摘要：基于本地化差分隐私多关系表示上的Star-JOIN查询已得到研究者广泛关注.现有基于OLH机制与层次树结构的Star-JOIN查询算法存在根节点泄露隐私风险、τ-截断机制没有给出如何选择合适τ值等问题.针对现有算法存在的不足,提出一种有效且满足本地化差分隐私的Star-JOIN查询算法LPRR-JOIN(longitudinal path random response for join).该算法充分利用层次树的纵向路径结构与GRR机制,设计一种纵向本地扰动算法LPRR,该算法以所有属性纵向路径上的节点组合作为扰动值域.每个用户把自身元组映射到相应节点组合中,再利用GRR机制对映射后的元组进行本地扰动.为了避免事实表上存在的频率攻击,LPRR-JOIN算法允许每个用户利用阈值τ本地截断自身元组个数,大于τ条元组删减、小于τ条元组补充.为了寻找合适的τ值,LPRR-JOIN算法利用τ-截断带来的偏差与扰动方差构造总体误差函数,通过优化误差目标函数获得τ值;其次结合用户分组策略获得τ值的总体分布,再利用中位数获得合适的τ值.LPRR-JOIN算法与现有算法在3种多关系数据集上进行比较,实验结果表明其响应查询算法优于同类算法.

摘要：[目的/意义]从“搜索即学习”视角探究影响移动信息搜索用户学习行为投入的多元因素,为个性化信息检索系统的设计与学习情境优化提供借鉴。[方法/过程]基于混合方法研究范式,综合运用日记研究、统计分析与质性数据编码分析来探究学习场景和成就动机两个变量对移动情境下信息搜索用户学习行为投入的影响。[结果/结论]学习场景和成就动机均在不同程度上影响着用户学习行为投入的参与学习、专注学习、坚持学习和交互学习维度,其中展现个人特征的成就动机因素对移动搜索用户的学习行为投入影响作用最为显著。此外,学习场景和成就动机对移动搜索用户的学习行为投入不具有交互效应。

摘要：视频的记忆度是一种度量指标,用来表示一段视频能够普遍被人记住的程度.令人记忆深刻而难忘的视频具有很大的潜在价值,因此对能够进行大规模视频记忆度自动预测的模型将会有广大的应用前景和市场,例如视频检索、数字内容推荐、广告设计、教育系统等等.现有的大部分工作都是直接利用深度神经网络学习到的一个全局表示来进行记忆度的预测,没有给予局部细节足够的重视.提出了一个基于全局和局部信息的视频记忆度预测模型,其中,包含3个模块:全局性的上下文表示模块、空间布局表示模块和局部的物体注意力模块.在实验结果中,全局性的上下文表示模块和局部的物体注意力模块分别具有很好的表现.而空间布局表示模块的预测能力虽不如其他两个模块,但3个模块的融合使结果有了进一步的提升.最后,在MediaEval 2018 Media Memorability Prediction Task的数据集上证明了模型的有效性.

摘要：大规模数据收集大幅提升了机器学习算法的性能,实现了经济效益和社会效益的共赢,但也令个人隐私保护面临更大的风险与挑战.机器学习的训练模式主要分为集中学习和联邦学习2类,前者在模型训练前需统一收集各方数据,尽管易于部署,却存在极大数据隐私与安全隐患;后者实现了将各方数据保留在本地的同时进行模型训练,但该方式目前正处于研究的起步阶段,无论在技术还是部署中仍面临诸多问题与挑战.现有的隐私保护技术研究大致分为2条主线,即以同态加密和安全多方计算为代表的加密方法和以差分隐私为代表的扰动方法,二者各有利弊.为综述当前机器学习的隐私问题,并对现有隐私保护研究工作进行梳理和总结,首先分别针对传统机器学习和深度学习2类情况,探讨集中学习下差分隐私保护的算法设计;之后概述联邦学习中存在的隐私问题及保护方法;最后总结目前隐私保护中面临的主要挑战,并着重指出隐私保护与模型可解释性研究、数据透明之间的问题与联系.

摘要：数据库系统经过近50年的发展,虽然已经普遍商用,但随着大数据时代的到来,数据库系统在2个方面面临挑战.首先数据量持续增大期望单个查询任务具有更快的处理速度;其次查询负载的快速变化及其多样性使得基于DBA经验的数据库配置和查询优化偏好不能实时地调整为最佳运行时状态.而数据库系统的性能优化进入瓶颈期,优化空间收窄,进一步优化只能依托新的硬件加速器来实现,传统的数据库系统不能够有效利用现代的硬件加速器;数据库系统具有成百个可调参数,面对工作负载频繁变化,大量繁琐的参数配置已经超出DBA的能力,这使得数据库系统面对快速而又多样性的变化缺乏实时响应能力.当下机器学习技术恰好同时符合这2个条件:应用现代加速器以及从众多参数调节经验中学习.机器学习化数据库系统将机器学习技术引入到数据库系统设计中.一方面将顺序扫描转化为计算模型,从而能够利用现代硬件加速平台;另一方面将DBA的经验转化为预测模型,从而使得数据库系统更加智能地动态适应工作负载的快速多样性变化.将对机器学习化数据库系统当前的研究工作进行总结与归纳,主要包括存储管理、查询优化的机器学习化研究以及自动化的数据库管理系统.在对已有技术分析的基础上,指出了机器学习化数据库系统的未来研究方向及可能面临的问题与挑战.

摘要：关系数据库上的关键词检索已成为数据库和信息检索领域的研究热点之一.现有数据库关键词检索系统可分为在线和离线两大类,它们都难以兼顾查询效率和效果在线系统能够获得数据库最新结果,但速度较慢;离线系统使用预处理提高查询速度,但若数据库更新就要重新执行预处理.在离线系统DETECTOR基础上,设计并实现增量更新方案,在不影响查询效率的前提下最大程度地保证了查询结果的准确性.另一个贡献是实现了通用的预处理模块,使得普通用户也能顺利进行预处理操作.

摘要：传统上,SQL是存取关系数据库中数据的主要界面.但是,对于没有经验的用户来说,学习复杂的SQL语法是一件困难的事情.实现基于关键词的关系数据库信息检索,将使用户不需要任何SQL语言和底层数据库模式的知识,用搜索引擎的方式来获取数据库中的相关数据.描述了一个基于关键词的关系数据库信息检索系统SEEKER的设计和实现.现有的关系数据库关键词查询系统只能检索关系数据库中的文本属性,而SEEKER还可以检索数据库元数据以及数字属性.并且,SEEKER采用了更合理的排序公式,支持Top-k查询.实验结果显示,SEEKER具有良好的查询性能.

摘要：网络空间的安全性属于涌现属性,该属性给网络空间安全带来了严峻的挑战.国内外已有不少研究者关注网络空间安全的涌现现象,迄今已取得不少成果.然而,人们对网络空间安全涌现性的认识还非常不足.针对这一状况,从涌现性的视角对网络空间安全挑战进行全面考察,旨在促进网络空间安全新思想、新理论的发展.首先,从系统科学中的涌现性的本意出发,揭示网络空间安全涌现性的基本思想;其次,从攻击、漏洞和防御3个角度,考察网络空间中存在的涌现式安全挑战;然后,按描述性、指导性和操作性3种类型,分析网络空间安全涌现性研究的发展状况;最后,从基础理论、基本模型和实用工具3个方面,讨论开展未来工作的基本途径.

摘要：图实现(Graph realization)问题研究基于节点间全部或部分距离关系测量,在d维空间中计算图的顶点坐标,使得在所实现图中各节点之间实现距离与测量距离尽可能一致.图实现问题是一个典型的优化问题,在传感器网络定位、蛋白质结构重建、数据可视化、社交网络分析、机器人同步定位与构图等领域有着广泛应用.图实现的研究同图刚性理论有着紧密的联系,图的刚性与全局刚性决定图的可实现性.在可实现图中,现有工作提出几类典型的代表性图实现算法,包括:1)基于三边测距类方法;2)求解距离方程类方法;3)基于全局优化类方法;4)基于模块拼合类方法.本文对图实现的刚性理论,四类图实现算法的设计思想、适用条件、算法流程等进行综述分析,通过实验对算法进行准确性、计算复杂度、可靠性等方面的比较和分析.

摘要：卷积神经网络(Convolutional Neural Network,CNN)在计算机视觉任务中发展迅速,尤其在图片分类、检索、目标检测等各个领域中发挥出优越的性能.CNN能够直接从原始像素中经过少量预处理,得到其有效的特征表示,识别计算机视觉上的规律.然而CNN采用了池化策略,对物体的局部特征理解深刻,而忽视了物体整体的空间结构.而胶囊网络重视物体的空间结构,是一种新的神经网络架构.胶囊网络通过将特征叠加到向量中来表示物体的多种信息,具备良好的拟合特征能力,使得网络架构不仅能识别出物体的局部特征,而且能保留其整体空间特征的层次关系.然而胶囊网络在复杂数据中表现不佳.为了提高胶囊网络在图像数据的识别准确率,本文提出一种基于剪枝优化的深层胶囊网络,其有效地处理胶囊网络层之间的连接关系,不仅减少了低层冗余胶囊,还提高网络的泛化能力.新胶囊网络的剪枝策略,对低层胶囊进行严格筛选,确保只有重要的、活跃度大的低层胶囊重组成新的胶囊层,进行加权连接预测高层胶囊.对于图像数据,获取的特征不足使其难以在胶囊中进一步处理.因此,本文设计了一种新颖的胶囊块卷积层,使用3D卷积核将局部的胶囊子集转化为一个更加抽象的胶囊,获取更加全面数据的特征表示来构建更加有水平的高层网络.同时,该层中低水平胶囊到高水平胶囊之间的跳跃连接可以减少深度模型训练过程中面临的梯度消失问题.此外,本文在多个数据集上进行性能测试,都取得了良好的实验效果.