摘要：图划分是分布式图计算中的一项基础工作,其作用是将大规模图进行划分并分配到集群中的不同机器上.图划分的质量对分布式图计算的性能有很大的影响,其目标是降低负载平衡和最小化边割.如今,现实中的图数据通常呈动态增长态势,这就需要一种能够处理动态增量图的划分方法,在图数据动态增长的过程中确保划分的质量不受影响.目前虽然有一些动态图划分算法被提出,但它们不能同时专注于实时处理动态变化和获得高质量的划分结果.提出基于顶点组重分配的动态增量图划分算法(ED-IDGP)来解决大规模动态增量图的划分问题.在ED-IDGP算法中,设计实时处理4种不同单元更新类型的动态处理器,并在每次处理完单元更新后通过在分区发生动态变化的附近执行局部优化器进一步提高图划分的质量.在ED-IDGP的局部优化器中,利用基于改进标签传播算法的顶点组搜索策略搜索顶点组,并利用提出的顶点组移动增益公式衡量最有益的顶点组,将该顶点组移动到目标分区中做优化.在真实数据集上从不同的角度和度量指标评估了ED-IDGP算法的性能和效率.

摘要：针对现有方法在文本分类任务中没有综合考虑文本的层级结构和标签对于文本特征学习的重要性而导致的鲁棒性不足、表达能力不足等问题,提出了一种基于双曲图注意力网络的短文本分类算法L-HGAT。利用文本的复杂层级结构与双曲空间的树相似性特征的契合性,将文本嵌入到具有负常数曲率的双曲空间中,充分利用双曲流行表征的强大表达能力。设计双曲图注意力网络,融合节点特征与边特征,增强对文本中关键局部信息的聚合能力。使用基于双曲空间中的测地线距离的标签文本交互函数进一步引导文本特征学习,以此提升文本分类精度。实验结果表明,与基准模型相比,所提方法在基准数据集上显著优于现有研究方法,能够有效地提升模型性能,更好地完成文本分类任务。

摘要：随着无线网络的广泛应用,面向接受信号强度(RSS)指纹定位的接入点(AP)日益增多,导致一些AP的作用是冗余的,甚至对定位产生不利影响,同时也增加了定位计算的开销。通过对AP进行适当筛选可以一定程度上去除冗余AP,但定位效果会随着AP数量发生较大变化,甚至会增大误差。本文提出一种基于信息区分度的AP有效集构建方法(EID),充分利用指纹信号在不同空间的差异,实现了准确的位置估计。首先,用信息区分度评估AP的定位能力,有效反映出每个AP在不同采样点的区别,展示AP对空间位置的分辨程度。然后,基于AP信息区分度设计更加符合现实环境的增量聚类算法,能根据AP的定位能力得到不同类别的集合并具有较好的鲁棒性。最后,利用点集距离最大原则提出AP有效集选择策略,根据聚类结果和选择要求,选择出合适的AP集合。本文在真实场景下进行实验验证,并与现有的AP选择方法,即基于组判别(GDB)算法、基于软件定义网络(SDN)算法和基于非均匀量化RSS熵(NQRE)算法对比,在减少不低于40%AP数量的情形下,EID将定位精度分别提升了18.7%、11.2%和14.6%。与此同时,本文方法具有更好的稳定性,在95%的情形下定位误差低于1.2 m。

摘要：城市交通流量预测是构建绿色低碳、安全高效的智能交通系统的重要组成部分.时空图神经网络由于具有强大的时空数据表征能力,被广泛应用于城市交通流量预测.当前,时空图神经网络在城市交通流量预测中仍存在以下两方面局限性:1)直接构建静态路网拓扑图对城市空间相关性进行表示,忽略了节点的动态交通模式,难以表达节点流量之间的时序相似性,无法捕获路网节点之间在时序上的动态关联;2)只考虑路网节点的局部空间相关性,忽略节点的全局空间相关性,无法建模交通路网中局部区域和全局空间之间的依赖关系.为打破上述局限性,提出了一种多视角融合的时空动态图卷积模型用于预测交通流量:首先,从静态空间拓扑和动态流量模式视角出发,构建路网空间结构图和动态流量关联图,并使用动态图卷积学习节点在两种视角下的特征,全面捕获城市路网中多元的空间相关性;其次,从局部视角和全局视角出发,计算路网的全局表示,将全局特征与局部特征融合,增强路网节点特征的表现力,发掘城市交通流量的整体结构特征;接下来,设计了局部卷积多头自注意力机制来获取交通数据的动态时间相关性,实现在多种时间窗口下的准确流量预测;最后,在4种真实交通数据上的实验结果,证明了该模型的有效性和准确性.

摘要：低空智联网是低空经济发展的重要基础设施,在这种复杂的系统中,无人机的安全控制面临着空域安全、数据安全及频谱安全等多重安全挑战。为了同时解决这3个问题,本文提出了一个基于区块链的三面协同监管架构,同时使用链上和链下信息。链上包含无人机身份和注册等信息,而链下包含广播式自动相关监视(Automatic dependent surveillance-broadcast,ADS-B)和频谱等信息。为解决跨域认证问题,提出了一种基于ADS-B信息和无证书的高效签名算法。由于ADS-B协议中缺乏纠错机制,ADS-B信息在传输过程中容易受到信道噪声和干扰而产生错误,因此哈希验证可能会失败。为了缓解这种签名失败,设计了一种基于纠错码的跨层签名算法进行纠错。经实践验证,基于区块链的三面协同监管平台已成功试用于长江低空示范试验区。

摘要：针对在脉冲控制下非线性多智能体系统的分组一致性协同控制问题,本文基于复杂系统中智能体间的合作机制,提出了一种新颖的具有领导-跟随网络的分组一致性控制协议.该协议控制智能体仅在脉冲时刻接收来自邻居节点的信息并更新自己的状态,减少智能体因持续接收邻居信息更新自己状态而造成的网络开销.针对不同组之间智能体的信息交互,该协议具有防止组间干扰的机制,降低了不同组之间的通信干扰,提高系统鲁棒性.此外,本文还介绍了一种适用于非线性系统的方案,增强协议的适应性.基于实现分组一致性条件,构建了多智能体系统的动力学模型,并进行了协议的详细设计和理论推导.最后,通过仿真验证了协议的正确性和有效性.

摘要：思维链(Chain of thought,CoT)提示使大语言模型能够按照具体推理步骤处理复杂的任务,让大语言模型在常识推理、数学逻辑推理和可解释性等方面表现出更强的能力。然而,CoT方法的主要缺点在于其对庞大语言模型的依赖,这些模型通常拥有数百亿的参数,在大规模部署方面面临挑战。为此,本文提出一种基于思维链的大模型知识蒸馏方法,主要目标在于充分利用大型语言模型的思维推理能力,通过知识蒸馏技术,引导小模型解决复杂任务。以大型模型为教师模型,小型模型为学生模型,通过获取教师模型的推理数据来微调学生模型。通过更改数据生成方式、基于聚类的问答示例采样、示例启发式纠错以及答案的自适应生成等一系列精心设计的方法,使教师模型的生成过程更高效,生成的推理数据质量更高、数量更多,从而更好地微调学生模型,使其获得强大的推理能力,实现高效的知识蒸馏。这一研究框架旨在建立一个有效的知识传递机制,使得大模型的深度思考能够有效指导小模型,为解决复杂任务提供更为智能且高效的解决方案。通过这种方式,希望能够克服大模型部署的挑战,并促进语言模型在现实世界中的应用和进步。

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：表情识别FER方法通常会受到采集环境和受试者区域、种族等因素的影响。为了提升FER方法的泛化性能,无监督的域自适应表情识别方法UDA-FER成为了研究热点。现有的UDA-FER方法普遍存在2个问题:(1)仅关注对目标域的识别率,导致方法从源域迁移至目标域后,对源域的识别率急剧下降;(2)仅研究基于单个目标域的UDA-FER方法,将现有方法直接应用于多个目标域会导致方法识别率骤降。为解决上述问题,提出了一种类别特征约束的多目标域表情识别方法MTD-FER,实现FER向多个目标域的连续迁移。为了保持对源域的识别率并提高对多个目标域的识别率,MTD-FER设计了类别自适应的伪标签标记CAPL模块和类别特征约束CWFC模块,挑选目标域高质量的样本标记为伪标签,并对齐各个域同类样本的特征,缓解连续迁移导致的灾难性遗忘问题。以RAF-DB为源域,FER-2013和ExpW为目标域,进行大量的实验,证明了MTD-FER的有效性。实验结果表明,与基准方法相比,MTD-FER在多次迁移后,源域识别率提升6.36%,与迁移之前基本持平;在各个目标域性能均有所提升,其中FER-2013性能提升了27.33%,ExpW性能提升了3.03%。

摘要：为了提高可见光通信(Visible Light Communication,VLC)系统的复用增益,本文提出一种基于多输入多输出(Multiple Input Multiple Output,MIMO)的固定比例像素化VLC系统。系统首先执行空间角度映射,使数据的传送可在角域中进行;同时利用Raptor编码方法来跟踪由于窗口截断而引起的数据信道特性变化;然后对于使用高速相机捕捉到的一系列时变图像,利用散景效应获得所有链路距离上的固定比例图像。实验利用液晶显示器和高速相机,对所提出的VLC系统进行了验证。与传统的像素化MIMO系统相比,本文所提出的系统在未对准朝向的情境下具有更高的鲁棒性,从而在多路复用场景有着广泛的应用前景。