检索结果-内蒙古大学图书馆

计算机研究与发展 2023年第7期60卷 1661-1677页

作者：吴婧雅卢文岩鄢贵海李晓维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

B+树是关系型数据库中用来加速查询的常用索引结构,通过构建平衡树维护关键属性的顺序.索引提升了数据库查询性能,但其严格的有序关系增加了数据库表的维护开销.特别是在大数据场景下,数据量激增使得索引查询和维序性能进一步下降.如何... 详细信息

B+树是关系型数据库中用来加速查询的常用索引结构,通过构建平衡树维护关键属性的顺序.索引提升了数据库查询性能,但其严格的有序关系增加了数据库表的维护开销.特别是在大数据场景下,数据量激增使得索引查询和维序性能进一步下降.如何平衡B+树的查询和维序性能,以及在大数据场景下提升索引查询和维序的效率,对提升索引系统性能具有重要意义.由此设计了一种专用的B+树索引加速系统,对存储和计算进行协同优化,均衡提升索引查询和维序性能.利用内存突发读写高带宽的特性设计规则的树和节点存储格式以提升内存带宽利用效率,设计高效的同构计算架构和多数据通道以提升索引操作并行度.同时设计解耦合的子树结构缓解索引维护时的树读写冲突.实验结果表明,相比于CPU,B+树索引加速系统能够提升系统查询性能超过6.84倍,提升索引维序性能提升超过29.14倍.

关键词： B+树现场可编程门阵列加速器高吞吐量高并发数据库查询

来源：评论

学校读者我要写书评

暂无评论

一种基于持久化栈的返回地址预测器

引用

计算机研究与发展 2023年第6期60卷 1337-1345页

作者：谭弘泽王剑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

分支预测允许处理器并行执行分支之后的指令,由于其高准确率具有性能和功耗方面的双重好处,是一项重要的处理器优化技术.根据分而治之的策略,返回地址栈(return-address stack,RAS)将过程返回类分支单独分出并予以预测.其中,RAS利用过... 详细信息

分支预测允许处理器并行执行分支之后的指令,由于其高准确率具有性能和功耗方面的双重好处,是一项重要的处理器优化技术.根据分而治之的策略,返回地址栈(return-address stack,RAS)将过程返回类分支单独分出并予以预测.其中,RAS利用过程调用和返回的后入先出规则,可通过猜测执行中调用栈的模拟准确预测返回地址.但是,由于实际处理器猜测执行带来的错误路径污染,该结构需要通过恢复机制来保障所存储数据的准确性.尤其在对面积资源敏感的嵌入式领域,设计者需要在准确率和恢复机制的开销间进行细致的权衡.针对RAS存储中的冗余,通过溢出检测结合传统栈、持久化栈和后备预测3种预测方式,提出一种基于持久化栈的返回地址预测器——混合返回地址栈(hybrid return-address stack,HRAS),避免错误路径污染和对返回地址的冗余存储,从而有效降低返回误预测率.与此同时,设计解耦传统栈和持久化栈,进一步降低其面积需求.根据SPEC CPU 2000基准测试以及设计编译器的评估结果,HRAS可利用仅1.1×10^(4)μm^(2)的设计面积将过程返回的每千条指令误预测(MPKI)降至2.4×10^(−3),其误预测相比现有RAS可降低96%.

关键词：返回地址预测猜测执行污染恢复持久化后备预测

来源：评论

学校读者我要写书评

暂无评论

典型驾驶场景下接管绩效预测及特征分析

引用

软件学报 2025年

作者：张杨杨张浩甘涛冷昶黄承超张立军基础软件与系统重点实验室(中国科学院软件研究所) 计算机科学国家重点实验室(中国科学院软件研究所) 中国科学院大学中国科学院软件研究所人机交互技术与智能信息处理实验室中科南京软件技术研究院软件安全与可信实验室

随着自动驾驶技术的快速发展,车辆控制权的接管问题成为研究的热点.装载辅助驾驶系统的汽车并不能完全处理所有的驾驶场景,当实际驾驶场景超出辅助系统的操作设计域时,仍需要人类驾驶员控制汽车以安全完成驾驶任务.接管绩效是衡量驾驶... 详细信息

随着自动驾驶技术的快速发展,车辆控制权的接管问题成为研究的热点.装载辅助驾驶系统的汽车并不能完全处理所有的驾驶场景,当实际驾驶场景超出辅助系统的操作设计域时,仍需要人类驾驶员控制汽车以安全完成驾驶任务.接管绩效是衡量驾驶员接管表现的重要指标,包括接管反应时间和接管质量两个方面.接管反应时间是指系统发出接管请求后到驾驶员控制方向盘的时间开销,接管反应时间长短不仅一定程度上反映了当前驾驶员的状态,还对后续面对复杂场景进行操作也有一定影响.接管质量是指驾驶员获得车辆控制权后手动驾驶车辆的质量.基于CARLA驾驶模拟器,构建6个典型驾驶场景下,对车辆控制权接管过程进行仿真并通过多通道采集系统搜集了31名驾驶员的生理信号和眼动数据.根据驾驶员的接管表现,参考国际标准基于多个车辆数据提出包括驾驶员接管反应时间、最大横、纵向加速度、最小碰撞时间在内的更为客观的接管绩效评价标准.综合驾驶员数据、车辆数据和场景数据,研究利用深度神经网络(DNN)模型对接管绩效进行了预测,并运用SHAP模型分析各特征的影响,以提高模型的解释性和透明度.实验结果表明,所提出的DNN模型在接管绩效预测方面优于传统机器学习方法,预测准确率达到92.2%,且具备良好的泛化性. SHAP分析揭示了心率变异性、驾驶经验、最小安全距离等关键特征对预测结果的重要影响.为自动驾驶系统的安全性优化和人机交互设计提供了理论和实证基础,对提高自动驾驶技术中人车合作的效率和安全性具有重要意义.

关键词：自动驾驶接管绩效深度神经网络可解释性人机交互

来源：评论

学校读者我要写书评

暂无评论

ResNet使能的OTFS联合信道估计和信号检测

引用

西安电子科技大学学报 2023年第3期50卷 19-30页

作者：周硕周一青张冲邢旺中国科学院计算技术研究所处理器芯片全国重点实验室北京100190 中国科学院大学计算机科学与技术学院北京100049 中国科学院计算技术研究所移动计算与新型终端北京市重点实验室北京100190

正交时频空调制能够在高多普勒频偏下实现宽带可靠通信,是6G感通算融合场景中的潜在应用技术之一。针对该系统中接收机算法复杂度高、性能受限的问题,提出了一种基于修正残差神经网络的联合信道估计和信号检测方案,在无需获得显式信道... 详细信息

正交时频空调制能够在高多普勒频偏下实现宽带可靠通信,是6G感通算融合场景中的潜在应用技术之一。针对该系统中接收机算法复杂度高、性能受限的问题,提出了一种基于修正残差神经网络的联合信道估计和信号检测方案,在无需获得显式信道信息的情况下直接恢复传输符号信息。根据时延-多普勒域信道的稳定性,将深度学习技术引入到接收机设计中,采用嵌入式导频的数据帧结构,设计了一种能够充分提取信号特征的轻量级残差神经网络模型,可以直接对时延-多普勒域信号输入输出关系进行拟合,实现隐式的信道估计并完成信号检测。联合设计方案利用实际通信链路中采集的数据进行离线训练,获取最优网络模型用于在线检测,以离线训练时间为代价来减少在线检测的耗时,同时借助误差反向传播机制和梯度下降准则实现信道估计和信号检测的联合优化,有效提升通信性能。仿真结果表明,与传统接收算法对比,所提方案兼具更强的鲁棒性和良好的泛化性,不仅降低了算法的复杂度,同时将误码率性能也提升了2 dB左右。

关键词：正交时频空调制深度学习信道估计信号检测

来源：评论

学校读者我要写书评

暂无评论

龙芯指令系统架构技术

引用

计算机研究与发展 2023年第1期60卷 2-16页

作者：胡伟武汪文祥吴瑞阳王焕东曾露徐成华高翔张福新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 龙芯中科技术股份有限公司北京100095 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

介绍了统筹考虑先进性和兼容性要求的龙芯指令系统架构——龙架构(LoongArch).LoongArch吸纳了近年来指令系统设计领域诸多先进的技术发展成果,易于高性能低功耗的实现和编译优化;融合了各种国际主流指令系统的主要功能特性,不仅能够确... 详细信息

介绍了统筹考虑先进性和兼容性要求的龙芯指令系统架构——龙架构(LoongArch).LoongArch吸纳了近年来指令系统设计领域诸多先进的技术发展成果,易于高性能低功耗的实现和编译优化;融合了各种国际主流指令系统的主要功能特性,不仅能够确保现有龙芯电脑上应用二进制的无损迁移,而且能够实现多种国际主流指令系统的高效二进制翻译.LoongArch已经被实现于龙芯中科技术股份有限公司研制的3A5000四核*** CPU2006的实验结果表明,在相同微结构下,LoongArch性能比龙芯CPU原指令系统MIPS平均提升超过7%.在硬件辅助支持下,SPEC CPU2000程序从MIPS翻译到LoongArch可以实现无损翻译,其定点程序子集和浮点程序子集从x86翻译到LoongArch的效率分布达QEMU二进制翻译器的3.6倍和47.0倍.LoongArch有望消除指令系统之间的壁垒,使得不同指令集的软件能够融合到统一的LoongArch平台上,不加区别地高效运行.

关键词：龙芯CPU MIPS架构龙架构二进制翻译兼容软件生态系统

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

时态知识图谱的推理研究综述

引用

计算机学报 2023年第6期46卷 1272-1301页

作者：沈英汉江旭晖王元卓李紫宣李子健谭鹤翔沈华伟中国科学院计算技术研究所数据智能系统研究中心北京100190 中国科学院大学北京100049 中科大数据研究院郑州450018 中国科学院计算技术研究所网络数据科学与技术重点实验室北京100190

随着社交网络、物端感知等技术快速发展,网络空间中涌现了大量的交互、话题、事件、新闻等数据,蕴含大量动态演化、强时效性的知识.较于忽略知识中时间信息的传统知识图谱,时态知识图谱通过建模知识的时效性以描述动态变化的现实世界,... 详细信息

随着社交网络、物端感知等技术快速发展,网络空间中涌现了大量的交互、话题、事件、新闻等数据,蕴含大量动态演化、强时效性的知识.较于忽略知识中时间信息的传统知识图谱,时态知识图谱通过建模知识的时效性以描述动态变化的现实世界,为时间紧耦合的应用提供有效支持.然而,时态知识图谱无法确保涵盖全量知识,知识的缺失严重影响应用性能,需要推理模型自动挖掘新的知识,以解释事物的历史状态,预测未来发展趋势并描述演化规律.由于实际应用的迫切需要,近年来,时态知识图谱的推理研究工作层出不穷,逐渐引起学术界和工业界的广泛关注.本文对近年来时态知识图谱的推理工作进行全面介绍和总结.首先,介绍了时态知识图谱的推理相关概念与问题描述;其次,介绍了面向补全任务的推理模型与面向预测任务的推理模型,对其进行比较分析;之后总结了时态知识图谱推理的数据集、推理任务、相关指标以及应用场景;最后展望时态知识图谱推理的未来研究趋势.综上,本文致力于为时态知识图谱的推理领域研究人员提供具有价值的参考,以推动该领域进一步发展.

关键词：时态知识图谱时态知识推理知识补全知识预测知识图谱

来源：评论

学校读者我要写书评

暂无评论

基于自适应低秩表示的多任务AUC优化算法

引用

计算机学报 2024年第11期47卷 2678-2690页

作者：孙宇辰许倩倩王子泰杨智勇黄庆明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 中国科学院大学计算机科学与技术学院北京101408 中国科学院信息工程研究所信息安全国家重点实验室北京100093 中国科学院大学网络空间安全学院北京100049 中国科学院大学大数据挖掘与知识管理重点实验室北京101408 鹏城实验室广东深圳518055

多任务学习是一种基于相似任务之间的关联性进行学习迁移,使得模型在数据不足场景下仍能表现出良好泛化性能的学习方法.在该领域内,大多数现有以准确率作为基准评价标准的方法只适用于平衡分布场景.然而,诸多实际应用如疾病检测、垃圾... 详细信息

多任务学习是一种基于相似任务之间的关联性进行学习迁移,使得模型在数据不足场景下仍能表现出良好泛化性能的学习方法.在该领域内,大多数现有以准确率作为基准评价标准的方法只适用于平衡分布场景.然而,诸多实际应用如疾病检测、垃圾邮件检测等,均涉及样本分布不平衡问题.针对多任务学习面向任务相关性的高要求,即当模型学习和共享不相关知识时,负迁移可能会影响模型朝着错误方向训练.因此,大多数现有方法在此类场景中无法得到有效应用.为解决该实际问题,设计一种能适用于样本不平衡场景的多任务学习算法变得尤为重要.本文提出了一种基于自适应低秩表示的多任务AUC优化算法,首先引入了对标签分布不敏感的ROC曲线下面积(AUC)作为该学习任务的评价指标,并建立了一种用于AUC优化的多任务学习算法,以提高模型在样本不平衡场景下的性能表现.同时,为进一步有效优化模型,本文将原始成对优化问题重构为逐样本极大极小优化问题,使得每一轮迭代复杂度由O(Ln_(i,+)n_(i,-))降低至O(L(n_(i,+)+n_(i,-))).针对多任务学习中存在的负迁移现象,本文引入了一种自适应低秩正则项,以消除模型冗余信息,同时提高模型的泛化性能.最后,通过与多个对比方法在四个仿真数据集和三个真实数据集Landmine、MHC-I和USPS上的比较,所有实验结果一致证明了本文所提出算法的有效性.

关键词：多任务学习 AUC优化低秩表示

来源：评论

学校读者我要写书评

暂无评论

GT-4S:基于图Transformer的场景草图语义分割

引用

软件学报 2025年第3期36卷 1375-1389页

作者：张拯明郭燕马翠霞邓小明王宏安人机交互北京市重点实验室(中国科学院软件研究所) 北京100190 中国科学院大学计算机科学与技术学院北京100049

场景草图由多个前、背景物体组成,能够直观、概括地表达复杂的语义信息,在现实生活中有着广泛的实际应用,逐渐成为计算机视觉和人机交互领域的研究热点之一.作为场景草图语义理解的基础任务,场景草图语义分割的相关研究相对较少,现有的... 详细信息

场景草图由多个前、背景物体组成,能够直观、概括地表达复杂的语义信息,在现实生活中有着广泛的实际应用,逐渐成为计算机视觉和人机交互领域的研究热点之一.作为场景草图语义理解的基础任务,场景草图语义分割的相关研究相对较少,现有的方法多是对自然图像语义分割的方法进行改进,不能克服草图自身的稀疏性和抽象性等特点.针对以上问题,直接从草图笔画入手,提出一种图Transformer模型结合草图笔画的时空信息来解决自由手绘场景草图语义分割任务.首先将矢量场景草图构建成图结构,笔画表示为图的节点,笔画在时序和空间上的关联表示为图的边.然后通过边增强的Transformer模块捕获笔画的时空全局上下文信息.最后将编码后的时空特征进行多分类优化学习.在SFSD场景草图数据集上的实验结果表明,所提方法可以利用笔画时空信息对场景草图进行有效的语义分割,实现优秀的性能.

关键词：场景草图语义分割图 Transformer

来源：评论

学校读者我要写书评

暂无评论

稠密向量实体检索模型的二值化提速压缩

引用

模式识别与人工智能 2023年第1期36卷 60-69页

作者：王苑铮范意兴陈薇张儒清郭嘉丰中国科学院计算技术研究所网络数据科学与技术重点实验室北京100190 中国科学院大学计算机科学与技术学院北京101408

在实体检索任务中,为了从大规模实体库中高效筛选与查询相关的候选实体,可使用稠密向量检索模型.然而在现有的稠密向量检索模型中,由于实体向量维度较高,导致实时计算效率较低、存储空间较大.文中通过实验发现这些实体向量存在大量的冗... 详细信息

在实体检索任务中,为了从大规模实体库中高效筛选与查询相关的候选实体,可使用稠密向量检索模型.然而在现有的稠密向量检索模型中,由于实体向量维度较高,导致实时计算效率较低、存储空间较大.文中通过实验发现这些实体向量存在大量的冗余信息:一方面,绝大多数实体向量分布在互不相同的象限里;另一方面,语义相近的实体所在的象限也更近.因此,文中提出二值化的实体检索方法,用于压缩实体向量,加速相似度计算.具体而言,方法利用符号函数(sign),二值化压缩高维稠密的浮点向量,并通过汉明距离加快检索.从理论上分析文中方法保证检索性能的原因.通过定性、定量的分析实验验证理论的正确性,并给出基于随机升维旋转的二值检索性能改善方法.

关键词：实体检索嵌入式表示稠密向量检索近似近邻检索乘积量化

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：