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

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

类别条件噪声下的半监督AUC优化理论与算法

引用

计算机学报 2025年第1期48卷 136-155页

作者：姜阳邦彦许倩倩杨智勇郝前秀操晓春黄庆明中国科学院大学计算机科学与技术学院北京101408 中国科学院计算技术研究所智能信息处理重点实验室北京100190 中山大学网络空间安全学院广东深圳518107

现有半监督AUC优化方法通常假设数据标注是准确的。然而在许多实际应用中,研究者往往会同时面临标注量不足和不准确的问题。为此,该文首次尝试在不完整和不准确的数据标注情况下优化AUC指标。具体而言,通过分析,对称替代损失在某些情况... 详细信息

现有半监督AUC优化方法通常假设数据标注是准确的。然而在许多实际应用中,研究者往往会同时面临标注量不足和不准确的问题。为此,该文首次尝试在不完整和不准确的数据标注情况下优化AUC指标。具体而言,通过分析,对称替代损失在某些情况下可以在半监督问题中具有噪声鲁棒性。在此基础上,该文构建了一个鲁棒半监督AUC优化框架,其导出的经验风险无需估计噪声率。此外,通过紧致泛化上界的分析表明,当模型基于足够大的训练数据集进行学习时,其在未见数据上能够很好地泛化。随后,使用Barrier hinge损失对该框架进行实例化。为加快训练过程,进一步开发了一种加速算法,将损失和梯度估计的复杂度从O(n^(2))降低至O(nlogn),在实验中可获得高达200倍的加速。最后,通过在15个基准数据集上进行实验验证,证明了所提方法的有效性。

关键词：半监督学习 AUC优化标签噪声二分类问题不平衡数据学习

来源：评论

学校读者我要写书评

暂无评论

基于异构编程模型的共性算子移植与并行优化

引用

计算机研究与发展 2025年第4期62卷 1017-1032页

作者：马兆佳邵恩狄战元马立贤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 中国科学院大学北京100049 中科南京信息高铁研究院南京211100

GPU作为构造大规模超算系统的核心计算部件,向着体系结构多样化和异构化的方向发展.来自不同芯片厂商的GPU加速器具有差异较大的体系结构设计.加速器类型和编程模型多样化是构建大规模超算系统的重要技术趋势.多样化加速器要求开发者为... 详细信息

GPU作为构造大规模超算系统的核心计算部件,向着体系结构多样化和异构化的方向发展.来自不同芯片厂商的GPU加速器具有差异较大的体系结构设计.加速器类型和编程模型多样化是构建大规模超算系统的重要技术趋势.多样化加速器要求开发者为多种硬件平台提供高性能共性算法库软件,然而这也导致了算法库软件重复开发问题.为降低重复开发成本,统一编程模型SYCL(system-wide compute language)应运而生,并适配了多种硬件平台.尽管如此,在不同硬件上,SYCL的性能仍不及各自原生编程模型.因此,需要进一步优化SYCL的性能以将目前成熟完备的CUDA(compute unified device architecture)编程思路和高性能程序应用到SYCL中.基于软硬件协同设计,提出了paraTRANS方法,该方法是面向跨异构编程模型SYCL代码移植过程中共性算子优化工具,并在不同场景下给出了对移植得到的SYCL的GEMM(general matrix multiplication)进行优化的方法.评测了paraTRANS优化后基于SYCL的GEMM算子在NVIDIA RTX 3090和AMD MI100上的性能情况.结果显示,在NVIDIA RTX 3090上,paraTRANS达到了96.95%CUDA原生算子的性能水平;在AMD MI100上,则接近CUDA在NVIDIA RTX 3090上硬件峰值百分比(100.47%)所表现出来的性能水平.这些结果表明成功地将原生高性能CUDA算子代码移植并进一步优化至SYCL环境中,并为未来类似工作提供新颖且有效的优化思路.

关键词： SYCL 跨异构体系结构代码移植 GEMM 并行优化

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4期39卷 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

基于参数分配的多语言神经机器翻译连续学习研究

引用

中文信息学报 2025年第04期39卷 77-84页

作者：谷舒豪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

多语言神经机器翻译的连续学习旨在让模型能够不断支持新的翻译方向，且保证原有翻译方向的性能不发生大幅下降。然而，现有的连续学习方法往往对新支持的翻译方向存在着若干限制或者模型参数爆炸等问题。为了解决这些问题，该文提出了... 详细信息

多语言神经机器翻译的连续学习旨在让模型能够不断支持新的翻译方向，且保证原有翻译方向的性能不发生大幅下降。然而，现有的连续学习方法往往对新支持的翻译方向存在着若干限制或者模型参数爆炸等问题。为了解决这些问题，该文提出了一种基于参数对翻译模型重要性的“分而治之”方法。该文提出的方法首先对预训练翻译模型的不同参数关于当前翻译性能的重要性进行评估，然后将对当前翻译性能影响大的参数在原有翻译方向和新的翻译方向之间进行共享，对当前翻译性能影响较小的参数则单独分配给新的翻译方向，用于学习新语言的知识。该文在不同的语言对上进行了实验，并与其他系统进行了对比，结果表明，该方法对模型性能有显著提升。

关键词：多语言机器翻译连续学习参数分配

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

Neptune:一种通用网络处理器微结构模拟和性能仿真框架

引用

计算机研究与发展 2025年第5期62卷 1091-1107页

作者：林涵越吴婧雅卢文岩钟浪辉鄢贵海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 上交所技术有限责任公司上海200131

网络包处理是网络设备的基本功能,涉及报文修改、校验和与哈希计算、数据包镜像或过滤、统计限速等多项任务.作为网络包处理的重要部件,网络处理器(network processor,NP)基于处理器结构,为网络设备提供线速的性能和充分的可编程能力,... 详细信息

网络包处理是网络设备的基本功能,涉及报文修改、校验和与哈希计算、数据包镜像或过滤、统计限速等多项任务.作为网络包处理的重要部件,网络处理器(network processor,NP)基于处理器结构,为网络设备提供线速的性能和充分的可编程能力,但其架构多样,可分为单段式架构和多段式架构,现有模拟方法无法同时对二者性能进行模拟仿真.因此,提出一种通用网络处理器的结构模拟和性能仿真框架Neptune,采用多段式架构作为硬件抽象,使用事件链表、核间队列结构为数据通路和多段式架构模拟提供保障,同时满足单段式架构模拟需求.另外,借助同步图计算模式进行准确的并行模拟,并采用混合事件与时间驱动方法保障模拟高效性.实际测试中,Neptune以95%以上准确率支持2种架构的模拟,并以3.31MIPS的性能对网络处理器进行模拟,相较PFPSim取得1个数量级的性能提升.最后,展示了3个运用该框架进行网络处理器优化分析的应用案例.

关键词：网络包处理网络处理器可编程数据面专用处理器模拟器

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：