检索结果-内蒙古大学图书馆

计算机研究与发展 2025年第3期62卷 662-671页

作者：王苑铮孙文祥范意兴廖华明郭嘉丰中国科学院网络数据科学与技术重点实验室(中国科学院计算技术研究所) 北京100190 中国科学院大学北京100049

图文跨模态实体链接是对传统实体链接任务的扩展,其输入为包含实体的图像,目标是将其链接到文本模态的知识库实体上.现有模型通常采用双编码器架构,将图像、文本模态的实体分别编码为向量,利用点乘计算两者的相似度,从而链接到与图像实... 详细信息

图文跨模态实体链接是对传统实体链接任务的扩展,其输入为包含实体的图像,目标是将其链接到文本模态的知识库实体上.现有模型通常采用双编码器架构,将图像、文本模态的实体分别编码为向量,利用点乘计算两者的相似度,从而链接到与图像实体相似度最高的文本实体.其训练过程通常采用基于Info NCE损失的对比学习任务,即提高一个实体某模态与自身另一模态的向量相似度,降低与其他实体另一模态的向量相似度.然而此模型忽视了图文2个模态内部表示难度的差异:图像模态中的相似实体,通常比文本模态中的相似实体更难以区分,导致外观相似的图像实体很容易链接错误.因此,提出2个新的对比学习任务来提升向量的判别能力.一个是自对比学习,用于提升图像向量之间的区分度;另一个是难负例对比学习,让文本向量更容易区分几个相似的图像向量.在开源数据集Wiki Person上进行实验,在12万规模的实体库上,相比于采用Info NCE损失的最佳基线模型,模型正确率提升了4.5个百分点.

关键词：实体链接模型多模态跨模态对比学习视觉信息

来源：评论

学校读者我要写书评

暂无评论

融合营养知识和偏好-健康多目标优化的膳食推荐

引用

食品科学 2025年第6期46卷 29-37页

作者：金颖闵巍庆周鹏飞梅舒欢蒋树强中国科学院智能信息处理重点实验室北京 100190 中国科学院计算技术研究所北京 100190 中国科学院大学北京 100049 中科苏州智能计算技术研究院江苏苏州 215009

本实验提出一种融合营养知识和偏好-健康多目标优化的膳食推荐方法.该方法通过食品营养知识嵌入引导学习用户的偏好,并利用多目标优化算法平衡用户饮食偏好与营养健康需求.首先,基于营养引导的食品知识感知网络(nutrition-guided food k... 详细信息

本实验提出一种融合营养知识和偏好-健康多目标优化的膳食推荐方法.该方法通过食品营养知识嵌入引导学习用户的偏好,并利用多目标优化算法平衡用户饮食偏好与营养健康需求.首先,基于营养引导的食品知识感知网络(nutrition-guided food knowledge-aware network,NG-FKN)进行个性化菜谱推荐,再进行营养套餐推荐(nutritional food combination recommendation,NFCR).NG-FKN从食品营养知识图谱中提取营养信息,引导捕捉用户偏好,实现个性化菜谱推荐.NFCR结合用户饮食偏好与营养需求,采用基于营养支配的非劣排序遗传算法优化多个目标,获得营养套餐推荐列表.此外,构建食品营养知识图谱与食品-用户的交互数据集,包含19 669 条菜谱数据,并在该数据集上对所提方法进行评估.同时还引入中国健康膳食指数和食物多样性评分两个指标用于评估推荐套餐的营养价值.在所提数据集上的实验结果表明,本研究方法优于目前主流的方法,可以提升膳食营养推荐的性能.

关键词：膳食推荐营养套餐知识图谱多目标优化遗传算法

来源：评论

学校读者我要写书评

暂无评论

虚拟人运动控制策略学习方法的研究进展与展望

引用

计算机辅助设计与图形学学报 2025年第2期37卷 185-206页

作者：叶永竞许逸文张子豪胡磊夏时洪中国科学院计算技术研究所前瞻研究实验室北京100190 中国科学院大学北京100049

虚拟人运动合成是虚拟现实和角色动画领域中的关键问题之一,旨在合成真实自然且能够响应用户输入信息的运动序列.虚拟人运动控制策略根据用户输入约束解算关节力矩,并依托现有的物理引擎更新虚拟人状态,合成的运动序列在满足用户输入约... 详细信息

虚拟人运动合成是虚拟现实和角色动画领域中的关键问题之一,旨在合成真实自然且能够响应用户输入信息的运动序列.虚拟人运动控制策略根据用户输入约束解算关节力矩,并依托现有的物理引擎更新虚拟人状态,合成的运动序列在满足用户输入约束的同时可以满足物理真实性.近年来,深度强化学习技术因在序列决策和交互任务中的出色表现而备受研究者的关注,为基于物理引擎的虚拟人控制策略学习提供了新途径.文中对虚拟人运动控制策略学习方法进行综述,从理论基础和应用设计等方面介绍相关研究.在应用设计方面,首先基于深度强化学习的基础元素,从状态表示、奖励函数设计、控制策略设计以及物理仿真4个角度对现有工作进行梳理总结;其次,分析现有通用技术框架并指出其在控制策略上的拓展方向,并以实际问题为例探讨虚拟人运动控制策略的具体应用.最后,总结当前该领域的研究现状,指出利用丰富的运动捕获数据提升运动控制策略的深度与广度是未来的主要研究方向,展望虚拟人运动控制策略学习方法在多模态的感知与控制、世界模型学习和具身智能等应用方向的发展前景.

关键词：虚拟人运动控制策略强化学习深度学习角色动画

来源：评论

学校读者我要写书评

暂无评论

智能算法安全：内涵、科学问题与展望

引用

中国科学院院刊 2025年第3期40卷 419-428页

作者：程学旗陈薇沈华伟山世光陈熙霖李国杰中国科学院计算技术研究所智能算法安全重点实验室中国科学院大学计算机科学与技术学院

智能算法是指实现智能的计算过程所体现的方法，大多具备数据驱动、不确定性计算、模型推断难解释等特性，而这些特性同时也给智能算法应用带来了潜在的安全风险。文章首先探讨智能算法安全的内涵。具体地，智能算法安全的内涵依据人机... 详细信息

智能算法是指实现智能的计算过程所体现的方法，大多具备数据驱动、不确定性计算、模型推断难解释等特性，而这些特性同时也给智能算法应用带来了潜在的安全风险。文章首先探讨智能算法安全的内涵。具体地，智能算法安全的内涵依据人机融合的程度，由算法自身的一元内生性安全，延伸到算法服务于人时的人机二元应用性安全，最终拓展为人机共生的复杂社会系统中多元系统性安全，故据此提出智能算法安全层级范式（以下简称“TRC范式”），分别涵盖内生决策可信（trustworthiness）的一元安全目标、应用服务可管（regulatability）的二元安全目标和系统风险可控（controllability）的多元安全目标。进一步，基于当前实现TRC范式中的技术难点与智能算法可信、可管、可控的目标，文章提出实现智能算法安全需要重点突破的不确定性算法的可信域判定、黑箱模型的透明化监测与人机共生智能系统的风险临界点感知3个重大科学问题。最后，围绕TRC范式的“度量—评估—增强”技术体系，提出7项研究方向建议与4个方面智能算法安全相关的发展建议，并展望其助力实现人机共治的未来愿景。

关键词：大数据智能算法智能算法安全人工智能伦理与安全智能算法安全层级范式

来源：评论

学校读者我要写书评

暂无评论

面向YOLO神经网络的数据流架构优化研究

引用

计算机学报 2025年第1期48卷 82-99页

作者：穆宇栋李文明范志华吴萌吴海彬安学军叶笑春范东睿处理器芯片全国重点实验室(中国科学院计算技术研究所) 北京100190 中国科学院大学计算机科学与技术学院北京100049

YOLO目标检测算法具有速度快、精度高、结构简单、性能稳定等优点,因此在多种对实时性要求较高的场景中得到广泛应用。传统的控制流架构在执行YOLO神经网络时面临计算部件利用率低、功耗高、能效较低等挑战。相较而言,数据流架构的执行... 详细信息

YOLO目标检测算法具有速度快、精度高、结构简单、性能稳定等优点,因此在多种对实时性要求较高的场景中得到广泛应用。传统的控制流架构在执行YOLO神经网络时面临计算部件利用率低、功耗高、能效较低等挑战。相较而言,数据流架构的执行模式与神经网络算法匹配度高,更能充分挖掘其中的数据并行性。然而,在数据流架构上部署YOLO神经网络时面临三个问题:(1)数据流架构的数据流图映射并不能结合YOLO神经网络中卷积层卷积核较小的特点,造成卷积运算数据复用率过低的问题,并进一步降低计算部件利用率;(2)数据流架构在算子调度时无法利用算子间结构高度耦合的特点,导致大量数据重复读取;(3)数据流架构上的数据存取与执行高度耦合、串序执行,导致数据存取延迟过高。为解决这些问题,本文设计了面向YOLO神经网络的数据流加速器DFU-Y。首先,结合卷积嵌套循环的执行模式,本文分析了小卷积核卷积运算的数据复用特征,并提出了更有利于执行单元内部数据复用的数据流图映射算法,从而整体提升卷积运行效率;然后,为充分利用结构耦合的算子间的数据复用,DFU-Y提出数据流图层次上的算子融合调度机制以减少数据存取次数、提升神经网络运行效率;最后,DFU-Y通过双缓存解耦合数据存取与执行,从而并行执行数据存取与运算,掩盖了程序间的数据传输延迟,提高了计算部件利用率。实验表明,相较数据流架构(DFU)和GPU(NVIDIA Xavier NX),DFU-Y分别获得2.527倍、1.334倍的性能提升和2.658倍、3.464倍的能效提升;同时,相较YOLO专用加速器(Arria-YOLO),DFU-Y在保持较好通用性的同时,达到了其性能的72.97%、能效的87.41%。

关键词： YOLO算法数据流架构数据流图优化卷积神经网络神经网络加速

来源：评论

学校读者我要写书评

暂无评论

服务器无感知计算系统性能优化技术研究综述

引用

软件学报 2025年第1期36卷 47-78页

作者：杨光刘杰曲慕子王帅叶丹钟华中国科学院大学北京100049 中国科学院软件研究所软件工程技术研究开发中心北京100190 计算机科学国家重点实验室(中国科学院软件研究所) 北京100190

服务器无感知计算是新兴的云计算模式,它基于“函数即服务(FaaS)”的范式,以函数为部署和调度的基本单位,为用户提供大规模并行和自动伸缩的函数执行服务,且无需用户管理底层资源.对于用户,服务器无感知计算能够帮助他们摆脱集群底层基... 详细信息

服务器无感知计算是新兴的云计算模式,它基于“函数即服务(FaaS)”的范式,以函数为部署和调度的基本单位,为用户提供大规模并行和自动伸缩的函数执行服务,且无需用户管理底层资源.对于用户,服务器无感知计算能够帮助他们摆脱集群底层基础设施管理的负担,专注于业务层的开发和创新;对于服务提供商,服务器无感知计算将应用分解为细粒度的函数,极大地提高了调度效率和资源利用率.显著的优势让服务器无感知计算迅速吸引了业界的注意,然而,服务器无感知计算与传统云计算迥然不同的计算模式以及对任务各方面的严格限制给应用的迁移带来了诸多障碍,各种越来越复杂的任务也对服务器无感知计算的性能提出了越来越高的要求,服务器无感知计算的性能优化成为一个重要的研究课题.从4个方面对服务器无感知计算系统性能优化技术的相关研究工作进行梳理和综述,并介绍现有的系统实现.(1)介绍面向典型任务的优化技术,包括任务适配和针对特定任务的系统优化;(2)综述沙箱环境的优化工作,包括沙箱方案和冷启动优化技术,它们是决定函数运行速度的核心;(3)概括I/O和通信技术的优化,它们是服务器无感知计算应用程序的主要性能瓶颈;(4)简述相关的资源调度技术,包括面向平台和面向用户的调度策略,它们决定着系统的资源利用率和任务的执行效率.最后,总结当前服务器无感知计算性能优化技术所面临的问题和挑战,并展望未来可能的发展方向.

关键词：服务器无感知计算函数即服务云函数云计算性能优化

来源：评论

学校读者我要写书评

暂无评论

面向处理器微架构设计空间探索的加速方法综述

引用

计算机研究与发展 2025年第1期62卷 22-57页

作者：王铎刘景磊严明玉滕亦涵韩登科叶笑春范东睿处理器芯片全国重点实验室(中国科学院计算技术研究所) 北京100190 中国科学院大学计算机科学与技术学院北京100049 中国移动研究院北京100053

中央处理器是目前最重要的算力基础设施.为了最大化收益,架构师在设计处理器微架构时需要权衡性能、功耗、面积等多个目标.但处理器运行负载的指令多,单个微架构设计点的评估耗时从10 min到数十小时不等.加之微架构设计空间巨大,全设计... 详细信息

中央处理器是目前最重要的算力基础设施.为了最大化收益,架构师在设计处理器微架构时需要权衡性能、功耗、面积等多个目标.但处理器运行负载的指令多,单个微架构设计点的评估耗时从10 min到数十小时不等.加之微架构设计空间巨大,全设计空间暴力搜索难以实现.近些年来许多机器学习辅助的设计空间探索加速方法被提出,以减少需要探索的设计空间或加速设计点的评估,但缺少对加速方法的全面调研和系统分类的综述.对处理器微架构设计空间探索的加速方法进行系统总结及分类,包含软件设计空间的负载选择、负载指令的部分模拟、设计点选择、模拟工具、性能模型5类加速方法.对比了各加速方法内文献的异同,覆盖了从软件选择到硬件设计的完整探索流程.最后对该领域的前沿研究方向进行了总结,并放眼于未来的发展趋势.

关键词：处理器微架构设计设计空间探索性能模型负载选择软件模拟

来源：评论

学校读者我要写书评

暂无评论

双模态域无关提示引导的图像分类域适应

引用

中国图象图形学报 2025年第2期30卷 503-517页

作者：许媛媛阚美娜山世光陈熙霖中国科学院计算技术研究所北京100190 中国科学院大学计算机科学与技术学院北京100049 鹏城实验室深圳518055

目的域适应技术旨在利用有标签的源域信息提升无标签目标域上的任务性能。近期,对比语言—图像预训练模型CLIP(contrastive language-image pre-training)展现出了强大的泛化能力,一些研究将其引入到域适应中,以提升模型在目标域上的泛... 详细信息

目的域适应技术旨在利用有标签的源域信息提升无标签目标域上的任务性能。近期,对比语言—图像预训练模型CLIP(contrastive language-image pre-training)展现出了强大的泛化能力,一些研究将其引入到域适应中,以提升模型在目标域上的泛化能力。然而,目前基于CLIP的域适应方法通常只调整文本模态的特征,保持视觉模态的特征不变,从而导致目标域的性能提升受限。为此,提出了双模态域无关提示引导的图像分类域适应方法DDAPs(dualmodality domain-agnostic prompts)。方法DDAPs引入了双模态提示学习,即通过文本和视觉提示学习微调文本特征和图像特征,协同处理域差异的问题。一方面,DDAPs致力于学习更具判别性的文本和图像特征,使模型在当前下游分类任务上的性能更好;另一方面,DDAPs通过消除源域和目标域之间的域差异,学习域不变的文本和图像特征,以提升模型在目标域上的性能。以上两个目标可通过添加域无关文本提示模块和域无关视觉提示模块,使用分类损失和对齐损失微调CLIP来实现。对于分类损失,DDAPs利用源域的标签和目标域的伪标签对样本进行分类;而对于对齐损失,DDAPs则通过最大均值差异损失(maximum mean discrepancy,MMD)来对齐源域和目标域的图像特征分布,从而消除图像特征的域差异。结果本方法既适用于单源域适应,也适用于多源域适应。对于单源域适应,本方法在Office-Home、VisDa-2017及Office-31这3个数据集上进行了实验,分别取得了87.1%、89.6%和91.6%的平均分类准确率,达到了当前最好的性能;对于多源域适应,本方法在Office-Home上进行了实验,取得了88.6%的平均分类准确率。同时,在Office-Home上进行了消融实验,验证了域无关文本提示模块和域无关视觉提示模块的有效性。结论DDAPs通过域无关的文本和视觉提示模块微调CLIP预训练模型,使模型学习源域与目标域之间域不变且判别性的特征,有效提升了模型在目标域上的性能表现。

关键词：单源域适应多源域适应域适应迁移学习双模态提示学习

来源：评论

学校读者我要写书评

暂无评论

对话状态追踪模型的数据增强方法研究

引用

中文信息学报 2025年第04期 96-104页

作者：刘舒曼冯洋中国科学院计算技术研究所智能信息处理重点实验室中国科学院大学

对话状态追踪模型能够支持任务型对话系统识别任务相关的槽位值。然而，由于标注难度大、领域多样化，对话状态追踪模型常面临训练语料稀少和类别难度不均衡等问题。为了解决这些问题，该文提出了使用数据增强的方法。针对类别难度不均... 详细信息

对话状态追踪模型能够支持任务型对话系统识别任务相关的槽位值。然而，由于标注难度大、领域多样化，对话状态追踪模型常面临训练语料稀少和类别难度不均衡等问题。为了解决这些问题，该文提出了使用数据增强的方法。针对类别难度不均衡问题，该文使用局部噪声强化槽位值的多样性，加强模型学习槽位无关对话结构的能力；针对训练语料稀少问题，该文根据语料中由槽位结构构成的任务逻辑序列，通过采样生成逻辑合法的槽位值序列，增强语料逻辑多样性，增加语料数量。该文方法在数据集上经对比和分析实验，能显著缓解对话状态追踪模型中存在的类别难度不均衡和语料稀少问题。

关键词：对话状态追踪数据增强类别难度不均衡

来源：评论

学校读者我要写书评

暂无评论

基于层重组扩展卡尔曼滤波的神经网络力场训练

引用

软件学报 2025年

作者：胡思宇周远昌赵曈汪林望贾伟乐谭光明处理器全国重点实验室(中国科学院计算技术研究所) 中国科学院大学中国科学院半导体研究所

分子动力学模拟在材料模拟、生物制药等领域发挥着重要作用.近年来,科学智能(AI-for-Science)发展,尤其是神经网络力场在预测能量、力等性质的问题上,相比于传统势函数方法在准确性上有大幅提升.针对当前的神经网络力场模型在使用一阶... 详细信息

分子动力学模拟在材料模拟、生物制药等领域发挥着重要作用.近年来,科学智能(AI-for-Science)发展,尤其是神经网络力场在预测能量、力等性质的问题上,相比于传统势函数方法在准确性上有大幅提升.针对当前的神经网络力场模型在使用一阶训练方法时出现的超参设置敏感和梯度爆炸问题,给出层重组卡尔曼滤波优化器在避免超参数设置问题上的若干策略和防止梯度爆炸的理论证明.基于层重组卡尔曼滤波优化器,制定交替训练方法并分析该方法的精度收益和时间成本、提出分块阈值的性能模型并论述该模型的有效性、证明防止梯度爆炸的性质并验证该优化器关于激活函数和权重初始化的鲁棒性.对4种典型的神经网络力场模型在11个有代表性的数据集进行测试,实验表明,当层重组卡尔曼滤波优化器和一阶优化器达到相当的预测精度时,层重组卡尔曼滤波优化器相比于一阶方法快8–10倍.可以相信,所提出的层重组卡尔曼滤波训练方法能给其他的科学智能(AIfor-Science)应用带来启发.

关键词：科学智能神经网络力场训练层重组扩展卡尔曼滤波优化器分子动力学模拟

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：