经验回放机制的行动者评论家算法中仍然存在着低效采样导致的缓慢学习。本文主要针对以上问题,对现有算法做出了结合和改进,具体的研究内容可以总结为以下三个方面:(1)目前使用单一估计器进行更新的行动者评论家算法,在计算值函数估计的时候往往会有比较高的估计值,从而产生过估计偏差,对算法的性能产生负面影响。截断式双Q学习算法在双Q学习的基础上进行改进,成功地缓解了行动者评论家算法中出现的过估计偏差问题。但这种简单使用两个值函数估计中最低值的方法却忽略了低估偏差带来的不利影响。因此,本文提出了一种基于加权平均多估计器的深度确定性策略梯度算法,采用加权平均多重机制,能够在连续控制任务中更精确地评估价值函数,使价值函数更精确地逼近最优值。(2)传统的经验回放机制打破了训练样本之间的独立性,提高了样本的采样效率,但忽略了样本的重要程度。优先经验回放通过为每条样本定义一个优先级,在每次训练时根据优先级抽取样本,从而加快智能体的学习速度。但是,这种优先经验回放算法仅仅使用了目标网络与当前网络一步的差距,忽略了未来差距的重要性。其次,这种方法在深度确定性策略梯度算法中优势不明显。针对以上问题,本文提出了基于多步TD误差的深度确定性策略梯度算法,其能够加快算法的收敛速度,提高算法的性能,并在样本训练次数不足的情况下保持优异的性能。(3)双Q学习利用两个值函数交叉验证来缓解过估计偏差的问题。优势函数一般用来表示一个动作的估计相对于所有动作的平均估计的好坏。基于竞争的深度Q网络利用了优势函数的思想将动作优势和状态值函数估计分离开,仅仅通过修改神经网络的方式使算法的性能大幅提高。因此,本文融合了双Q学习和优势函数的思想,并据此提出了一种基于交叉验证的深度确定性策略梯度算法。该方法在更新值函数网络时,将动作值函数和状态值函数分开进行交叉验证,加快了值函数的收敛,并减轻了过估计偏差对算法的不利影响。

关键词： 联邦学习   边缘计算   通信开销   自适应方法  

摘要： 随着现代科技的革新与发展,海量的互联网用户数据在网络中产生,然而集中式地将数据收集到数据中心的传统方法具有很高的风险与成本,在机器学习中保护隐私的迫切需求促使了联邦学习技术的诞生。而边缘网络的发展让网络服务得以从云端下沉到边缘,硬件设备能力的提升也促进了边缘计算的普及,这使得联邦学习的分布式架构能够灵活地应用于网络中。然而,尽管这项技术能够协调大量的用户在其设备上完成训练任务。但联邦学习要求服务器与多个客户端进行通信交流,并且在全局任务里不断地迭代这个过程,在边缘计算场景下将带来严重的通信开销,对联邦学习的性能带来了不利的影响。因此,在本文的研究工作中,提出了一种新颖的自适应联邦学习方法,以降低通信开销,提高联邦学习技术的效率。主要的工作内容与创新贡献包括:1)本文从利用计算代价换取通信效率的角度出发,通过对联邦学习的模型训练过程展开分析,研究了如何以恰当的方式合理的为每一轮参与联邦任务的客户端分配更多的计算量,以加快全局的迭代,减少通信轮数。由于在全局迭代的每一轮中对模型的优化幅度并不均匀,为了尽可能地发挥出增加计算量这一举措带来的优势,选择在模型提升速度较快的时候不断地增加分配给客户端的任务。另一方面,由于在模型提升缓慢的时候增加计算量的优势并不明显,并且会给设备造成过于沉重的计算负载,选择在此时减少分配的计算量。2)根据所研究的方法,本文设计了一项独特的自适应衡量指标,来明确在训练过程中应当如何调整迭代的每一轮期间在客户端上实施的任务计算量,该指标量化了模型提升对增加计算量的激励。同时,考虑到边缘计算中有限的资源,该指标也将客户端增加计算带来的开销纳入考量。然后,提出了一种自适应的联邦学习算法,该算法遵循本文的研究思路,能够自适应地调整计算量来减少联邦学习的通信开销。进一步地,在Tensor Flow平台上基于联邦学习的框架进行了算法的代码实现,使用本文所提出的自适应方法来完成联邦学习的任务。3)本文构建了具备代表性的实验设置,来验证所提出方法的有效性与可靠性,针对各种不同的任务与现有工作展开了多组对比实验,通过对实验结果的分析与讨论,证明了本文的研究工作能显著地减少通信轮数,提高联邦学习的效率。

摘要： 任何一门学科都有其自身的知识结构体系。以结构化视角解读教材、设计教学,可以引导学生自主建构知识,进行深度思考,提升思维品质。

关键词： 多视图学习   关联信息   视图构造   关联视图   视图融合  

摘要： 多视图学习是一种利用不同来源的特征集合之间关联信息来提高分类器泛化性能的方法。随着大数据时代的到来,现实世界中数据呈爆炸式增长,传统的单视图学习方法由于特征维度过高容易引起模型过拟合和数据冗余等问题。为了解决单视图学习中存在的问题,本文结合关联分析理论,基于互信息及典型相关分析技术,提出一种有监督的数据视图构造算法(Data View Construction,DVC)。在此基础上,利用关联信息构造关联视图,并基于关联视图提出一种数据视图融合算法(Data View Fusion,DVF),相关实验表明DVF算法进一步提高了分类器性能。本文的主要工作如下:1.本文利用互信息计算视图内关联性评价指标,通过典型相关分析提取视图间关联性评价指标,基于以上两个视图评价指标,提出了一种数据视图构造算法。首先,计算特征加入视图后特征与特征之间及特征与标签之间的互信息之和;其次,利用典型相关分析技术计算特征加入视图后各个视图间关联系数;最后,使用二者之差作为数据视图构造算法的目标函数。在八个公开数据集及煤矿安全态势领域瓦斯浓度数据集上的实验表明,使用数据视图构造算法能提高分类器性能;2.本文利用视图评价指标构造关联视图,提出了一种基于关联视图的多视图融合算法。首先,数据视图构造完成后,针对每个视图计算视图内关联信息和视图间关联信息;其次,将以上两个评价指标之差作为该视图的关联视图值;最后,在每个视图完成训练后,根据关联视图为每个视图分配融合权重,利用加权融合的方式融合所有视图上结果。实验表明,在数据视图构造算法的基础上,使用多视图融合算法进一步提高了分类器性能。

关键词： 微多普勒效应   空中飞机目标分类   在线学习   自适应的SVM增量学习   蒙德里安森林   卷积神经网络   弹性权重巩固  

摘要： 现代战争中,利用雷达回波获取空中目标类别信息对及时准确的战场决策具有重要意义。直升机、螺旋桨飞机和喷气式飞机微动部件的物理结构和运动参数各不相同,会对雷达回波产生不同的微多普勒调制,可据此实现对空中飞机目标的分类。考虑到目标的非合作性等因素,实际情况中往往难以获取满足需求的训练样本集,这将限制分类性能。传统方法是在雷达上存储正常工作过程中采集的新样本,定期合并新旧样本集,再重新训练分类模型,但该方法学习效率低且浪费资源。一种更可行的思路是将在线学习算法与传统的分类方法相结合,用采集到的新样本自动对原模型进行更新,不断提升模型的分类精度。为此本文提出了基于在线学习的空中飞机目标分类方法,主要工作概括如下:1.首先,建立了旋翼回波参数模型并分析了三类飞机的微多普勒调制差异;然后,介绍了基于微多普勒效应的空中飞机目标分类常规方法;最后,通过仿真实验分析了训练样本集不充足或不完备情况对分类性能的影响。2.针对传统分类器无法自动更新模型的问题,本文引入了自适应的支持向量机增量学习(SD-ISVM)算法和蒙德里安森林(MF)算法,提出了两种空中飞机目标分类的在线学习方法。基于SD-ISVM的分类方法从原保留集和新增样本集中筛选出用于构建和维护支持向量机(SVM)分类超平面的样本作为新保留集,并使用其更新模型。基于MF的分类方法所用分类器由多棵蒙德里安树构成,输入新增样本集可直接扩展每棵树的结构,完成对原模型的更新。实验结果表明,所提方法均能利用新增样本有效提升分类性能。3.针对传统分类器在充足且完备的训练集上存在的分类性能提升受限问题,本文引入了基于卷积神经网络(CNN)的空中飞机目标分类方法。考虑到获得新样本集时,按照离线学习方法重训练网络模型代价过大,且若直接使用新样本集更新网络模型会导致其遗忘原学习成果,本文提出了基于CNN在线学习的空中飞机目标分类方法。该方法利用弹性权重巩固(EWC)算法,学习新任务时,先评估模型中各节点参数对原任务的重要性,在模型更新过程中对重要的节点参数予以巩固,从而使得更新后的模型在原任务和新任务上均有良好的分类性能。实验结果表明,所提方法不仅能解决离线学习方法存在的问题,而且相比基于SD-ISVM的分类方法,在大样本集上能够获得更高的分类精度。