基于内生人工智能(AI,artificial intelligence)在大规模复杂异构网络中实现万物智联是6G的重要特征之一。联邦学习(FL,federated learning)因其数据处理本地化这一特有的机器学习架构,被认为是在6G场景中实现分布式泛在智联的重要途径,已成为6G的重要研究方向。为此,首先分析了在未来6G,特别是物联网(IoT,internet of things)场景中引入分布式AI的必要性,以此为基础论述了FL在满足相关6G指标要求的潜力,并从架构设计、资源利用、数据传输、隐私保护、服务提供角度综述了FL如何赋能6G网络,最后给出了FL赋能6G研究存在的一些关键挑战和未来有价值的研究方向。
采用图神经网络模型为整个语料库构建异构图处理文本分类任务时,存在难以泛化到新样本和词序信息缺失的问题。针对上述问题,提出了一种融合双图特征和上下文语义信息的文本分类模型。首先,为每个文本独立构建共现图和句法依存图,从而实现对新样本的归纳式学习,从双图角度捕获文本特征,解决忽略单词间依存关系的问题;其次,利用双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)编码文本,解决忽略词序特征和难以捕捉上下文语义信息的问题;最后,融合双图特征,增强图神经网络模型的分类性能。在MR,Ohsumed,R8,R52数据集上的实验结果表明,相较于经典的文本分类模型,该模型能够提取更丰富的文本特征,在准确率上平均提高了2.17%,5.38%,0.61%,2.48%。
暂无评论