摘要：随着海量数据的涌现和不断积累,数据治理成为提高数据质量、最大化数据价值的重要手段.其中,数据错误检测是提高数据质量的关键步骤,近年来引起了学术界及工业界的广泛关注.目前,绝大多数错误检测方法只适用于单数据源场景.然而在现实场景中,数据往往不集中存储与管理.不同来源且高度相关的数据能够提升错误检测的精度.但由于数据隐私安全问题,跨源数据往往不允许集中共享.鉴于此,提出了一种基于联邦学习的跨源数据错误检测方法 FeLeDetect,以在数据隐私保证的前提下,利用跨源数据信息提高错误检测精度.为了充分捕获每一个数据源的数据特征,首先提出一种基于图的错误检测模型GEDM,并在此基础上设计了一种联邦协同训练算法FCTA,以支持在各方数据不出本地的前提下,利用跨源数据协同训练GEDM.此外,为了降低联邦训练的通信开销和人工标注成本,还提出了一系列优化方法.最后,在3个真实数据集上进行了大量的实验.实验结果表明:(1)相较于5种现有最先进的错误检测方法,GEDM在本地场景和集中场景下,错误检测结果的F1分数平均提高了10.3%和25.2%;(2) FeLeDetect错误检测结果的F1分数较本地场景下GEDM的结果平均提升了23.2%.

摘要：1 引言传统的工作流(如Actionworks Metro与XSoft'sInConcert)都建立在客户机/服务器的模型上,由服务器提供整个系统绝大多数的功能性能。这种结构有它的优点,如集中式的管理、简单的同步机制、整个系统设计复杂度的降低等。但是科学技术的飞速发展。

摘要：针对我国连锁超市普遍存在的库存信息化程度不高和共享水平低的问题,文中以某连锁超市为例,应用系统动力学的原理和方法构建连锁超市多级库存管理系统动力学模型,借助Vensim平台对模型进行仿真研究,通过调整相关参数优化模型,最终得出可以用于实践的结论。