摘要：近日,事关数据要素市场的重磅会议——全国数据工作会议定调了国家数据工作的总体思路。会议明确,制定促进数据合规高效流通和交易的政策。数据要素产业发展和市场建设是一项系统工程,基础制度的顶层设计在其中起到提纲挚领的作用。定调数据工作“总体思路”全国数据工作会议于4月1日召开。会议部署2024年重点工作时,提及加快全国一体化算力网建设。准确把握数据工作总体思路,坚持数据要素市场化配置改革,切实履行统筹数字中国、数字经济和数字社会规划和建设工作职责,促进高质量发展。

摘要：正交性与空间填充性是计算机试验设计的两个重要性质.本文提出通用的旋转方法用以构造一类新的正交空间填充设计.这类设计既具有正交性,又有理想的空间填充性.此外,本文提出的构造方法简单易行,且生成的设计具有灵活的试验次数和水平数.生成的设计既可以是对称的,也可以是非对称的.相关理论支撑科学严谨.本文构造并给出许多新的具有理想的空间填充性的正交设计.旋转矩阵和差阵在构造中起到重要的作用.

摘要：合成孔径雷达自动目标识别(SAR-ATR)领域缺乏有效的黑盒攻击算法,为此,该文结合动量迭代快速梯度符号(MI-FGSM)思想提出了一种基于迁移的黑盒攻击算法。首先结合SAR图像特性进行随机斑点噪声变换,缓解模型对斑点噪声的过拟合,提高算法的泛化性能;然后设计了能够快速寻找最优梯度下降方向的ABN寻优器,通过模型梯度快速收敛提升算法攻击有效性;最后引入拟双曲动量算子获得稳定的模型梯度下降方向,使梯度在快速收敛过程中避免陷入局部最优,进一步增强对抗样本的黑盒攻击成功率。通过仿真实验表明,与现有的对抗攻击算法相比,该文算法在MSTAR和FUSAR-Ship数据集上对主流的SAR-ATR深度神经网络的集成模型黑盒攻击成功率分别提高了3%~55%和6.0%~57.5%,而且生成的对抗样本具有高度的隐蔽性。

摘要：具身智能体结合了人工智能与机器人技术,单独讨论其中的任何一项技术对隐私的威胁都是片面的。具身智能体所具有的具身性、交互性及涌现性特征展现了其强大的互动和行动能力,给隐私与数据保护带来前所未有的新挑战。一方面,具身智能体能侵入私密空间,记录私密活动并潜移默化收集处理私密信息;另一方面,自主决策和自主行动的结合能造成实害,侵害用户的人身财产权益。既有的隐私和数据保护规则围绕信息控制而展开,具身智能体数据的生成和涌现加上造成实际损害的能力不仅会导致个人信息控制机制的失灵,还可能会使追究责任变得不切实际。针对这些挑战,除了弱化既有数据法中个人同意的作用外,还需在人工智能立法中植入数据保护理念,强化监管者和设计者责任,尤其是应当禁止通用型具身智能的市场化应用,并确立“通过设计来进行隐私和数据保护”的原则,明确设计者的可责性。

摘要：为实现医疗数据的安全存储、管理和访问控制,提出一种基于区块链、物联网、云存储和代理重加密算法的医疗数据共享系统。对系统进行结构设计,分为系统管理层、数据收集层、区块链网络层、云服务层、应用程序层;分析系统的工作过程,包括系统初始化、数据采集与上传、数据查询与共享;对所提基于区块链的医疗数据共享系统进行仿真与测试。仿真结果表明,该方案为智能医疗系统数据安全管理及可靠运行提供了一定借鉴。

摘要：风险差在配对设计中常用来对比某种疾病治疗前后或某种政策措施实施前后的有效性.文中针对风险差(Risk Difference)在配对设计中的置信区间估计问题,利用Delta法,改进Wald法,反双曲正切变换法,似然比检验法,鞍点逼近法方法进行置信区间构造,并通过Monte Carlo模拟计算区间覆盖率和区间长度,以比较这5种方法的表现性能.结果显示:不同方法的区间表现均不相同.其中鞍点逼近法明显优于其他4种方法;改进Wald法的表现仅次于鞍点逼近法,且随着样本量的增大,改进Wald法和反双曲正切变换法的性能差距逐渐减小;最后通过一个实例来验证这5种区间估计方法.

摘要：[目的/意义]数据驱动时代面临数据认知困难、解释结果晦涩难懂以及模型决策可信度不足等诸多挑战。融合可解释性结果的数据故事化方法,为应对上述挑战、增强数据利用价值提供理论支撑和解决方案。[方法/过程]梳理模型无关局部可解释性技术的解释形式、数据故事的叙事结构以及目前数据故事化研究中采用的方法,基于可解释性理论与数据故事化实现模式构建“析出—重组—叙事”的数据故事化模型,利用定义的要素元组给出数据故事映射流程,明确实现故事化模型设计的关键技术。[结果/结论]在数据故事化模型设计的理论指导下,提出面向解释结果的“扇形”故事化实现路径和融合解释结果与故事化模型要素的交互框架,并通过案例研究验证数据故事化方法在结果解释方面的实用价值。通过构建基于可解释性结果的数据故事化方法体系框架,为扩展具备数据感知与认知、可辅助智能决策功能的故事化路径提供新思路。

摘要：数据在现实世界中通常呈现长尾分布,即,少数类别拥有大量样本,而多数类别仅有少量样本.这种数据不均衡的情况会导致在该数据集上训练的模型对于样本数量较少的尾部类别产生过拟合.面对长尾视觉识别这一任务,提出一种面向长尾视觉识别的特征平衡方法,通过对样本在特征空间中的收缩、分离和聚合操作,增强模型对于难样本的识别能力.该方法主要由特征平衡因子和难样本特征约束两个模块组成.特征平衡因子利用类样本数量来调整模型的输出概率分布,使得不同类别之间的特征距离更加均衡,从而提高模型的分类准确率.难样本特征约束通过对样本特征进行聚类分析,增加不同类别之间的边界距离,使得模型能够找到更合理的决策边界.该方法在多个常用的长尾基准数据集上进行实验验证,结果表明不但提高了模型在长尾数据上的整体分类精度,而且显著提升了尾部类别的识别性能.与基准方法BS相比较,该方法在CIFAR100-LT、ImageNet-LT和iNaturalist 2018数据集上的性能分别提升了7.40%、6.60%和2.89%.

摘要：云数据库中存在许多配置项,包括数据库内部的配置参数以及部署环境的虚拟机资源配置,这些配置项共同决定了数据库的读写性能和资源消耗。在资源弹性伸缩的云环境下,用户关注数据库的服务性能和资源消耗成本。然而,由于配置项众多且负载变化快速,寻找最优的配置项组合变得困难。文中针对负载动态变化的在线调优场景提出了CoTune,一种协同调节云数据库资源与参数的快速调优方法。该方法针对OLTP型动态负载,通过迭代调节云虚拟机资源配置和数据库参数配置,在保障服务质量的前提下降低资源消耗。该方法的创新点如下:首先,在每个调优周期内,采用三阶段方案对资源配额和数据库参数进行调节,优先保障服务质量;其次,根据数据库参数对不同资源的影响进行分类,减小搜索空间,快速调节参数;最后,在数据库参数调节的强化学习模型中,设计特定的奖励函数,快速获取奖励值,加快调节频率。实验结果表明,该方法相比同时调节资源和参数、单独调节资源等方法,能够在保障服务质量的前提下降低资源消耗。通过快速迭代调优,能够应对负载变化的挑战,并在动态负载环境中实现更高效的资源利用。

摘要：[目的/意义]实现数据故事化中的反转点识别,有助于非专业人士理解分类型预测结果的产生原因,同时对于推动故事情节发展并使其快速到达故事高潮点具有促进作用。[方法/过程]提出故事点与反转点概念,基于LIME解释技术和反转点识别过程,设计了用于数据故事化中反转点识别的算法方案,并提出了面向分类模型的反转点识别流程。[结果/结论]将反转点识别算法应用到贷款数据集,证明此算法在数据故事化过程中寻找反转点的有效性,在获得用户期望的预测结果和快速识别反转点方面具有应用价值。