摘要：Negabent函数是一种具有最优自相关性、较高非线性度的布尔函数,在密码学、编码理论及组合设计中都有着广泛的应用。该文基于有限域上的迹函数,将其与置换多项式相结合,提出两种构造negabent函数的方法。所构造的两类negabent函数均具备Tr_(1)^(k)(λx^(2^(k)+1))+Tr_(1)^(n)(ux)Tr_(1)^(n)(vx)+Tr_(1)^(n)(mx)Tr_(1)^(n)(dx)形式:构造方法1通过调整λ,u,v,m中的3个参数来获得negabent函数,特别地,当λ≠1时,能得到(2^(n-1)-2)(2^(n)-1)(2^(n)-4)个negabent函数;构造方法2通过调整λ,μ,v,m,d中的4个参数来获得negabent函数,特别地,当λ≠1时,至少能够得到2^(n-1)[(2^(n-1)-2)(2^(n-1)-3)+2^(n-1)-4]个negabent函数。

摘要：多维标度分析(MDS)是一种用于分析和可视化数据之间相似性或距离关系的统计方法,它通过将数据点映射到低维空间中的坐标来表示它们之间的相对距离或相似性.多维标度问题的古典解通过对(非欧氏型)距离矩阵平方进行双中心化处理,进而通过截断特征值分解寻求低维的拟合构造点.本文对距离矩阵平方进行直接拟合,重构问题为零列和Stiefel子流形和线性流形约束下的矩阵优化模型,并结合乘积流形几何性质,设计一类自适应问题模型的基于Zhang-Hager技术拓展的黎曼梯度下降求解算法.数值实验说明通过直接拟合能得到误差更小的拟合欧氏距离矩阵,且所提算法与已有投影梯度流算法及黎曼优化工具箱中的黎曼一阶和二阶算法在迭代效率上有一定的优势.

摘要：研究来源于特征提取中的一类鲁棒判别回归模型,该模型问题可以重构为Stiefel流形和线性流形组成的乘积流形约束下的一类矩阵迹函数极小化问题.整合紧流形和线性流形,结合乘积流形几何性质,本文设计适用于求解重构问题简化版本的一类基于Zhang-Hager技术拓展的乘积流形黎曼非线性共轭梯度法,并给出算法全局收敛性分析.数据实验表明所提算法对于问题求解是高效可行的,且与已有算法、其它黎曼梯度类算法及黎曼优化工具箱中已有的黎曼一阶和二阶算法相比在迭代解精度或迭代效率上有一定优势.

摘要：为了更加有效的求解大规模无约束优化问题,本文基于自调比无记忆BFGS拟牛顿法,提出一个自适应双参数共轭梯度法,设计的搜索方向满足充分下降性,在一般假设和标准Wolfe线搜索准则下,证明该方法具有全局收敛性,数值实验结果证明提出的新算法是有效的.

摘要：逻辑回归作为一种典型的机器学习算法,被广泛应用于医疗诊断、金融预测等领域。由于单个用户没有足够的样本构建高精度模型,传统的集中式训练则会导致隐私泄露,因此构建具有隐私保护的逻辑回归模型受到广泛关注。现有的要求用户和服务器之间进行交互的方案具有较高的计算成本和通信负担。提出一种高效的非交互式逻辑回归训练协议,利用具有良可分离结构的梯度更新公式,解耦样本数据和模型参数之间的计算耦合性,保证用户与服务器之间的单向单次传输性,即用户将本地数据整合并以秘密共享的方式上传给云服务器后即可离线。在训练阶段设计基于矩阵和向量运算的协议,保证服务器在每次迭代中使用固定的信息更新参数,降低计算成本和通信开销。同时,基于协议的安全性分析和数值实验,在UCI库的4个真实数据集上训练逻辑回归模型,实验结果表明,在保证模型精度的前提下,与最新的隐私保护逻辑回归方案VANE相比,该回归模型效率提升了80~120倍,且训练时间与明文域相近。

摘要：研究来源于复杂系统离散逼近中的一类可拓展概率逼近模型,欧氏空间中该问题模型可重塑为一类由线性流形和斜流形组成的乘积流形约束矩阵优化问题.结合乘积流形的几何性质,基于Zhang-Hager技术拓展,本文设计一类适用于问题模型的黎曼非线性共轭梯度法,并给出算法全局收敛性分析.数值实验验证所提算法对于问题模型求解是高效可行的,且与其它黎曼梯度类算法及黎曼优化工具箱中已有的黎曼梯度类算法和二阶算法相比在迭代效率上有一定优势.

摘要：研究含参数l非方矩阵对广义特征值极小扰动问题所导出的一类复乘积流形约束矩阵最小二乘问题.与已有工作不同,本文直接针对复问题模型,结合复乘积流形的几何性质和欧式空间上的改进Fletcher-Reeves共轭梯度法,设计一类适用于问题模型的黎曼非线性共轭梯度求解算法,并给出全局收敛性分析.数值实验和数值比较表明该算法比参数l=1的已有算法收敛速度更快,与参数l=n的已有算法能得到相同精度的解.与部分其它流形优化相比与已有的黎曼Dai非线性共轭梯度法具有相当的迭代效率,与黎曼二阶算法相比单步迭代成本较低、总体迭代时间较少,与部分非流形优化算法相比在迭代效率上有明显优势.

摘要：截断奇异值分解是一类非常重要的矩阵分解,其在病态模型问题分析等领域有广泛的应用.该文主要研究复矩阵截断奇异值分解的有效算法,将问题转化为复Stiefel乘积流形上的黎曼优化问题,进而设计基于乘积流形的黎曼混合牛顿法求解.为有效求解黎曼牛顿方程,从降低系统维数和简化计算入手,通过克罗内克积和复矩阵拉直算子将其转化为易于求解的标准实对称线性方程组.数值实验和数值比较验证该文所提算法针对复矩阵截断奇异值分解问题是高效可行的.

摘要：传统基于人体骨架的自监督学习方法常用对比学习模块进行表征学习,而现有对比学习模块使用数据增强方法来构建相似的正样本,其余样本皆为负样本,这限制了同类样本的语义信息表达。针对上述问题,提出一种图对比学习与跨尺度一致性知识挖掘的动作识别算法。首先,基于骨架图结构设计了一种新的数据增强方法,对输入的骨架序列进行随机边裁剪,得到两个不同的扩增视图,加强了同一骨架序列不同视图间的语义相关性表达;其次,为缓解同类样本嵌入相似度较低的问题,引入自监督协同训练网络模型,利用同一骨架数据源的不同尺度间的互补信息,从一个骨架尺度获取另一个骨架尺度的正类样本,实现了单尺度内关联及多尺度间语义协同交互;最后,基于线性评估协议对模型效果进行评估,在NTURGB+D60与NTURGB+D120数据集的实验结果表明,本文所提方法在识别精度上较前沿主流方法平均提升了2%~3.5%。

摘要：传统基于骨架数据的自监督方法常将某一样本的不同增强作为正例,将其余样本均视为负例,这使得正负样本的比例严重失衡,限制了相同语义信息的样本发挥作用。针对上述问题,提出了一种正样本不受数据增强限制的双重最近邻检索动作识别算法DNNCLR。首先,基于人体关节的物理连接设计了一个新的关节级空间数据增强,即Bodypart增强,对输入的骨架序列用正态分布数组随机替换,以获得高级语义嵌入;其次,为避免正样本受数据增强的限制,提出了一种更合理的双重最近邻检索(DNN)正样本扩充策略,进一步提出了双重最近邻检索对比损失DNN Loss。具体为利用支撑集进行全局检索,将正样本集的寻找范围扩展到普通数据增强无法覆盖的新数据点;而负样本集中存在被误判的正样本,其是来自不同视频但语义信息相同的骨架样本。为此,再一次利用最近邻检索,从负样本集中寻找这种潜在的正例,二次扩展正样本集,并进一步提出双重最近邻检索对比损失,迫使模型学习更多的一般特征表示,使得模型优化更加合理。最后,将DNNCLR算法应用在AimCLR模型上,得到AimDNNCLR模型,并在NTU-RGB+D数据集上对该模型进行了线性评估,与前沿模型相比,所提方法在精度上平均提升了3.6%。