关键词： 多臂老虎机模型   异质网络   网络表示学习   自适应权重  

摘要： 针对异质网络表示学习中邻接节点表示向量的融合问题,提出基于多臂老虎机的异质网络表示学习方法。该方法采用基于多臂老虎机思想,实现异质网络中元路径关系的权重的自适应计算,在节点分类任务上取得的Micro-F1值(89.56%和54.79%)和Macro-F1值(89.09%和53.14%)均优于基准测试。面对节点信息的多样性,基于多臂老虎机的网络表示学习方法能够将网络结构和节点信息更加有效地融入图的表示学习中。

关键词： 语文跨学科学习   主题   学习进阶  

摘要： 当前对语文跨学科学习的把握,存在“二律背反”现象:认识上追求严格,实践中又往往较为宽泛甚至随意。主题作为跨学科学习的对象,本身极具丰富性,可成为分析跨学科学习进阶的有力视角。从不同距离来看,可实现从日常主题到社会主题的跨学科学习进阶;从不同范畴来看,可实现从小概念主题到大概念主题的进阶;从不同层次来看,可实现从验证类主题到建构类主题的进阶。语文跨学科学习的进阶有助于破除对跨学科学习“定于一尊”的静态把握而彰显其丰富形态,也有助于克服人们对跨学科学习的畏难心理,从而可循序渐进地推进跨学科学习在实践中的落地,还有助于化解跨学科学习理论与实践之间的矛盾,并弥补其落差。

关键词： 表面增强拉曼散射   机器学习   生物医学  

摘要： 近年来,运用表面增强拉曼光谱(SERS)技术对生物样本检测的研究发展十分火热,尤其是结合机器学习方法的SERS技术在临床样本诊断方面的运用日趋成熟。机器学习方法是基于无监督和有监督的算法,可以解决复杂的样本和大量、高维的数据信息,在生物分析领域受到高度关注。本文介绍了SERS技术结合机器学习方法的相关应用,尤其是在生物医学领域。SERS既可以使用免标记的策略检测生物样本的指纹信息,又可以使用标记方法跟踪蛋白质等生物标志物实现间接检测。本文总结了SERS技术结合机器学习方法用于血液、尿液、组织等临床样本进行疾病诊断的最新进展。此外,本文还汇总了细胞样本及其他复杂样本SERS分析中机器学习方法运用的实例。该文综述了这一领域的最新进展,为从事SERS生物分析领域的研究人员提供可借鉴的方案。

关键词： 跨学科学习   跨学科主题学习   跨学科学习评价  

摘要： 在当前强调核心素养、培养创新人才的背景下,跨学科学习有其独特的价值。跨学科学习设计与实施的重点在于要能“跨”起来。为此,具有“可跨性”的主题、议题、现象、项目、成果,甚至跨学科概念都可以作为跨学科学习的载体。同时,教师在学科课程体系中开展跨学科学习时,要规避有可能会破坏学科课程体系的深度和逻辑性、有可能会减少传递“强有力的知识”、缺少明确的跨学科学习目标等风险。此外,教师要特别关注跨学科学习评价中素养目标的类型,并据此对学生进行跨学科学习评价。

关键词： 早期故障检测   深度学习   迁移学习   异常检测   滚动轴承  

摘要： 基于张量分解可有效挖掘信号高维本质信息的优点,提出一种无监督张量深度迁移学习方法.首先,构建基于张量表示的深度多任务异常检测模型,利用核心张量构建单分类异常检测规则表示,并建立超球规则适配机制,交替优化张量分解和域无关特征提取,以实现异常检测规则在离线轴承和在线目标轴承间的有效传递,完成在线无标记数据的异常检测;其次,提出一个基于异常概率贯序累积的非参数报警阈值设定方法,可在仅设定误报警率置信度的条件下自适应选择在线阈值,并给出该阈值合理性的理论分析.在IEEE PHM Challenge 2012轴承数据集上进行实验,结果表明,所提出方法可获得更好的检测实时性和更低的误报警数,为早期故障检测提供一种具有易部署性和鲁棒性的解决方案.

关键词： 机器学习   翻译风格   平行语料库   《德伯家的苔丝》  

摘要： 研究使用机器学习中的分类和聚类方法,基于自建平行语料库,考察哈代名作《德伯家的苔丝》中文三译本的翻译风格。从68个全部特征中筛选出15个显著特征,并结合实例进行量性融合的阐释和总结。结果表明,显著特征能够有效区分三译本风格差异,分类、聚类实验的平均准确率均达到97%左右,提示出各译本在词汇、句法、语篇上的不同风格特征和译者的个人偏好。研究在为既往质性研究提供数据支持和细粒度分析的同时,也提出了一些纠正性结论,如张谷若译本词汇密度更大、被字句比例极少、成语比例差别不大等,并为翻译风格和译者风格研究方法提供了一定改进和补充。

关键词： 掌静脉识别   深度学习   多模态融合  

摘要： 掌静脉识别作为一种新兴的红外生物识别技术,因其高安全性、活体检测性等优势已成为当前生物特征识别领域中的研究热点之一。近年来,该领域的大量研究通过引入深度学习方法推动了掌静脉识别技术的发展。为了掌握掌静脉识别领域最新研究现状及发展方向,对数据采集和数据预处理的主流算法进行了分类和总结,并针对基于深度学习的掌静脉识别的最新进展按照掌脉特征表征、网络设计与优化、轻量级网络进行了分类和详细阐述。针对当前单模态识别达到瓶颈等问题,分析并对比了多模态和多特征融合识别相关算法;探讨了当前掌静脉识别的研究难点挑战,并对未来的发展趋势进行了展望与总结。

关键词： 意义学习   情境资源   问题   改进  

摘要： “无情境,不教学”是高中思政新课程的一般特征。目前的思政课课堂情境设计存在偏重知识、偏重兴趣等诸多问题,而对情境在思维激活、价值引领、实践探索等方面的功效存在选择性偏差。这无疑淡化了思政课对学生成长的意义。基于奥苏贝尔的意义学习理论,思政课理应厚积学生知识并助力学生精神成长。广大思政课教师应在情境设计上下功夫、动脑筋、展新姿,综合运用时政资源、乡土资源、数字资源、校本资源,让情境中的知识、价值共同作用于学生情智,让情境的知识逻辑与价值意义共同导向学生行为,最终达成见识与能力共生、知识与智慧共长的意义学习。

关键词： 儿童   社会情感   价值   实践意义  

摘要： 儿童社会情感学习课程致力于自我认知、自我管理、社会认知、人际交往和做负责任决策5项核心技能的培养。学习可以有效提高儿童的社会认知能力,使儿童的社会问题行为明显减少。儿童在学前期具备良好的学业准备,有利于其进入正规学校教育后,取得更为良好的学业成绩。儿童社会情感学习课程具有重要的实践意义,在幼儿园进行实践,可以对幼儿教育事业的健康发展起到较大的推动作用。

关键词： 去中心化联邦学习   数据安全   增量学习   元学习  

摘要： 针对联邦增量场景中持续学习和数据安全的问题,构建了结合元学习的去中心化联邦增量学习框架。首先,为解决增量场景中持续学习带来的灾难性遗忘问题,提出了结合最近类均值样本回放的增量元学习方法NMR-cMAML,利用元训练对不同任务流的快速适应进行元更新,得到适用于新旧样本的模型。然后,为解决联邦增量场景中的数据安全问题,设计了基于对等网络架构的去中心化联邦增量学习框架,对等架构中每个客户端采用NMR-cMAML对私有的持续任务流进行增量学习。不同于传统的基于服务器-客户端的中心化架构,该去中心化架构采用客户端间通信的策略,消除了传统中央服务器易被攻击的隐患;同时,在联邦通信过程中,通过共享元学习的模型参数实现客户端间知识的有效迁移。最后在图像数据集(Cifar100和Imagenet50)上进行了不同任务场景的实验,结果表明所提方法能在提高系统的数据安全性的同时提升客户端本地性能。