摘要：异构联邦学习系统中的个人电脑、嵌入式设备等多种边缘设备,存在资源受限的掉队者设备降低联邦学习系统训练效率的问题.针对此问题,本文提出了异构编码联邦学习(heterogeneous coded-based federated learning,HCFL)系统框架,以实现:(1)提高系统训练效率,加快多掉队者场景下的异构联邦学习(federated learning,FL)训练速度;(2)提供一定级别的数据隐私保护.HCFL方案分别从客户端和服务器角度出发设计了调度策略,以满足通用环境下多掉队者模型计算加速;同时设计了线性编码计算方案(linear coded computing,LCC)为任务分发提供数据保护.实验结果表明,当异构FL中设备之间性能差异较大时,HCFL能够将训练时间缩短89.85%.

摘要：随着互联网发展,企业随之转型,积极开展基于互联网的业务.传统业务系统架构基于集中式数据管理系统如MySQL之上,在封闭使用状态向开放使用状态转换的过程中,逐渐在可用性上暴露出弊端,故而不能很好地支持业务拓展规模化、分布式处理的要求.网络业务的开展对工单系统提出了在支持大数据、高并发、高冲突、高可用下保证处理高效性的新需求.在深入分析当前业务特征的基础上,利用分布式数据库Cedar,基于Netty通信框架,以海尔的工单业务为实例,设计并实现了支持工单存储、派单以及工程师抢单业务的高效、可扩展工单管理系统,详述了系统的可靠性和可扩展实现.经实验表明,该工单系统在保证高吞吐和低延迟的同时具有良好的可扩展性和可用性.

摘要：随着互联网技术的发展,在线教育已经改变了学生的学习方式.但由于缺乏完整的知识体系,在线教育存在着智能化程度低和"信息迷航"的问题.因此,构建知识体系成为在线教育平台的核心技术.知识点间的关系提取是知识体系构建的主要任务之一,目前比较高效的关系提取算法主要是监督式的.但是这类方法受限于文本质量低、语料稀缺、标签数据难获取、特征工程效率低、难以提取有向关系等挑战.为此,基于百科语料和远程监督思想,研究了知识点间的关系提取算法.提出了基于关系表示的注意力机制,该方法能够提取知识点间的有向关系信息.结合了GCN和LSTM的优势,提出了GCLSTM,该模型更好地提取了句子中的多点信息.基于Transformer架构和关系表示的注意力机制,提出了适用于有向关系提取的BTRE模型,降低了模型的复杂度.设计并实现了知识点关系提取系统.通过设计3组对比实验,验证了模型的性能和效率.