检索结果-内蒙古大学图书馆

中国科学：信息科学 2024年第10期54卷 2428-2442页

作者：张浩东杨柳于剑胡清华景丽萍天津大学智能与计算学部天津300354 北京交通大学计算机与信息技术学院北京100044

联邦学习能够在隐私保护的前提下联合多个参与者进行协同学习,然而经典的联邦学习不具备持续学习的能力,无法适应动态变化的应用场景.联邦持续学习近期引起了广泛的关注,其允许多个参与者在协同学习的同时进行持续学习.联邦持续学习是... 详细信息

联邦学习能够在隐私保护的前提下联合多个参与者进行协同学习,然而经典的联邦学习不具备持续学习的能力,无法适应动态变化的应用场景.联邦持续学习近期引起了广泛的关注,其允许多个参与者在协同学习的同时进行持续学习.联邦持续学习是一种更加复杂的学习场景,其面临的挑战包括灾难性遗忘,异构性以及通信资源受限.为了应对这些挑战,本文提出一种基于原型学习的联邦持续学习方法.该方法利用原型进行知识的共享,提升通信效率的同时增强了对模型异构性的适应能力.此外,该方法设计了基于知识蒸馏和回放的灾难性遗忘的预防机制.本文提供了所提出方法的收敛性分析,并且通过对比实验和消融实验验证了该方法的有效性.

关键词：联邦持续学习原型学习知识蒸馏灾难性遗忘数据异构

来源：评论

学校读者我要写书评

暂无评论

三维点云上采样方法研究综述

引用

计算机科学 2024年第7期51卷 167-196页

作者：韩冰邓理想郑毅任爽北京交通大学计算机与信息技术学院北京100044

随着深度相机、激光雷达等三维扫描设备的普及,用点云表示三维数据的方法越来越流行,对点云数据的分析与处理也引起了计算机视觉研究领域的极大兴趣。其中,点云上采样任务是一项重要的点云数据处理工作,其结果的好坏关系着下游多种任务... 详细信息

随着深度相机、激光雷达等三维扫描设备的普及,用点云表示三维数据的方法越来越流行,对点云数据的分析与处理也引起了计算机视觉研究领域的极大兴趣。其中,点云上采样任务是一项重要的点云数据处理工作,其结果的好坏关系着下游多种任务的优劣,因此一些研究人员从多个角度深入探索并先后提出了多种点云上采样方法,以期提高计算效率和网络性能,解决点云上采样中的各种难点问题。为了促进之后研究的发展,首先从任务类型角度对现有的点云上采样方法进行了全面的分类与综述,然后对这些点云上采样网络的性能进行了详细的分析与对比,最后针对现存的问题与面临的挑战做了进一步分析,并探索了未来可能的研究方向,希望为三维点云上采样任务未来更深入的研究提供新思路。

关键词：三维点云上采样方法深度神经网络自监督学习三维重建

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的电子病历多模态数据融合研究进展

引用

生物医学工程学杂志 2024年第5期41卷 1062-1071页

作者：范勇张政波(综述) 王晶(审校) 解放军总医院医学创新研究部北京100853 北京交通大学计算机与信息技术学院北京100044

目前基于深度学习的多模态学习发展迅速,在图文转换、图文生成等人工智能生成内容领域得到广泛应用。电子病历是医务人员在医疗活动过程中使用信息系统生成的数字、图表和文本等数字化信息。基于深度学习的电子病历多模态融合能辅助医... 详细信息

目前基于深度学习的多模态学习发展迅速,在图文转换、图文生成等人工智能生成内容领域得到广泛应用。电子病历是医务人员在医疗活动过程中使用信息系统生成的数字、图表和文本等数字化信息。基于深度学习的电子病历多模态融合能辅助医护人员综合分析诊疗过程中产生的医学多模态数据,从而对患者进行精准诊断和及时干预。本文首先介绍了基于深度学习的多模态数据融合方法以及发展趋势;其次,对结构化电子病历数据与影像、文本等其他模态医学数据的融合进行了对比归纳,重点介绍了研究涉及的临床应用场景、样本量、融合方法等;通过分析,总结了针对不同模态医学数据融合的深度学习方法:一是根据数据模态选择合适的预训练模型进行特征表征后融合,二是基于注意力机制进行融合;最后,讨论了医学多模态融合中的难点及发展方向,包括建模方法、模型评估应用等。通过本文综述,期望为建立能综合利用各类模态医学数据的算法模型提供参考信息。

关键词：多模态融合深度学习多模态医学数据电子病历医学人工智能

来源：评论

学校读者我要写书评

暂无评论

基于多任务标签一致性机制的中文命名实体识别

引用

中文信息学报 2023年第12期37卷 87-97页

作者：吕书宁刘健徐金安陈钰枫张玉洁北京交通大学计算机与信息技术学院北京100044

实体边界预测对中文命名实体识别至关重要。现有研究为改善边界识别效果而提出的多任务学习方法大多仅考虑与分词任务进行简单结合,但由于缺少包含多任务标签的训练数据,导致无法学到多个任务之间的标签一致性关系。该文提出一种新的基... 详细信息

实体边界预测对中文命名实体识别至关重要。现有研究为改善边界识别效果而提出的多任务学习方法大多仅考虑与分词任务进行简单结合,但由于缺少包含多任务标签的训练数据,导致无法学到多个任务之间的标签一致性关系。该文提出一种新的基于多任务标签一致性机制的中文命名实体识别方法:将分词和词性信息融入命名实体识别模型,进而联合训练命名实体识别、分词、词性标注三种任务;建立基于标签一致性机制的多任务学习模式,增强边界信息学习,捕获标签一致性关系,更好地学习多任务表示。相较于基线模型,全样本实验、模拟小样本实验及真实小样本实验分别提升F_1值10.28%、11.17%和8.84%,表明了该方法的有效性。

关键词：中文命名实体识别多任务学习标签一致性机制 BERT模型

来源：评论

学校读者我要写书评

暂无评论

改性活性炭电极用于电厂生活污水后脱氮及减碳的研究

引用

水处理技术 2025年第1期51卷 97-101,119页

作者：杨畅畅于海琴冯瑞琦韩溪童孙贺范思辰北京交通大学环境学院北京100044 北京交通大学计算机与信息技术学院北京100044

受传统氨氮处理工艺限制,电厂生活污水常出现氨氮难达标问题,从而需要投入大量外加碳源,这一过程会造成碳排放和处理成本的增加。本研究使用NaOH改性活性炭电极,应用在传统生活污水生物处理(AAO)之后进一步去除氨氮(后脱氮),此过程中不... 详细信息

受传统氨氮处理工艺限制,电厂生活污水常出现氨氮难达标问题,从而需要投入大量外加碳源,这一过程会造成碳排放和处理成本的增加。本研究使用NaOH改性活性炭电极,应用在传统生活污水生物处理(AAO)之后进一步去除氨氮(后脱氮),此过程中不添加任何外加碳源、除磷药剂以及深度脱氮工艺。实验结果表明,在最优操作条件:电压1.2 V、进水流量37 mL/min、初始氨氮质量浓度6.138 mg/L下,改性后氨氮去除率达到64.31%;TN、TP、电导率去除率达到45.38%、62.08%和89.38%;CDI的加入使得传统生物处理过程无需外加碳源和除磷药剂即可达到出水标准,成本下降了0.4元/m^(3),出水作为电厂回用水可节省2 000元取水费用;对吸附过程进行碳排放核算,在电厂生活污水日处理量为450 m3/d的情况下,CDI装置的加入平均每天可以减少738.25 kgCO_(2)的排放,具有良好的减碳效益。此外,该技术可推广应用于居民小区等建筑做回用水,每天可节省256元污水处理费用,并且具有同样的碳减排效益。

关键词：生活污水 CDI 后脱氮电吸附碳减排

来源：评论

学校读者我要写书评

暂无评论

基于卷积与自注意力的红外与可见光图像融合

引用

系统工程与电子技术 2024年第8期46卷 2641-2649页

作者：陈晓萱徐书文胡绍海马晓乐北京交通大学计算机与信息技术学院北京100044 中国电子科技集团公司电视电声研究所北京100015

由于卷积运算过于关注图像的局部特征,在对源图像进行融合时容易造成融合图像的全局语义信息丢失。为了解决该问题,提出一种基于卷积与自注意力的红外与可见光图像融合模型。该模型在使用卷积模块提取图像局部特征的同时,还使用自注意... 详细信息

由于卷积运算过于关注图像的局部特征,在对源图像进行融合时容易造成融合图像的全局语义信息丢失。为了解决该问题,提出一种基于卷积与自注意力的红外与可见光图像融合模型。该模型在使用卷积模块提取图像局部特征的同时,还使用自注意力来提取图像全局特征。此外,由于简单运算无法满足不同层次特征的融合,提出使用嵌入式块残差融合模块来实现多层次特征融合。实验结果表明,相比无监督深度融合算法,所提的方法在主观评价与6项客观指标上的结果具有一定优势。其中,互信息、标准差和视觉保真度分别提升了61.33%、9.96%和19.46%。

关键词：图像融合全局特征自注意力机制自编码器深度学习

来源：评论

学校读者我要写书评

暂无评论

面向合成语音检测的弹性正交权重修正连续学习算法

引用

计算机研究与发展 2025年第2期62卷 336-345页

作者：张晓辉易江燕陶建华周俊佐中国科学院自动化研究所北京100190 北京交通大学计算机与信息技术学院北京100044 清华大学自动化系北京100084

目前,深度学习在合成语音检测领域取得了巨大的成功.然而,通常情况下,深度模型可以在与训练集分布相似的测试集上取得高准确率,但在跨数据集的情境下,其准确率却会显著下降.为了提高模型在新数据集上的泛化能力,通常需要对其进行微调,... 详细信息

目前,深度学习在合成语音检测领域取得了巨大的成功.然而,通常情况下,深度模型可以在与训练集分布相似的测试集上取得高准确率,但在跨数据集的情境下,其准确率却会显著下降.为了提高模型在新数据集上的泛化能力,通常需要对其进行微调,但这会导致模型遭受灾难性遗忘.灾难性遗忘指的是模型在新数据上的训练会损害其从旧数据中获得的知识,导致对旧数据的识别性能下降.目前,克服灾难性遗忘的主要算法之一是连续学习.面向合成语音检测提出了一种连续学习算法——弹性正交权重修正(elastic orthogonal weight modification,EOWM),用于克服灾难性遗忘.该算法通过修正模型在学习新知识时的参数更新方向和更新幅度,以减少对已学知识的损害.具体来说,该算法在模型学习新知识时要求参数的更新方向与旧任务的数据分布正交,并同时限制对旧任务中重要参数的更新幅度.在合成语音检测领域的跨数据集实验中,算法取得了良好的效果.与微调相比,该算法在旧数据集上的等错误率(equal error rate,EER)从7.334%降低至0.821%,相对下降了90%;在新数据集上的等错误率从0.513%降低至0.315%,相对下降了40%.

关键词：合成语音检测连续学习弹性正交权重修正预训练模型深度神经网络

来源：评论

学校读者我要写书评

暂无评论

基于Prompt的两阶段澄清问题生成方法

引用

计算机应用研究 2024年第2期41卷 421-425页

作者：王培冰张宁张春北京交通大学计算机与信息技术学院北京100044

在自然语言相关系统中,当用户输入存在歧义时,生成澄清问题询问用户有助于系统理解用户需求;基于Prompt的方法可以更好地挖掘预训练语言模型的潜在知识,但往往需要手动设计模板,限制其生成澄清问题的多样性。为解决这一问题,提出了TSCQG... 详细信息

在自然语言相关系统中,当用户输入存在歧义时,生成澄清问题询问用户有助于系统理解用户需求;基于Prompt的方法可以更好地挖掘预训练语言模型的潜在知识,但往往需要手动设计模板,限制其生成澄清问题的多样性。为解决这一问题,提出了TSCQG(two-stage clarification question generation)方法。首先,在动态Prompt模板生成阶段,利用歧义上下文和预训练语言模型生成动态的Prompt模板;然后在缺失信息生成阶段,将Prompt模板与外部知识相结合,充分利用预训练语言模型的生成能力生成相应的缺失信息。实验结果表明,在CLAQUA数据集的多轮对话情况中,BLEU值和ROUGE-L值分别达到了58.31和84.33,在ClariQ-FKw数据集上,BLEU值和ROUGE-L值分别达到了31.18和58.86。实验结果证明了TSCQG方法在澄清问题生成任务上的有效性。

关键词：预训练语言模型 Prompt 澄清问题生成自然语言系统

来源：评论

学校读者我要写书评

暂无评论

横向联邦学习环境基于身份认证及密钥协商协议

引用

北京航空航天大学学报 2023年第2期49卷 397-405页

作者：任杰黎妹红杜晔尹李纶谨北京交通大学智能交通数据安全与隐私保护技术北京市重点实验室北京100044 北京交通大学计算机与信息技术学院北京100044

近年来,联邦学习受到多个领域的广泛关注,而认证及会话密钥协商是保证通信实体之间安全传输、可靠通信的关键技术和基本的安全保障。根据横向联邦学习参与方数据特征,提出一种基于身份的无证书轻量级认证及密钥协商协议;参与方在密钥生... 详细信息

近年来,联邦学习受到多个领域的广泛关注,而认证及会话密钥协商是保证通信实体之间安全传输、可靠通信的关键技术和基本的安全保障。根据横向联邦学习参与方数据特征,提出一种基于身份的无证书轻量级认证及密钥协商协议;参与方在密钥生成中心(KGC)完成注册后,利用公共参数计算各自的临时密钥和长期密钥完成认证、计算会话密钥;最后,采用扩展的CK(eCK)模型对所提协议进行安全性证明。性能分析表明:所提协议在计算性能和通信开销方面可以有效地控制成本,适用于单服务器下横向联邦学习的训练环境。

关键词：横向联邦学习基于身份密码体制无证书认证及密钥协商 eCK模型

来源：评论

学校读者我要写书评

暂无评论

基于标签感知变分自编码器的多标签分类

引用

计算机科学与探索 2025年第3期19卷 714-723页

作者：孙宏健徐鹏宇刘冰景丽萍于剑北京交通大学计算机与信息技术学院北京100044 北京交通大学交通数据分析与挖掘北京市重点实验室北京100044

随着互联网的兴起,各式各样的数据急速增长,如何高效地利用这些样本数据成为数据挖掘领域的重要问题。多标签分类任务作为机器学习与数据挖掘领域的重要任务,旨在为样本标注多个标签类别。目前的方法大多仅对特征分支进行嵌入表示学习,... 详细信息

随着互联网的兴起,各式各样的数据急速增长,如何高效地利用这些样本数据成为数据挖掘领域的重要问题。多标签分类任务作为机器学习与数据挖掘领域的重要任务,旨在为样本标注多个标签类别。目前的方法大多仅对特征分支进行嵌入表示学习,并未考虑到特征和标签之间的语义关联性,缺乏对特征嵌入空间的有效约束,从而导致学习到的特征嵌入针对性不足。在标签相关性学习方面,现有的大多数方法主要关注低阶标签相关性,在面对复杂的实际标签场景时,多个标签之间的高阶相关性学习不足的问题变得更为突出。为解决上述问题,从嵌入表示学习和标签相关性学习出发,提出了一种基于标签感知变分自编码器的多标签分类方法。针对嵌入表示学习,提出使用特征和标签双流变分自编码器同时学习和对齐特征和标签的嵌入空间,对特征嵌入空间添加标签引导来增强特征嵌入。采用基于标签语义的交叉注意力机制,将特定标签信息加入到特征嵌入中,最终获得标签感知后的判别性特征嵌入。针对标签相关性学习,采用共享解码器中的多层自注意力机制,充分融合多个标签的相似性信息,通过不同标签间的共现交互,学习到标签高阶相关性表示并用于交叉感知特征嵌入。在四个不同领域的数据集上得到的实验结果表明,提出的方法能够有效增强特征和标签嵌入,并充分捕获标签之间高阶相关性信息用于多标签分类任务,通过与多个最先进算法在多个评价指标上进行比较分析,验证了提出的方法在性能上的显著优越性。

关键词：多标签分类嵌入空间学习变分自动编码器 Transformer 标签相关性

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：