摘要：提出了一种基于对比学习的抗癌药物敏感性评估框架(SSLGP)。首先,设计了一种结合对比学习策略的深度自编码器,用于提取高维基因表达特征的有效信息,之后将其放入XGBoost算法中进行训练,构建药物敏感性预测模型。为了评估本框架的预测性能,在8种抗癌药物公开数据集中测试了该方法,并与其他方法进行比较。实验结果表明,本框架总体上取得了较高的AUC指标得分(0.670),和其他方法相比最高提高了10.56%,平均提高了5.18%,证明了其应用于临床辅助指导患者用药选择的价值。

摘要：现有级联非线性加性噪声模型可解决隐藏中间变量的因果方向推断问题,然而对于包含隐变量和级联传递因果关系的因果网络学习存在全局结构搜索、等价类无法识别等问题。设计一种面向非时序观测数据的两阶段因果结构学习算法,第一阶段根据观测数据变量间的条件独立性,构建基本的因果网络骨架,第二阶段基于级联非线性加性噪声模型,通过比较骨架中每个相邻因果对在不同因果方向假设下的边缘似然度进行因果方向推断。实验结果表明,该算法在虚拟因果结构数据集的不同隐变量数量、平均入度、结构维度、样本数量下均表现突出,且在真实因果结构数据集中的F1值相比主流因果结构学习算法平均提升了51%,具有更高的准确率和更强的鲁棒性。

摘要：通过语义分析,提出了一种拓展的粗糙集不确定性度量公理化定义;将香农熵函数推广到严凹函数,提出了一类以条件概率为自变量、基于严凹函数的粗糙集不确定性度量公式,它是严凹函数值的加权平均.在此基础上,得到一系列粗糙集不确定性度量方法.从严凹函数视角讨论了基于模糊熵的不确定性度量方法,发现现有多种能够用于度量粗糙集不确定性的模糊熵函数都是所提出方法的特殊情形.比较了粗糙度、改进粗糙度和所提出方法的区别和联系,最后设计了一些算例,比较了各种方法的异同,验证了基于严凹函数的粗糙集不确定性度量与粗糙集不确定性语义是一致的.

摘要：观测数据因果关系挖掘是很多学科的基础问题。然而基于约束与因果函数等的现有方法对数据的因果机制具有较强的假设,一般适用于低维数据,并不能很好地适用于存在隐变量的场景。为此,提出了一种基于信息瓶颈的因果关系挖掘方法,称为因果信息瓶颈方法。该方法将因果机制划分为压缩与提取两阶段,在压缩阶段,假设存在一个经过压缩的中间隐变量,在提取阶段,可能保留与结果变量相关的信息。在上述建模的基础上,通过推导其变分上界,设计了一种的基于变分自编码机的因果关系挖掘方法。实验结果表明,基于信息瓶颈的方法在合成数据中准确率提升了10%,在真实数据中准确率提升了4%。

摘要：从系统思维的角度给出几类一阶和二阶微分方程的求解的教学方案.实践表明,这样的设计有利于引导学生重新发现数学,从而培养他们的数学思维能力.

摘要：在全面推进课程思政建设的背景下,以数学实验课程的矩阵计算为例,找出教学中的痛点问题,从教学背景、教学方法与设计、教学步骤与教学总结方面探究了思政教学的主要实施路径与措施,同时探讨了该课程的考核与评价方式。总结得出,教学中要深入挖掘思政元素落实立德树人根本任务,针对教学中的痛点问题,要以学生为中心,充分运用现代信息技术实现教学创新,使学生树立正确的人生观,进一步培养学生的实践能力和综合素质。

摘要：勤工俭学是国家为贫困学子提供扶助的一个重要助学项目,在国家脱贫攻坚战略上起到很大作用。但是在通过了解后,我们发现各大高校勤工俭学工资的申报与发放制度存在许多问题:一方面是高校普遍采用了线下工资申报与发放导致了工资发放周期长,另一方面是申报流程不具有透明性,影响了学生勤工俭学的积极性。因此,开发一个实时、透明、便于操作的工资申报系统刻不容缓,本文构建了一种基于Django框架的勤工俭学工资申报系统,用于解决勤工俭学工资申报与发放繁杂且困难的情况。基于Django框架的勤工俭学工资申报系统运用Python语言进行开发,采用的是django框架,是利用MVT设计模式开发出来的web服务型应用系统。通过使用易班的oauth2.0接口接入易班第三方登录,登录页面实现易班联合登录模块,适用于绝大多数高校,在成本和效率上大大改进了传统的勤工俭学工资申报方法,具有很大的应用前景。

摘要：本文针对新时代高校理工科专业师德师风建设长效机制工作所存在的不足,以规范指引、执行管理、研讨调查、评价激励等四方面开展研究。本文充分提炼新时代高校理工科专业特点与师生特点,提出层级规范指引建设机制,构建以教师-学生-学科以主体的师德师风执行保障机制,设计以教学-科研-师生关系为主线的师德师风研讨调查机制,并形成以教师自评-学生评价-学院考评-学校监督为主基本体系的师德师风评价激励机制,建立行之有效的新时代高校理工科专业师德师风建设长效机制,为新时代高校理工科专业师德师风建设提供体系参考与机制借鉴。

摘要：为在基于隐变量模型的因果关系发现算法中综合考虑隐变量之间的瞬时性和延时性因果效应,构建以动态贝叶斯网络为基础的时序隐变量模型,提出对应的因果关系发现算法。使用因子分析的方法估计测量模型中的因子载荷矩阵,应用结构向量自回归模型估计自回归矩阵,利用数据的非高斯性依次学习模型中隐变量之间的瞬时效应矩阵与延时效应矩阵,构建时序隐变量模型的因果网络结构。实验结果验证了算法的有效性。

摘要：针对射频链路接收信号强度(RSS)基准值易受环境因素影响,以及兴趣目标与环境耦合引发的多径干扰所造成的射频层析成像性能衰退问题,提出基于鲁棒子空间学习和时空信息素的抗干扰成像方法。链路RSS表示为环境相关的背景和目标运动相关的前景两部分,构造RSS时间序列矩阵,其中背景部分通过矩阵低秩性建模,前景通过混合高斯分布建模,形成对RSS测量噪声鲁棒的MoG-LRMF模型,设计EM算法求解模型参数以获得前景信息。以此为基础实现目标成像,根据目标运动具有时空相关性的特点,引入时空信息素图抑制多径干扰噪声,提高目标定位的精度和鲁棒性。实验结果表明,本方法在室内及室外均表现良好,对于存在外部物体运动或阻挡的情况下仍能有效实现单(双)目标的成像,具有较好的抗干扰性、鲁棒性和快速性。