关键词： 麻醉恢复时间   妇科手术   机器学习  

摘要： 目的构建妇科手术中麻醉恢复时间预测模型并验证。方法回顾性收集来自湖南省妇幼保健院2022年9月至2023年8月495例妇科手术,数据预处理后,构建逻辑回归(LR)模型、支持向量机(SVM)模型、多层感知器(MLP)模型、自适应提升(AdaBoost)模型、梯度提升决策树(GBDT)模型、随机森林(RF)模型、极限梯度提升(XGBoost)模型、类别提升(CatBoost)模型及引导聚集(Bagging)算法9个模型。为评估机器学习模型的预测准确性,绘制了受试者操作特征(ROC)曲线并比较曲线下面积(AUC)。针对最佳模型,探索各个特征在最佳模型中的重要性,并进行十折交叉验证最佳模型的适用性和稳定性。结果在495例患者中,全身麻醉恢复时间≥2 h者为A组,94例;<2 h者为B组,有401例。根据性能指标,9个模型中最佳模型为XGBoost(AUC为0.8701)。特征重要性分析中发现拔管时间与全身麻醉恢复时间关系密切。在十折交叉验证,该模型表现出了良好的普适性和稳定性。结论利用多种数据构建的XGBoost模型,有良好的预测表现和临床价值。

关键词： 联邦学习   数据共享   非独立同分布   分布差异   梯度下降  

摘要： 针对联邦学习中非独立同分布的样本导致模型出现收敛慢、训练不稳定等问题,采用琴生-香农(JS)散度衡量不同用户的数据分布差异,对联邦学习的分布差异最小化问题进行了数学建模,提出分布差异可感知的联邦学习方法,通过数值实验验证了该方法的有效性。实验表明,经过优化的数据分布,可有效加快联邦模型的训练准确率,使模型收敛到更稳定的状态。

关键词： 人机交互   手绘草图   视觉内容生成   深度学习  

摘要： 手绘草图通过绘制简单的线条直观呈现用户的创作意图,支持用户采用手绘的方式快速表达思维过程及设计灵感,创作目标图像或视频.随着深度学习的发展,基于草图的视觉内容生成通过学习草图和视觉对象(即图像和视频)的特征分布进行跨领域特征映射,实现图像自动生成草图以及草图自动生成对应的图像或视频,与传统的人工创作方式相比有效地提高了生成的效率和多样性,成为计算机视觉、图形学领域的重要研究方向,并且在设计、视觉创作等领域具有重要作用.综述基于草图的视觉内容生成深度学习方法的研究现状和发展趋势,按照视觉对象的不同将现有工作分为基于草图的图像生成和基于草图的视频生成方法,并结合草图和视觉内容跨域生成、风格转化、视觉内容编辑等任务对生成模型进行详细分析,然后比较和总结常用的数据集、针对草图数据不足提出的扩充方法以及生成模型的评估方法,进一步通过草图在视觉内容生成应用中面临的挑战及生成模型未来发展方向对研究趋势进行展望.

关键词： 经济全球化背景   动物医学英语   动物防疫检疫工作   重要意义   有效措施  

摘要： 在经济全球化背景下,本文首先分析了对于动物防疫与检疫专业学生,学习动物医学英语的现实原因,然后分析了学习动物医学英语的必要性和对动物防疫检疫工作的重要意义,最后给出了建议和有效措施,号召广大动物防疫检疫工作者要不断地努力和学习,提高自身综合素质,为国家动物防疫事业做出更大的贡献。

关键词： 混合属性数据   融合特征学习   无监督   数据挖掘  

摘要： 高质量的特征表示是实现数据精准挖掘的关键。针对现有特征学习方法难以有效提取混合属性数据中不同属性之间关联和数据内部真实信息的问题,提出一种面向混合属性数据的深度无监督融合特征学习模型(DUFERM)。该模型建立了一个双模态自编码器框架,对分类属性和数值属性采用不同路径进行建模,并采用深度多模态融合策略加深两种属性之间的联系;针对分类属性构建基于加权异构网络的离散特征自编码器,充分挖掘分类属性内部的结构和语义信息,针对数值属性构建连续特征自编码器,两个独立的自编码器以联合表示的形式组合在公共潜在表示层中;最后以预训练和联合训练相结合的无监督训练方式获得混合属性数据的融合特征表示。在10个公开数据集上的大量实验表明,所提DUFERM模型在各项评价指标上的综合性能优于现有经典的和新颖的混合属性数据特征学习方法,可以充分提取混合属性数据内部潜在特征,取得高质量的融合特征表示结果并提升下游数据挖掘任务的准确性。

关键词： 关系预测   深度学习   网络结构   节点属性  

摘要： 关系预测是网络科学领域的一个重要研究问题。传统基于相似性的启发式方法难以完成大规模或稀疏网络的关系预测任务,虽然近来兴起的基于深度学习的方法可以解决这一问题,但大多数工作主要通过网络结构信息嵌入表示向量的相似性实现关系预测。许多实证研究表明网络关系的形成会受到节点属性的影响,同时相似性也不是关系形成的唯一准则。本文提出了融合网络结构与节点属性进行关系预测的DDLP模型。该模型借助早期融合的方式获取网络结构信息和节点属性信息的嵌入表示,进而通过节点特征向量与连边信息的有监督学习实现关系预测。现实网络中的实验结果表明,DDLP模型可以有效捕捉网络中的连边规律,特别是融合节点属性后,其预测性能(精确率、召回率和F 1值)明显优于比对模型。本研究不仅为关系预测的相关工作提出了一个深度学习模型框架,也为诸如系统推荐的现实应用奠定方法基础。

关键词： 多模态变分自编码器   认知表征   脑电图   跨模态生成  

摘要： 目的学习大脑视觉认知活动的多模态联合认知表征,提高认知表征的视觉信息分类性能,并从视觉图像特征中预测大脑脑电图(EEG)响应以及从EEG信号中解码出视觉图像。方法基于多模态变分自编码器网络结构,结合混合专家乘积(MoPoE)方法学习联合认知表征,并添加基于自适应鉴别器增强的样式生成对抗网络(StyleGAN2⁃ADA)实现对EEG信号的编码和解码任务,包括分类任务以及图像和EEG的跨模态生成。结果实现了不同模态的特征融合,提高了认知表征视觉信息的分类性能,并将不同模态的特征空间对齐到一个联合隐空间,为跨模态生成任务奠定了基础。基于联合隐空间进行的EEG和图像的相互跨模态生成结果优于以往工作中从一个模态到另一个模态的单向映射方法。结论能够融合并对齐多个模态的信息,使联合认知表征的分类性能优于使用任何单一模态,并且在跨模态生成任务中取得优于模态单向映射的结果,为大脑视觉认知信息有效统一的编码和解码建模研究提供了新思路。

关键词： 主题意义探究   学习活动   结构化知识   综合性学习   设计思维  

摘要： 高中英语新课程倡导以主题意义探究为引领设计课堂教学活动,然而当前的教学实践还存在活动情境缺乏与生活的关联性和认知的挑战性,活动间缺乏逻辑性和整体性等问题。针对这些问题,文章对主题意义的概念和设计原则进行了解析,结合具体的教学案例阐释教师如何确定主题意义,并依托英语学习活动观设计具有关联性、递进性、整合性的学习活动,帮助学生有效建构主题结构化知识,深入探究主题意义,合理运用所学围绕主题进行意义表达。

关键词： 标记分布学习   深度森林   深度集成模型   异质集成学习   特征重用  

摘要： 作为一种解决标签模糊性问题的新学习范式,标记分布学习(LDL)近年来受到了广泛的关注.为了进一步提升标记分布学习的预测性能,提出一种联合深度森林与异质集成的标记分布学习方法(LDLDF).所提方法采用深度森林的级联结构模拟具有多层处理结构的深度学习模型,在级联层中组合多个异质分类器增加集成的多样性.相较于其他现有LDL方法,LDLDF能够逐层处理信息,学习更好的特征表示,挖掘数据中丰富的语义信息,具有强大的表示学习能力和泛化能力.此外,考虑到深层模型可能出现的模型退化问题,LDLDF采用一种层特征重用机制(layer feature reuse)降低模型的训练误差,有效利用深层模型每一层的预测能力.大量的实验结果表明,所提方法优于近期的同类方法.

关键词： 海图制图   海底地貌综合   水深点自动选取   等深线自动化简   强化学习  

摘要： 针对当前海图中水深点与等深线两要素的自动综合过程相对独立,二者相互影响考虑不够充分,导致结果不够理想的问题,提出一种水深点与等深线协同综合的强化学习方法。首先,获取用于水深点与等深线协同综合的训练样本;然后,构建并训练强化学习模型,挖掘水深点与等深线在综合过程中的相互影响关系;最后,利用训练后的模型,动态自适应调整水深点与等深线的综合策略。试验结果表明,在航海安全保证的可靠性、制图综合结果的图理性、海底地貌表达的准确性及海图要素分布的美观性等方面,强化学习法的性能均要优于当前常见的简单综合法、冲突避免法及协调水深法,更适用于处理水深点与等深线的协同综合问题。