检索结果-内蒙古大学图书馆

软件工程 2025年第2期28卷 61-66页

作者：李欣欣汤金川贵州大学公共大数据国家重点实验室贵州贵阳550025 贵州大学计算机科学与技术学院贵州贵阳550025

针对社交网络中的隐私信息传播问题,改进了传统的信息传播模型,提出了基于信任的社区信息传播控制方案。首先,引入社区结构和信息敏感度两个特征,以更准确地模拟信息传播过程。其次,采用基于信任的真相传播机制,有效地控制了谣言的扩散... 详细信息

针对社交网络中的隐私信息传播问题,改进了传统的信息传播模型,提出了基于信任的社区信息传播控制方案。首先,引入社区结构和信息敏感度两个特征,以更准确地模拟信息传播过程。其次,采用基于信任的真相传播机制,有效地控制了谣言的扩散。仿真实验结果表明,相较于传统模型,社区传播模型达到传播峰值的平均速度提高了31%,更好地模拟了信息传播过程。同时,基于信任的社区谣言控制方案在平均35轮内有效地控制了谣言的传播。此改进对于保护用户隐私和维护社交网络秩序具有重要意义。

关键词：社交网络信息传播信任谣言控制

来源：评论

学校读者我要写书评

暂无评论

基于探测间隔变化的OpenFlow交换机超时嗅探方法

引用

信息网络安全 2025年第2期 295-305页

作者：杨致远崔允贺陈意郭春贵州大学计算机科学与技术学院贵阳550025 公共大数据国家重点实验室贵阳550025 文本计算与认知智能教育部工程研究中心贵阳550025 贵州省软件工程与信息安全特色重点实验室贵阳550025

软件定义网络(SDN)通过分离控制平面和数据平面实现了网络的集中化、可编程化和灵活化。但这种架构也使SDN面临新的攻击威胁,针对SDN交换机的超时嗅探是其面临的主要安全威胁之一。现有的超时嗅探方法忽略了超时的最大值、探测包的生成... 详细信息

软件定义网络(SDN)通过分离控制平面和数据平面实现了网络的集中化、可编程化和灵活化。但这种架构也使SDN面临新的攻击威胁,针对SDN交换机的超时嗅探是其面临的主要安全威胁之一。现有的超时嗅探方法忽略了超时的最大值、探测包的生成时间以及超时之间的关系对于探测超时的影响,导致出现探测失败、超时类型识别错误和超时值探测精度低的问题。为解决上述问题,文章提出一种基于探测间隔变化的OpenFlow交换机流表项超时机制嗅探方法—TIMIC。该方法先通过调整探测包的发送间隔获得超时值,再通过该超时值判断具体的超时机制及更精确的超时值。实验结果表明,TIMIC在不同的超时机制下都能成功探测超时类型和超时值,且探测出的超时值能够保持较小的探测误差。在通用的超时设置下,TIMIC发送的超时探测包更少,探测成本更低。

关键词：软件定义网络超时机制嗅探探测间隔

来源：评论

学校读者我要写书评

暂无评论

基于Boosting优先经验重放的协同计算卸载方法

引用

计算机应用研究 2025年第3期42卷 777-787页

作者：黄毅王文轩崔允贺陈意郭春申国伟贵州大学公共大数据国家重点实验室贵阳550025 贵州大学文本计算与认知智能教育部工程研究中心贵阳550025 贵州大学计算机科学与技术学院贵阳550025 贵州大学贵州省软件工程及信息安全特色重点实验室贵阳550025

现有计算卸载方法没有考虑终端设备和边缘服务器的不同任务排队情况,导致计算卸载模型的时延估计存在偏差。更重要的是,现有基于强化学习的计算卸载方法通过计算时序差分(temporal difference,TD)误差进行经验重放,无法精确评估历史经... 详细信息

现有计算卸载方法没有考虑终端设备和边缘服务器的不同任务排队情况,导致计算卸载模型的时延估计存在偏差。更重要的是,现有基于强化学习的计算卸载方法通过计算时序差分(temporal difference,TD)误差进行经验重放,无法精确评估历史经验的重要性,导致卸载决策精度降低。为解决上述问题,在移动蜂窝网络边缘计算场景下,考虑多设备、多服务器的计算卸载问题,提出一种基于Boosting优先经验重放的协同计算卸载方法—COOPERANT。针对任务调度问题,COOPERANT构建了终端设备任务排队模型及服务器任务排队模型;针对任务卸载问题,COOPERANT设计了融合Boosting的优先经验重放算法、任务卸载联合优化模型、计算卸载多智能体深度强化学习模型及COOPERANT网络更新策略。实验证明,相比于遗传算法、蚁群算法、鲸鱼优化算法、MADDPG算法、TD-MADDPG算法以及MAPPO算法,COOPERANT能够有效降低系统时延和能耗开销,提升网络收敛速度。

关键词：计算卸载 Boosting 多智能体深度强化学习优先经验重放

来源：评论

学校读者我要写书评

暂无评论

面向自主探索思维培养的算法设计与分析课程教学改革——以贵州大学为例

引用

西部素质教育 2025年第1期11卷 103-106页

作者：张镇勇贵州大学公共大数据国家重点实验室贵州贵阳550025 贵州大学计算机科学与技术学院贵州贵阳550025

文章首先阐述了算法设计与分析课程教学存在的问题,然后提出了面向自主探索思维培养的算法设计与分析课程教学改革,包括构建课内课外双循环课程学习体系、构建学生学习兴趣培养体系、构建温馨的算法课堂等。

关键词：算法设计与分析课程教学自主探索思维实践教学

来源：评论

学校读者我要写书评

暂无评论

AI驱动下多学科融合的创新型人才培养模式构建

引用

西部素质教育 2025年第5期11卷 80-83页

作者：王崎余珮嘉李耀羲贵州大学公共大数据国家重点实验室贵州贵阳550025 贵州大学计算机科学与技术学院贵州贵阳550025

为了培养更多多学科融合的创新型人才,文章从培养目标、课程设置、校企合作、资源配置、评估机制五个方面论述了AI驱动下多学科融合的创新型人才培养模式构建。

关键词：多学科融合创新型人才培养 AI

来源：评论

学校读者我要写书评

暂无评论

SSVAE:一种补充语义信息的深度变分文本聚类模型

引用

数据分析与知识发现 2022年第6期6卷 71-83页

作者：薛菁菁秦永彬黄瑞章任丽娜陈艳平贵州大学计算机科学与技术学院贵阳550025 公共大数据国家重点实验室贵州大学计算机科学与技术学院贵阳550025

【目的】解决现有深度变分推断算法进行文本聚类时面临的语义缺失问题。【方法】基于现有的深度变分推断算法,设计一种补充语义信息的深度文本聚类模型(SSVAE),可以将文本语义信息补充到聚类过程中。【结果】实验结果表明,SSVAE在文本... 详细信息

【目的】解决现有深度变分推断算法进行文本聚类时面临的语义缺失问题。【方法】基于现有的深度变分推断算法,设计一种补充语义信息的深度文本聚类模型(SSVAE),可以将文本语义信息补充到聚类过程中。【结果】实验结果表明,SSVAE在文本聚类过程中有效地补充了文本缺失的语义信息,与现有效果最好的深度变分推断模型以及主流的深度聚类模型相比,SSVAE的NMI指标在BBC,Reuters-1500,Abstract,Reuters-10k,20news-l这5个真实文本数据集上分别提升8.92、7.43、8.73、4.80和6.14个百分点。【局限】SSVAE在补充语义的过程中,除了补充了缺失的语义,有时也不可避免地引入一些噪声,这会造成聚类效果的微小偏差。【结论】补充语义信息的深度变分文本聚类模型SSVAE能够对文本进行更有效的聚类划分,提高聚类准确性。

关键词：文本聚类语义缺失语义补充深度变分推断

来源：评论

学校读者我要写书评

暂无评论

一种采用机器阅读理解模型的中文分词方法

引用

西安交通大学学报 2022年第8期56卷 95-103页

作者：周裕林陈艳平黄瑞章秦永彬林川公共大数据国家重点实验室贵阳550025 贵州大学计算机科学与技术学院贵阳550025

针对中文分词序列标注模型很难获取句子的长距离语义依赖,导致输入特征使用不充分、边界样本少导致数据不平衡的问题,提出了一种基于机器阅读理解模型的中文分词方法。将序列标注任务转换成机器阅读理解任务,通过构建问题信息、文本内... 详细信息

针对中文分词序列标注模型很难获取句子的长距离语义依赖,导致输入特征使用不充分、边界样本少导致数据不平衡的问题,提出了一种基于机器阅读理解模型的中文分词方法。将序列标注任务转换成机器阅读理解任务,通过构建问题信息、文本内容和词组答案的三元组,以有效利用句子中的输入特征;将三元组信息通过Transformer的双向编码器(BERT)进行预训练捕获上下文信息,结合二进制分类器预测词组答案;通过改进原有的交叉熵损失函数缓解数据不平衡问题。在Bakeoff2005语料库的4个公共数据集PKU、MSRA、CITYU和AS上的实验结果表明:所提方法的F_(1)分别为96.64%、97.8%、97.02%和96.02%,与其他主流的神经网络序列标注模型进行对比,分别提高了0.13%、0.37%、0.4%和0.08%。

关键词：中文分词序列标注歧义词机器阅读理解

来源：评论

学校读者我要写书评

暂无评论

结合提示学习和Qwen大语言模型的裁判文书摘要方法

引用

清华大学学报（自然科学版） 2024年第12期64卷 2007-2018页

作者：李佳沂黄瑞章陈艳平林川秦永彬贵州大学计算机科学与技术学院贵阳550025 贵州大学公共大数据国家重点实验室贵阳550025

尽管大语言模型在新闻、艺术等领域的文本摘要任务上取得了良好的效果,但由于大语言模型缺乏对司法领域知识的学习,同时难以理解裁判文书的结构特征和逻辑关系,导致生成的裁判文书摘要质量不佳。该文提出结合提示学习和Qwen大语言模型... 详细信息

尽管大语言模型在新闻、艺术等领域的文本摘要任务上取得了良好的效果,但由于大语言模型缺乏对司法领域知识的学习,同时难以理解裁判文书的结构特征和逻辑关系,导致生成的裁判文书摘要质量不佳。该文提出结合提示学习和Qwen大语言模型的裁判文书摘要方法,将裁判文书数据作为SFT(supervised fine-tuning)技术对大语言模型微调的输入,增强其法律领域适用性;同时设计融入结构信息与角色指令的提示模板,以优化摘要生成,使其更精准地反映文书结构特征与逻辑关系。实验结果表明,该方法在ROUGE-1、 ROUGE-2和ROUGE-L的F1值上比基线模型分别提升了21.44%、 28.50%和28.97%,说明大语言模型经裁判文书数据微调并引入结构信息后,在裁判文书摘要任务中展现了卓越的性能与巨大的应用潜力。

关键词：裁判文书摘要文本摘要大语言模型提示学习

来源：评论

学校读者我要写书评

暂无评论

基于MiniSAT的命题极小模型计算方法

引用

计算机研究与发展 2021年第11期58卷 2515-2523页

作者：张丽王以松谢仲涛冯仁艳贵州大学计算机科学与技术学院贵阳550025 公共大数据国家重点实验室(贵州大学) 贵阳550025

计算命题公式的极小模型在人工智能推理系统中是一项必不可少的任务.然而,即使是正CNF(conjunctive normal form)公式,其极小模型的计算和验证都不是易处理的.当前,计算CNF公式极小模型的主要方法之一是将其转换为析取逻辑程序后用回答... 详细信息

计算命题公式的极小模型在人工智能推理系统中是一项必不可少的任务.然而,即使是正CNF(conjunctive normal form)公式,其极小模型的计算和验证都不是易处理的.当前,计算CNF公式极小模型的主要方法之一是将其转换为析取逻辑程序后用回答集程序(answer set programming,ASP)求解器计算其稳定模型回答集.针对计算CNF公式的极小模型的问题,提出一种基于可满足性问题(satisfiability problem,SAT)求解器的计算极小模型的方法MMSAT;然后结合最近基于极小归约的极小模型验证算法CheckMinMR,提出了基于极小模型分解的计算极小模型方法MRSAT;最后对随机生成的大量的3CNF公式和SAT国际竞赛上的部分工业基准测试用例进行测试.实验结果表明:MMSAT和MRSAT对随机3CNF公式和SAT工业测试用例都是有效的,且计算极小模型的速度都明显快于最新版的clingo,并且在SAT工业实例上发现了clingo有计算出错的情况,而MMSAT和MRSAT则更稳定.

关键词：极小模型 SAT求解器 CNF公式极小归约极小模型分解

来源：评论

学校读者我要写书评

暂无评论

基于全同态加密的理性委托计算协议

引用

电子学报 2019年第2期47卷 470-474页

作者：李秋贤田有亮王缵贵州大学计算机科学与技术学院贵州贵阳550025 公共大数据国家重点实验室贵州贵阳550025

传统委托计算因需验证方验证其计算结果,从而导致协议效率低下.针对此问题,本文结合博弈委托代理理论和全同态加密技术,提出理性委托计算协议.该协议通过参与者之间的效用函数保证计算结果的正确性,无需验证方进行验证.首先,利用博弈委... 详细信息

传统委托计算因需验证方验证其计算结果,从而导致协议效率低下.针对此问题,本文结合博弈委托代理理论和全同态加密技术,提出理性委托计算协议.该协议通过参与者之间的效用函数保证计算结果的正确性,无需验证方进行验证.首先,利用博弈委托代理理论,构造委托计算博弈模型;其次,结合全同态加密技术,构造理性委托计算协议;最后,对协议进行实验与分析,结果表明,该协议不但保证了安全性和正确性,并且全局可达帕累托最优.

关键词：理性委托计算博弈论效用函数帕累托最优全同态加密

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：