关键词： 流数据   概念漂移   集成学习   漂移类型   过滤阶段   扩充阶段  

摘要： 大数据时代,流数据大量涌现.概念漂移作为流数据挖掘中最典型且困难的问题,受到了越来越广泛的关注.集成学习是处理流数据中概念漂移的常用方法,然而在漂移发生后,学习模型往往无法对流数据的分布变化做出及时响应,且不能有效处理不同类型概念漂移,导致模型泛化性能下降.针对这个问题,提出一种面向不同类型概念漂移的两阶段自适应集成学习方法(two-stage adaptive ensemble learning method for different types of concept drift,TAEL).该方法首先通过检测漂移跨度来判断概念漂移类型,然后根据不同漂移类型,提出“过滤-扩充”两阶段样本处理机制动态选择合适的样本处理策略.具体地,在过滤阶段,针对不同漂移类型,创建不同的非关键样本过滤器,提取历史样本块中的关键样本,使历史数据分布更接近最新数据分布,提高基学习器有效性;在扩充阶段,提出一种分块优先抽样方法,针对不同漂移类型设置合适的抽取规模,并根据历史关键样本所属类别在当前样本块上的规模占比设置抽样优先级,再由抽样优先级确定抽样概率,依据抽样概率从历史关键样本块中抽取关键样本子集扩充当前样本块,缓解样本扩充后的类别不平衡现象,解决当前基学习器欠拟合问题的同时增强其稳定性.实验结果表明,所提方法能够对不同类型的概念漂移做出及时响应,加快漂移发生后在线集成模型的收敛速度,提高模型的整体泛化性能.

关键词： 学习体验   思考与实践   说理   陪伴者   图形的运动   主动学习   改变学习方式   每一个学生  

摘要： 以“学”为核心,以“生”为根本,不能只是挂在嘴边的一句口号,“道理”必须转化为“行动”,学习才会发生,理念才能落地。作为教师,如何帮助每一个学生不仅在当下获得知识,更超越对知识本身的掌握,获得知识背后所隐含的意义呢?说理课堂,倡导教师从过去知识的传授者,转变为学习的设计者、组织者、陪伴者,鼓励学生质疑、思考与探究。改变学习方式的同时,给予学生更多的思考机会,更生动、丰富的学习体验,更持续、深入探究的学习可能,使学生在有限时间的学习过程中,走向主动学习的无限。

关键词： 联邦学习   互蒸馏   有向无环图   个性化权值  

摘要： 联邦学习(FL)作为一种分布式训练方法,在车联网(IoV)中得到了广泛应用。区别于传统机器学习,FL允许智能网联车辆(CAVs)通过共享模型而非原始数据来协同训练全局模型,从而保护CAV隐私和数据安全。为了提升联邦学习模型精度,降低通信开销,该文首先提出一种基于有向无环图(DAG)区块链和CAVs的IoV架构,分别负责全局模型共享和本地模型训练。其次,设计了一种基于DAG区块链的异步联邦互蒸馏学习(DAFML)算法在本地同时训练教师和学生模型,教师模型的专业级网络结构可取得更高精度,学生模型的轻量级网络结构可降低通信开销,并采用互蒸馏学习使教师模型和学生模型从互相转移的软标签中学习知识以更新模型。此外,为了进一步提高模型精度,基于全局训练轮次和模型精度设定个性化权值来调节互蒸馏占比。仿真结果表明,DAFML算法在模型精度和蒸馏比率方面优于其他比较算法。

关键词： 深度学习   图像分类   目标检测   图像分割   隧道渗漏  

摘要： 衬砌渗漏是隧道工程主要病害之一,使用传统的方法进行隧道衬砌渗漏部位识别存在耗时长、效率低、可靠性不高、受外界条件影响大、距离衰减严重等各类问题。深度学习在计算机视觉领域已经取得了很显著的发展,能很好地完成一系列图像处理任务,通过对隧道衬砌图像进行识别,从而可靠地进行隧道衬砌病害目标检测。该研究分别从图像分类、目标检测、图像分割三个方面对隧道衬砌渗漏识别任务中的深度学习模型应用研究进行综述,分析了各模型的优缺点与传承关系,结合精确度、召回率、F1、mAP、mIoU等指标评价了各模型的性能,最后总结了现有深度学习模型的不足,并对其未来发展给出了有针对性的展望。该研究旨在为提高隧道衬砌渗漏识别效能提供依据,以推动深度学习在此方面的应用的进一步发展。

关键词： 关系抽取   表填充   句法依存树   神经网络  

摘要： 基于表填充的关系抽取方法利用深度神经网络将句子映射到二维抽象表示,忽略了句子中不同跨度之间的语义结构,很难获取到句子中的长距离语义依赖。针对表填充方法的这一不足之处,提出了一个结合句法依存树的表填充关系抽取模型。该模型通过双仿射将句子映射到二维抽象表示。利用句子的句法依存树初始化语义依赖邻接矩阵,利用邻接矩阵学习二维表示中单词与单词之间的句法依赖特征。使用门控循环单元提取特征对句子的二维表示进行更新,从而在句子二维抽象表示中获取跨度之间的语义依赖关系和句子的结构特征。实验结果表明提出的模型可以有效获取句子中的长距离语义依赖特征,通过学习跨度的语义依赖信息和句子的语法结构特征来提升关系抽取的性能。

关键词： 学习材料   分数意义   找一找   说一说   具体含义   理解   借助   学生  

摘要： 在教学分数的再认识时,教师可以借助以下学习材料让学生对分数意义的理解更深入。【活动1】不同材料中找3/5。出示如下学习材料(图1),让学生找一找3/5,并说一说具体含义。

关键词： 电力变压器   故障预测   二次采样   集成学习  

摘要： 提前预测预警变压器故障可帮助电网企业提前安排检修,保证电网运行安全。提出了一种基于二次采样和集成学习的变压器故障预测模型,以增加故障数据样本并提高模型预测精度。首先,引入合成少数类过采样(SMOTE-SMOTE)二次采样方法处理变压器运行状态初始数据,构建平衡数据集,然后以支持向量机(SVM)、随机森林(RF)、人工神经网络(ANN)等为基学习器对平衡后的变压器运行状态数据集进行预测,构建Stacking集成学习模型对变压器故障进行预测。综合对比不同采样方法、不同基学习器和元学习器下模型的预测效果,结果表明二次采样方法相较于单一采样方法可以有效提高模型的预测效果。

关键词： 多任务学习   合同文本   信息联合抽取   注意力机制   实体嵌套  

摘要： 对于合同文本中要素和条款两类信息的准确提取,可以有效提升合同的审查效率,为贸易各方提供便利化服务.然而当前的合同信息抽取方法一般训练单任务模型对要素和条款分别进行抽取,并没有深挖合同文本的特征,忽略了不同任务间的关联性.因此,采用深度神经网络结构对要素抽取和条款抽取两个任务间的相关性进行研究,并提出多任务学习方法.所提方法首先将上述两种任务进行融合,构建一种应用于合同信息抽取的基本多任务学习模型;然后对其进行优化,利用Attention机制进一步挖掘其相关性,形成基于Attention机制的动态多任务学习模型;最后针对篇章级合同文本中复杂的语义环境,在前两者的基础上提出一种融合词汇知识的动态多任务学习模型.实验结果表明,所提方法可以充分捕捉任务间的共享特征,不仅取得了比单任务模型更好的信息抽取结果,而且能够有效解决合同文本中要素与条款间实体嵌套的问题,实现合同要素与条款的信息联合抽取.此外,为了验证该方法的鲁棒性,在多个领域的公开数据集上进行实验,结果表明该方法的效果均优于基线方法.

关键词： 食品包装安全   蚊虫检测   YOLOv8   小目标检测   SimAM注意力机制   特征融合   归一化Wasserstein距离  

摘要： 食品安全一直是社会关注的焦点,而在食品包装印刷生产过程中,蚊虫的夹杂会对食品安全构成威胁。针对食品包装质检过程中蚊虫检测仍是人工筛查的现状,以及蚊虫目标尺寸小、所处背景复杂的特点,提出了一种基于深度学习的全自动MNTH-YOLOv8检测方法。该方法是在YOLOv8强大的目标检测功能基础上,结合通道特征部分卷积模块、SimAM注意力机制和改进的特征融合模块,并以CIoU与归一化Wasserstein距离作为定位回归损失函数的优化模型。对真实数据集的检测结果表明,MNTH-YOLOv8表现出显著优势,不仅有效提高了小目标蚊虫的检测精度,还在保持检测速度的前提下减少了参数量。MNTH-YOLOv8在食品包装中蚊虫的实时检测应用上拥有广阔前景。

关键词： 全面从严治党   党的纪律   条例   民族复兴  

摘要： 全面从严治党,有着严的基调、严的措施、严的氛围。一个“严”字,反映出中国共产党贯彻全面从严治党战略方针的丰富内涵、科学逻辑和实践要求,揭示了党深入推进自我革命的职责使命,也展现了党深刻把握和着力解决大党独有难题的智慧和方法。深入学习体会习近平总书记的重要论述和新修订的《中国共产党纪律处分条例》,我们可以从中悟出中国共产党安身立命和一路前行的许多管党治党的深刻内涵和历史逻辑,看到中国共产党100多年一路走来的经验和教训,特别是依规依纪从严管党治党的基本遵循。如果没有对纪律和规矩的严格遵守和始终坚守,就没有我们党的发展壮大;如果没有严明的纪律和完善的规矩体系,我们党也不可能取胜。我们要从解决大党独有难题的角度,从我们党安身立命的根本的角度,从我们党及其领导的队伍一路走来是怎样取得胜利的角度,从我们走向未来如何进一步取得伟大胜利的角度,来充分认识和践行党纪学习教育的极端重要性。党的纪律和规矩,在实现中华民族伟大复兴的历史进程中,有着至关重要的作用。