摘要：联邦学习通过分布式机器学习训练出一种全局模型,该模型能够泛化所有的本地用户数据,以达到保护用户数据隐私的目的。由于用户间的行为、环境等不同,造成了数据异构问题,进而使得用户局部模型的性能往往远高于全局模型。针对上述问题,该文提出了一种基于用户层次聚类的联邦学习方法。设计了一种联邦学习收敛评估的方法,用于判断全局模型收敛程度;当全局模型收敛时进行聚类用户操作,能够更加准确地找出相似程度较高的用户;通过余弦相似性的层次聚类方法,将具有相似性的用户进行聚类操作,从而减少因数据异构带来的影响。此外该文还采用较大深度的模型WideResNet提高用户本地训练精度。该文采用数据集EMNIST、CIFAR10,调整用户数据之间的角度,分别进行了两类用户和三类用户的聚类联邦学习实验。实验结果显示,与相关经典联邦学习算法FedAvg相比,采用聚类策略后,其训练准确度提高约10%。

摘要：多分类问题是机器学习领域中重点研究对象之一,如何将2分类问题的解决方法推广到多分类问题是近几年研的热点。论文利用余弦相似性来刻画样本点的相似度并将余弦相似性引入到2-类分类器,在此基础上构建了m-类分类器,即基于余弦相似性的多类分类器。通过UCI数据集上的实验分析可知,CSMC达到了与现有多类分类器相当的分类性能,为处理多分类问题提供了新思路,具有较好的科研和应用价值。

摘要：针对在铁路钢轨扣件状态自动识别中断裂扣件与正常扣件难以区分的问题,基于DPM算法思路提出DPTM算法用于扣件状态自动检测。为屏蔽扣件图像中背景区域的干扰,根据扣件几何形状设计相应的掩膜模板,并对扣件进行分块得到扣件部件模型。采用弹簧模型度量部件之间相对位置关系、余弦相似性度量HOG特征点之间的相似度,加权融合特征点相似度得到部件相似度,根据各个部件重要性的权重系数组合建立扣件状态分类准则。理论分析和实验结果表明,DPTM算法能够较好地区分正常、断裂和丢失三种状态的扣件,并在优先保证较低漏检率的同时取得较低的误检率。

摘要：为提升人工智能翻译文本特征分类精度,提出基于属性概率权重的人工智能翻译文本特征分类算法。基于模板匹配算法匹配源语言模板进行文本翻译,引入全局频率改进TF-IDF方法,利用余弦相似度和Markov模型实现文本之间的相似度计算,实现特征词的属性概率权重的归一化,得到全面的特征词属性概率权重。将特征词的属性概率权重融合到朴素贝叶斯分类方法中,实现人工智能翻译文本特征分类。实验结果表明该算法的翻译准确率在85%以上,且不同领域语料的正、反向类语言特征分类准确率高。

摘要：为了进一步改进个性化搜索方法,通过对现有个性化搜索方法的研究,提出了一种新的搜索方法。该方法从用户兴趣相关性出发,将用户配置文件与传统个性化搜索相结合。在传统TF-IDF方法的基础上,提出了一种综合考虑标签总引用次数和配置文件中标签总数的新方法,用于获取用户配置文件与资源配置文件中的标签权重;设计了基于余弦相似性计算并综合匹配的标签个数的资源相关性计算方法。通过Movie Lens数据集实验,验证了提出方法的有效性。

摘要：安全多方计算旨在解决一组互不信任的参与方之间隐私保护的协同计算问题。自姚期智从1982年提出以来,随着云计算、电子商务技术的发展,安全多方计算得到了更加广泛的研究及应用。余弦相似性是用于度量两个样本点之间相似度的有效方法,且广泛应用于数据挖掘、神经网络和机器学习等领域。目前存在的大多数安全多方计算研究都忽略了用户输入和结果的验证过程,都假设各参与方是诚实地执行协议。为了弥补这一块的缺陷,设计了一种可验证的安全内积计算的协议,并证实了此协议会更加安全。

摘要：本文设计了一种用于程序设计实验源代码结果抄袭检测系统。采用自然语言处理技术中的TF-IDF算法和测量向量相似度的余弦相似性算法,分析检测源程序抄袭情况,通过实际应用算例验证了系统的有效性。源程序抄袭检测对各种需要提交代码的实验教学系统有重要的实用价值。