关键词： 领域适应(DA)   可能性聚类   最大均值差(MMD)   模糊熵  

摘要： 领域适应(DA)学习旨在解决训练数据集与测试数据集分布不一致问题而广受关注,现有方法大多采用最小化领域间最大均值差(MMD)或其变体来解决域分布不一致问题。然而,领域中存在的噪声数据将会导致领域均值发生明显漂移,会在一定程度上影响基于MMD及其变体的学习方法的适应性能。故此,提出了可能性分布距离度量下的一种鲁棒的域适应学习方法:首先,将传统MMD准则变换为新颖的可能性聚类模型来削弱噪声数据所带来的影响,以此构建一种鲁棒的可能性分布距离度量(P-DDM)准则,并通过引入模糊熵正则项来进一步提升领域分布配准的鲁棒有效性。其次,基于P-DDM准则,提出一种鲁棒的域适应视觉分类机(C-PDDM),其引入图拉普拉斯矩阵来保留源域与目标域内部数据间的几何结构一致性,以提升标签传播性能,同时通过最大化利用源域判别信息进行最小化领域判别误差,以进一步提升学习模型的泛化性能。理论分析证实,在一定条件下,所提P-DDM是传统分布距离度量方法MMD准则的一个上界,因而通过最小化P-DDM能有效优化MMD目标。最后,与几个代表性的领域适应学习方法进行比较,在6个视觉基准数据集(Office31、Office-Caltech、Office-Home、PIE、MNIST-UPS和COIL20)上的实验结果显示,该方法在泛化性能上平均提升了5%左右,在鲁棒性能上平均提升了10%左右。

关键词： 联邦学习   设备异构   代理选举   云边端   高效性  

摘要： 物联网多样性终端设备在计算、存储、通信方面的异构性导致联邦学习效率不足。针对上述联邦训练过程中面临的问题,基于代理选举思路,提出了一种高效联邦学习算法。设计了基于马氏距离的代理节点选举策略,将设备的计算能力与闲置时长作为选举因素,选举性价比高的设备作为代理节点,充分发挥设备计算能力。进一步设计了基于代理节点的新型云边端联邦学习架构,提升了异构设备之间的联邦学习效率。基于MNIST和CIFAR-10公开数据集与智能家居设备真实数据的实验表明,该联邦学习方法的效率提高了22%。

关键词： 项目式学习   建构知识   口述史   学会思考   设计路径   知识建构   意义关联   身心自由  

摘要： "历史是人们学会思考和行动,提升人们的教养,特别是关怀人们的身心自由的学科"[1].换言之,历史学习的价值彰显于学生自发生成的思考与行动中,这两者又需通过建构知识与个人的意义关联才能实现.口述史和项目式学习对于知识建构和个人学习意义的共同追求使得两者的关联具有可能性和价值.

关键词： 中学德语   有意义的教学内容   学习动力  

摘要： 在青少年学生学习德语的过程中,提升学生的学习动力往往能够起到事半功倍的效果。能否提供“有意义的教学内容”是影响学生学习动力的重要因素之一。在课程中提供“有意义的教学内容”,是德语教师通过对于教授学生的了解以及精心备课可以达到的目标。本文通过理论分析和一节课堂实例,研究“有意义的教学内容”的特点,从而达到增强青少年学习德语动力的目标。

关键词： 工业增加值预测   回归树集成学习   Shapley additive explanations(SHAP)方法   梯度提升树模型  

摘要： 本文从众多变量中筛选出59个相关经济指标,分别考查疫情前后传统时间序列模型和几种回归树集成学习模型对中国工业增加值增速的预测效果,并结合Shapley additive explanations(SHAP)方法对相关预测变量的作用进行解释分析.研究发现,随着预测步长的增加和新冠疫情的暴发,传统时间序列模型的预测性能明显减弱,而集成学习模型的预测表现则相对较好,其中梯度提升树模型在较长预测步长中更加稳健和准确.基于SHAP方法的分析发现,作为预测变量的经济指标在不同时期的重要性有所不同,除生产、投资等指标外,金融类变量在高风险时期也具有一定的预测作用,需结合具体时间和预期目标来选择合适的经济指标进行工业增长预测.基于预测的视角可在一定程度上说明新冠疫情冲击可能不会改变工业增长未来走势的基本面.

关键词： 联邦学习   数据共享   聚类   全局共享模型收敛   数据异构  

摘要： 联邦学习是一种不通过中心化的数据训练就能获得机器学习模型的系统,源数据不出本地,降低了隐私泄露的风险,同时本地也获得优化训练模型。但是由于各节点之间的身份、行为、环境等不同,导致不平衡的数据分布可能引起模型在不同设备上的表现出现较大偏差,从而形成数据异构问题。针对上述问题,提出了基于节点优化的数据共享模型参数聚类算法,将聚类和数据共享同时应用到联邦学习系统中,该方法既能够有效地减少数据异构对联邦学习的影响,也加快了本地模型收敛的速度。同时,设计了一种评估全局共享模型收敛程度的方法,用于判断节点聚类的时机。最后,采用数据集EMNIST、CIFAR-10进行了实验和性能分析,验证了共享比例大小对各个节点收敛速度、准确率的影响,并进一步分析了当聚类与数据共享同时应用到联邦学习前后各个节点的准确率。实验结果表明,当引入数据共享后各节点的收敛速度以及准确率都有所提升,而当聚类与数据共享同时引入到联邦学习训练后,与FedAvg算法对比,其准确度提高10%~15%,表明了该方法针对联邦学习数据异构问题上有着良好的效果。

关键词： 语音-人脸跨模态   多模态共享网络   伪标签   关联学习  

摘要： 现有的语音-人脸跨模态关联学习方法在语义关联和监督信息方面仍然面临挑战,尚未充分考虑语音与人脸之间的语义信息交互。为解决这些问题,提出一种基于多模态共享网络的自监督关联学习方法。首先,将语音和人脸模态的特征映射到单位球面,构建一个公共的特征空间;接着,通过多模态共享网络的残差块来挖掘复杂的非线性数据关系,并利用其中权重共享的全连接层来增强语音与人脸特征向量之间的关联性;最后,使用K均值聚类算法生成的伪标签作为监督信号来指导度量学习,从而完成4种跨模态关联学习任务。实验结果表明,本文提出的方法在语音-人脸跨模态验证、匹配和检索任务上均取得了良好的效果,多项评价指标相较于现有基线方法提升1%~4%的准确率。

关键词： 大学习观   仪式教育   课前宣誓   意义  

摘要： 以7个班295名大一学生为研究对象,对其进行一个学期的课前宣誓教育活动,通过前测与后测对比进行研究,分析思政课课前宣誓这一仪式教育是否会影响学生的感受、态度、思想觉悟和学习效果。98%的学生认为课前有必要宣誓,97.3%的学生对课前宣誓有好的感受体验,99%的学生认为课前宣誓使自己的思想和觉悟有提升。并对课前宣誓的必要性、感受性、态度性、影响性分别进行了配对样本t检验,p<0.01,前后差异显著。由此可见,课前宣誓对大学生的思想政治教育和教学效果起到了非常好的促进作用,是思政课教学不可或缺的一环。

关键词： 学习共同体   医药卫生   高职英语   共建教学资源  

摘要： 本文以学习共同体理论为指导,围绕高职英语新课标,探讨由教师团队和学生一起构建具有医药卫生类特色的高职英语基础模块和拓展模块的教学资源,并分析共建资源的规划和意义,希望能为医药卫生类高职英语教学提供一些参考与借鉴。

关键词： 机器学习   生物医学数据   医学数据挖掘   分类器   教学实践   操作流程   具体案例  

摘要： 本文首先介绍了机器学习常用的一般操作流程、Weka软件以及生物医学数据处理的重要性。然后,阐述了如何使用Weka进行生物医学数据分析和构建机器学习模型,并提供了以糖尿病为例的具体案例来说明这些方法的应用。本文介绍的教学实践方法有助于学生直观地理解机器学习中各个重要步骤,并方便比较不同分类器效果,具备良好的教学潜力。