关键词： 跨模态学习   三维点云   局部对应感知   特征增强  

摘要： 针对跨模态学习中存在特征互补性与关联性挖掘不足的问题， 提出一种跨模态局部对应感知的点云深度学习方法. 在双通道学习框架下设计局部对应感知模块， 通过构建图像语义引导矩阵学习点云与图像的细粒度相关性，并结合注意力加权提升点云特征的表达能力; 然后引入残差机制进行语义特征补偿， 有效地增强跨模态特征学习的语义引导性; 再提出跨模态自监督对比学习策略， 通过三维点云对比学习结合二维图像语义特征， 实现模态间与模态内细粒度特征关联， 提升特征表示学习的自适应性; 最后结合重构损失、对比损失和跨模态一致性损失的联合优化，显著地提升模型的学习性能. 在公开数据集ShapeNet， ModelNet上的实验结果表明， 所提方法有效地提高跨模态学习的信息交互性， 增强了点云特征学习的鲁棒性， 采用线性探测评估与基准方法相比较， 在三维形状分类和分割任务中分别取得91.61%和86.4%的精度， 平均提高了5.37个百分点与1.2个百分点.

关键词： 道路工程   病害检测   机器学习   像素分割   评价方法  

摘要： 道路路面的质量状况直接影响其使用寿命和行车安全。路面病害具有机理复杂、形态多样的特点，且在空间尺度上呈现出大样本分布，给度量与标注带来较大挑战，传统检测方法难以满足多场景、多类型病害识别的实际应用需求。本文总结了机器学习方法在路面病害自动化检测中的重要研究成果，比较了不同路面病害自动识别方法的技术原理和适用性，并从图像数量、尺寸、光源、相机、标注方式等角度总结了现已公开和私有的路面病害数据集。然后，基于三维深度数据对路面病害展开多种特征分析，为挖掘路面病害多元特征与人工智能模型的相互作用提供算法基础。最后系统性介绍了通用的客观评测指标以保证路面病害智能算法评价的公正性。病害识别经历了传统的阈值分割、面元分类和目标检测并逐步发展到像素级图像分割的趋势，自动识别算法的准确性和通用性得到了大幅度提升。传统机器学习方法和深度学习方法之间仍然可以相互借鉴与融合，以覆盖更多的路面病害类型并促使模型能够学习到更多有效特征，从而提高病害检测精度及效率。现有不同识别算法应以运行时间、显存占比、运算量、识别率作为一致的性能评价指标，并考虑不同道路环境下不同维度的路面病害数据集。未来应研发适应复杂工况的检测与处理方法，提升信噪比与模型泛化能力，推动智能算法多场景落地应用。

关键词： 算力发展   碳增效效应   双重机器学习  

摘要： 大数据时代，算力作为新型生产要素，对区域碳增效的作用日益凸显。然而，其具体机制及影响路径尚缺乏系统研究。本文构建区域算力发展指标体系，基于中国2011-2022年省级数据，采用双重机器学习方法，实证分析算力发展对区域碳绩效的影响及作用机制。研究发现，算力发展显著提升区域碳排放经济绩效，并降低福利碳强度，形成碳增效效应。机制分析表明：算力发展通过提升全要素能源利用效率和促进产业结构优化升级助力区域碳增效。此外，区域、环境规制和政策支持等异质性因素对算力发展的碳增效效应具有显著影响。本文进一步揭示算力发展在不同区域和情境下的差异化表现，并提出构建多元化算力供给体系、推进绿色算力一体化发展、深化算力赋能行业应用等建议，因地制宜地探索符合地方实际的低碳发展路径，构建算力驱动的绿色经济发展模式。

关键词： 联邦学习   隐私保护   知识蒸馏   数据异构  

摘要： 为了应对异构数据分布导致的联邦学习效率问题，提出了一种基于双向特征知识蒸馏的异构数据联邦学习方法。该方法首先将全局模型的参数抽象为特征知识和决策知识，显著减少了通信量，提升了系统的实时性和响应速度。在此基础上，通过引入相互学习机制，增强全局模型与局部模型之间的协同作用。全局模型负责聚合来自各节点的知识，而局部模型则专注于学习本地数据并贡献个性化知识。实验结果表明，该方法在处理数据异构性方面表现出色，并大幅提升了通信效率，特别适用于对实时性和低通信开销有较高要求的场景。

关键词： 异质网络   元路径   图神经网络  

摘要： 异质信息网络中由于节点类型各异，邻居信息在聚合前需投影到相同特征空间，这易导致语义混淆。同时，节点特征学习过程常面临局部拓扑结构特征与全局语义信息难以有效融合的问题。为此，提出一种分槽聚合元路径信息的异质网络图对比学习方法(Stack-Based Metapath Aggregation Graph Contrastive Learning,SMACon)。该方法基于元路径从多视角捕捉节点间的语义与结构关系，在元路径内部引入stack结构实现分槽聚合，为每类节点提供独立的消息传递过程，从而保留其类型特征空间中的信息表达；同时，在不同元路径视图上引入图对比学习，增强模型对全局图结构的理解能力；最后，通过注意力机制完成元路径与槽之间的信息聚合，得到最终节点表示。实验结果表明，S-MACon在链路预测和节点分类任务中分别达到95.61%和94.59%的准确率，显著优于现有主流方法，验证了其有效性与推广价值。

关键词： 内卷式竞争   创新遏制   资源囤积   市场掠夺   感知风险  

摘要： 随着全球经济环境的日益复杂和技术变革的加快，产业链内卷式竞争现象在中国制造业中愈发普遍，同时加剧了产业链各个环节的企业感知风险，对产业链的稳定性和安全性产生影响。以中国新能源汽车产业链为研究对象，基于2014—2023年800家上市公司年报数据，结合BERT模型与文本分析方法量化内卷式竞争行为，并通过多元回归模型检验其与感知风险的关联，考察产业链内卷式竞争行为（创新遏制、资源囤积与市场掠夺）对企业感知风险的影响。研究发现：创新遏制、资源囤积与市场掠夺均显著加剧了企业感知风险，其中创新遏制的正向效应最为突出；产业链内卷式竞争行为对企业风险感知的影响具有异质性。研究说明内卷式竞争通过遏制、囤积、掠夺的三重机制放大了产业链感知风险，为企业破解低效竞争格局、优化政策设计提供了经验证据与解题思路。

关键词： 智能制造   工业图像处理   异常检测与定位   深度学习   无监督学习  

摘要： 深度学习的快速发展为工业图像的异常检测和定位奠定了里程碑，现有研究对全面深入探索该领域具体方法和新兴趋势的需求不断增长。超越了传统的监督训练范式，探讨了基于自监督和无监督学习的异常定位方法的背景动机、发展现状和核心挑战，从神经网络架构设计、特殊应用场景分析、损失函数改进、评价指标和公开数据集的使用情况等角度全面回顾了工业领域现有优秀研究。此外，还重点研究了少样本学习下，大型视觉语言模型对多类别统一异常定位任务的认知和推理作用，总结了现有研究成果并指出了未来的研究方向，旨在促进利用大模型的能力来增强复杂真实场景中异常定位算法的稳健性和系统开发的高效性。这项全面的分析旨在弥合现有的知识差距，为研究人员提供宝贵的见解，并为塑造工业异常定位研究的未来做出贡献。

关键词： 端云协同   强化学习   离在线强化学习   兵棋推演   智能决策  

摘要： 随着军事智能化技术演进，兵棋推演智能决策研究备受关注。针对传统云端集中式决策模式存在的通信延迟、数据安全风险和部署壁垒等问题，提出端云协同混合离在线强化学习框架（Decider），实现基于先验知识与试错数据的融合驱动决策。云端动态筛选高价值样本传输至边缘设备，缓解数据分布偏移问题，加速策略搜索；引入历史动量聚合算法，稳定模型训练。在海空对抗兵棋实验中，Decider策略搜索速度提升超过90%，平均对抗得分提高26%以上，且通信负载降至传统架构的9.5%。

摘要： [目的]构建和比较多种基于机器学习方法的甲状腺乳头状癌（papillary thyroid carcinoma,PTC）颈部淋巴结转移（neck lymph node metastasis,NLNM）预测模型，评估性能最优的模型并提高模型的可解释性。[方法]回顾性分析2021年1月至2023年9月在广西科技大学第二附属医院接受甲状腺切除手术的903例PTC患者的临床资料。患者随机分为训练集（70%）和验证集（30%），将性别、年龄、肿瘤最大直径、病灶数量及是否存在被膜侵犯等13项临床病理特征变量纳入逻辑回归、梯度提升机、随机森林、决策树、支持向量机和轻量级梯度提升机（Light Gradient Boosting Machine,Light GBM）等10种机器学习算法，对NLNM的风险构建预测模型。通过受试者工作特征曲线下面积（area under the curve,AUC）、灵敏度、特异度、准确率和F1得分等指标比较各模型性能。并通过决策曲线、基于沙普利加和解释（SHapley Additive exPlanation,SHAP）法等可视化方法，对最优模型的效果和可解释性进行分析。[结果]在10种机器学习模型中，Light GBM的预测效果最佳，AUC为0.853(95%CI:0.793～0.837)，准确率为0.771,F1得分为0.764，灵敏度为0.743，特异度为0.799。在决策曲线分析中，Light GBM模型显示出良好的稳定性。基于SHAP方法可视化Light GBM模型，结果显示，肿瘤最大径、甲状腺球蛋白、癌胚抗原和年龄是影响PTC患者颈部淋巴结转移风险预测的最显著因素。[结论]基于SHAP值可解释Light GBM模型对PTC患者NLNM具有最佳的预测价值。

关键词： 强化学习   四足机器人   双延迟深度确定性策略(twin delayed deep deterministic policy gradient，TD3)   奖励函数   步态学习   集成网络  

摘要： 为解决四足机器人技能学习领域中双延迟深度确定性策略(twin delayed deep deterministic policy gradient，TD3)算法中存在Q值低估导致价值估计不准确，从而出现学习效果恶化的问题，提出一种随机集成TD3算法(randomized ensembled network-TD3，RE-TD3)。该算法集成多个Q值网络，并随机选取Q值网络进行评估，缓解价值估计不准确的问题，有效提高策略性能。其次，设计合适的奖励函数以正确引导四足机器人的步态学习任务。最后设置仿真实验进行验证，实验结果表明，所提算法能够使四足机器人学习到良好的运动步态，与其他主流算法对比，RE-TD3算法学习到的步态在机体稳定性上提高了33%，在奖励值上提高了32%，在行走偏离度上改善了60%。