关键词： 鲁棒联邦学习   标签噪声   协同网络   度量学习  

摘要： 针对联邦学习中标签噪声问题的研究较少,目前的主流方法是,服务器端引入基准数据集对客户端的模型进行评估,对客户端的聚合权重、特征类中心进行控制等,但大多数方法区分噪声客户端/噪声样本的能力尚有提升空间。文中提出了一种基于协同网络与度量学习的标签噪声鲁棒联邦学习方法。该方法由以下3部分组成:1)客户端互评分机制:客户端为彼此模型评分,构建评分矩阵,进一步将其转化为邻接矩阵,以区分干净/噪声客户端。2)协同网络模块:通过构建两个协同对等的联邦网络模型,使用简森-香农散度为协同网络彼此的训练区分干净样本与噪声样本。3)联邦-协同网络三元组损失:为噪声样本设计损失函数,约束同一噪声样本协同网络的输出特征。在CIFAR-10和CIFAR-100两个公开数据集上进行实验验证,结果表明所提方法在准确性上具有优势。

关键词： 跨学科主题学习   意义探寻   学校责任  

摘要： 在新课改背景下,要顺利推进跨学科主题学习改革,需要从明晰意义、统一认识做起。开展跨学科主题学习有四重意义:有助于满足学习者的生活需要,有助于激发人的多元智能,有助于培养核心素养和创新能力,有助于复杂问题的解决。在跨学科主题学习落地的过程中,学校需要承担四项责任:一是制定好校本化的实施方案与策略,二是强化跨学科教学的师资培训,三是建构校本化的跨学科课程体系,四是落实跨学科教学的实践探索。

关键词： 颅内动脉瘤   破裂   LASSO回归分析   CT血管成像  

摘要： 目的 探讨机器学习方法(LASSO回归)构建基于CT血管成像(CTA)预测颅内动脉瘤破裂模型的价值研究。方法收集133例颅内动脉瘤患者的临床资料和CTA检查结果,根据是否破裂分为破裂组(103例)和未破裂组(30例)。对比两组患者临床资料和CTA检查参数差异;分别使用Logistic回归和LASSO回归筛选与动脉瘤破裂相关的危险因素,再构建预测模型。结果与未破裂组患者相比,破裂组患者糖尿病史例数、不规则瘤体形态例数以及合并子囊例数较多、入射角度较高。单因素Logistic回归显示糖尿病史、瘤体形态合并子囊数、入射角度与动脉瘤破裂相关,使用这4个指标构建的模型其对动脉瘤破裂的预测效能中等,AUC值为0.766。LASSO回归筛选出糖尿病史、瘤形态、数量、宽度、入射夹角和子囊数均与颅内动脉瘤破裂显著相关,构建的模型其预测效能较高,AUC值为0.902。结论糖尿病史、瘤体形态,合并子囊、入射角度与动脉瘤破裂相关,LASSO回归构建的预测模型能较好地预测颅内动脉瘤破裂的风险。

关键词： 动态运动基元   避障规划   修正量  

摘要： 针对机械臂在存在障碍物的复杂工作场景中运动轨迹规划难的问题,提出了一种考虑障碍物尺寸信息的多关节机械臂避障路径学习方法。首先采用动态运动基元根据人工示教数据生成初始的避障运动轨迹,借鉴人类经验生成全局最优的运动路径;然后,定义了包含障碍物尺寸、机器人尺寸及二者之间的距离的避障修正量,克服了点障碍物丢失物体几何信息、超二次曲面对感知信息要求较高等缺点;提出了根据示教轨迹运动趋势转换修正量方向的方法,解决了机械臂避障运动不平滑且加速度大等问题。在与常见修正量避障方式的对比实验中,本方法能较好地保留示教轨迹的特征,同时生成的避障轨迹更加平稳安全。最后,通过ROS平台对UR5机器人执行地面清扫任务的场景进行仿真实验,以此验证了所提出方法的实用性和可靠性。

关键词： 医疗健康   随机森林   机器学习   预测准确性   在线数据   数据集   预测与分析   患病率  

摘要： 随着全球人口老龄化和生活方式的改变,糖尿病的患病率正在不断上升,这对老年人尤其危险。Kaggle是一个在线数据科学社区,使数据科学家和机器学习工程师可以访问和使用来自不同领域的数据集,包括医疗健康等。通过从Kaggle获取的数据集,本文应用重要度方法获取糖尿病的关键特征排名,并采用多种机器学习模型对糖尿病患病概率进行预测,最终通过性能指标评估模型效果。本文研究发现随机森林和GBDT模型在糖尿病患病概率的预测准确性和稳定性方面表现突出。本文旨在提高糖尿病患病概率预测的准确性和效率,并通过本文所述方法,为糖尿病患者提供更早、更准确的诊断和治疗建议。

关键词： 视频传播   B站   品牌营销   机器学习  

摘要： 采用机器学习方法构建视频传播有效性和视频特征的回归关系并进行SHAP分析,挖掘影响视频影响力的关键特征;通过人工标注小米公司评论区的情感分类数据集,训练执行小米评论区情感分析任务的专用深度学习模型,进行评论区文本的情感分析,并从中了解消费者的核心诉求。研究采用定量的方法,为短视频平台品牌营销的研究提供新的分析思路与数据参考,为企业在短视频平台上的品牌营销提供了有益借鉴。

关键词： 力学课程   学习方法   环节   重要性  

摘要： 力学课程理论性强,知识体系复杂,计算量大,因此要求学生必须掌握实用、灵活的学习方法。针对力学课程学习的预习、听课与记笔记、课后复习、作业与练习、习题课、课外学习六个环节,指出各个环节的重要性和每个环节的具体做法,提出的观点实用性强,对学生的学习指导工作有重要的参考价值。

关键词： 行政违法行为   检察监督   党的十八大以来   运作机理   检察机关   国家治理体系和治理能力现代化   理论争议   实质性化解  

摘要： 党的十八大以来,行政违法行为检察监督成为检察机关积极拓展的领域,在督促行政机关依法行政、实质性化解行政争议、推进国家治理体系和治理能力现代化等方面发挥着重要作用。但是,作为一个实践命题,行政违法行为检察监督在发展过程中也面临着内涵、外延以及运作机理上的理论争议。

关键词： 少样本学习   故障诊断   自监督学习   表征学习  

摘要： 目前机器学习技术已被广泛应用于工业智能故障诊断中,但其成功应用的前提条件是能够获取到充足的含标签故障数据以对机器学习模型进行训练.实际工业场景中,设备常运行于正常状态,故障数据的获取与标注成本巨大,无法达到模型训练的需求.现有少样本诊断方法通常依赖于额外的有标签数据,无法克服工业场景下的数据采集与标注局限.对此,挖掘关键时序依赖特征以及专家先验知识与故障诊断任务之间的内在关联,提出一种知识自监督深度表征学习方法以实现少样本故障诊断.该方法设计了一个掩码信号重构与先验特征预测多任务联合的模型预训练策略,利用与目标设备类似设备积累的海量历史无标签数据对工业智能故障诊断模型中的特征提取器模型进行预训练,使得模型在无需额外标注数据的前提下,提取具有专家先验知识引导的时序变化模式,从而获取高泛化故障表征能力.通过上述基于知识自监督表征的预训练方法,在诊断过程中仅需利用目标设备的少量有标签故障样本对模型的全局参数进行微调,从而克服模型对有标签样本的依赖性难题.最后,通过一个跨数据集的故障诊断实验来模拟跨设备的少样本故障诊断场景,验证所提出方法在少样本场景下的有效性.

关键词： 机器学习   混合教学模式   随机森林方法   学习评价改革   嵌入式  

摘要： 随着传统课堂向线上线下混合式教学模式发展,教学方法、考核方式、学习评价等均有必要做相应的改革。本研究基于能力本位理念,“岗、课、赛、证”分解重构教学内容,制订课程标准,创新“半翻转”混合教学模式,实施学习评价改革。在信息技术助力下,采集学生学情数据,基于课程培养目标建立评价体系,基于机器学习随机森林方法设计评价模型,实现嵌入式的自动学习评价。本方法通过实践,验证了本评价模型的有效性与准确度,并将学习评价嵌入学习过程,实现对学习评价与管理机制的精细化。