摘要：该文针对当前法律智能体系可解释性差、低频易混淆法因预测效果不佳、民事纠纷研究过少的问题,设计了一种可解释性层次法因预测IHLCP模型,并将法因之间的层次依赖关系作为模型可解释性的来源进行了研究。模型首先基于案件的语义差异性对事实描述进行编码,然后通过改进的seq2seq-attention模块来预测法因路径,并利用法因内部的文本信息过滤事实描述中的噪声信息,以获得可靠的预测效果。该文设计的IHLCP模型在CIVIL、FSC和CAIL这三个大规模公开数据集上分别达到了当前最好的效果(CIVIL数据集:ACC-91.0%,PRE-67.5%,RECALL-57.9%,F1-62.3%。FSC数据集:ACC-94.9%,PRE-78.8%,RECALL-75.9%,F1-77.3%。CAIL数据集:ACC-92.3%,PRE-90.9%,RECALL-89.7%,F1-90.3%),其中ACC和F1值分别最高提升了6.6%和13.4%。实验结果表明,该设计能够帮助系统理解法因,弥补了当前法律智能体系在低频、易混淆法因预测上的不足,同时提升了模型的可解释性。

摘要：目前,中文短文本因其长度短、结构多样和缺乏上下文等特点,常规多标签分类算法无法对其有效区分。针对以上问题,论文提出一种基于深度学习的中文短文本多标签分类模型CRC-MHA。CRC-MHA模型在文本表示层摒弃常规使用Word2vec进行静态词嵌入的方式,采用BERT对输入句子进行动态词嵌入,借助海量预训练文本的优势更好地表征文本的上下文语义,同时在特征提取层设计了一种结合CNN、RCNN和多头自注意力机制的并行特征提取策略,加强捕捉文本内部的关键特征来提升多标签分类效果。实验结果表明,CRC-MHA模型在评价指标加权平均F1值上较BERT模型提高1.95%,较BERT-CNN模型提高0.42%,较BERT-RCNN模型提高0.34%,验证了模型的有效性。

摘要：和同构图相比,异构图包含多种节点类型和关系类型,可以表征更丰富更复杂的内容。文中提出了一种基于异构图嵌入的恶意软件检测方法,从威胁情报平台得到恶意样本的基本信息和行为报告,提取出报告中的函数调用行为、文件行为和注册表行为,构造出包含软件及其动静态特征的异构图;根据设计的元模式在图上随机游走生成语料库,通过嵌入模型得到特征向量;将嵌入降维后的特征向量送入分类器进行分类完成检测。实验筛选了4902个样本用于验证方法效果,结果表明提出的方法检测准确率达到99.1%,可以有效检测恶意软件。

摘要：针对小数据集复杂文本验证码识别,使用传统的机器学习方法存在去噪难和分割难的问题,使用深度学习方法需要大量数据增加泛化性,数据不足容易导致过拟合。根据验证码的特点,提出了基于字符分割的小数据集复杂文本验证码识别方法,使用pix2pix做文本去噪,使用目标检测网络YOLOv4分割单字符,使用KNN算法进行分类。实验结果表明,该方法的单字符识别准确率达98.7%,优于开源模型的识别结果,验证了该方法在破解小数据集复杂文本验证码上的可行性和有效性。

摘要：该研究通过处理平安银行股票数据生成十个比较有代表性的技术分析指标,将技术指标的值经过预处理后分别作为基于机器学习的多元线性回归、BP神经网络和LSTM神经网络三种模型的输入,通过模型训练来预测股票的涨跌,然后比较三种模型在预测准确率以及回测中年化收益率的表现,证实LSTM神经网络模型对于非线性的股票走势预测效果最好。然后设计改进了一种基于LSTM模式分类的交易择时策略,获得了更高的年化收益率,并且这种策略可行性更高,最后说明利用LSTM模型进行量化交易是可行的。

摘要：拥塞控制技术是数据中心网络中实现超低延迟、高带宽和网络稳定的关键。现有的拥塞控制技术难以同时兼顾低延迟、高带宽和网络稳定。因此,提出一种基于网络感知的拥塞控制机制,利用网络带内遥测技术获取精确的链路负载信息,精确控制流量。通过解决拥塞期间的延迟信息和对信息的过度反应等问题,实现快速收敛以利用空闲带宽,避免拥塞。测试结果表明在小型数据中心网络中,采用本文设计的拥塞控制机制与dcqcn算法进行比较,当流量较小时,在前99%流量的情况下流放缓比的值前者仅为后者的10%左右。

摘要：【目的】采用机器学习的方法对30 Tbit/s(60×500 Gbit/s)奈奎斯特双偏振—16进制正交幅度调制(DP-16QAM)在G.654E光纤中传输6300 km传输系统的传输结果进行非线性均衡,降低传输误码率(BER)。【方法】借鉴卷积神经网络的“感受野”机制,设计“卷积核”大小,根据划分采样数据构造数据集。选取并调试合适的参数构造人工神经网络。采集在C波段的不同波长、不同光信噪比和不同入纤功率发送和接收一一对应的数据,参照经典全连接神经网络结构,根据数据集数据结构来构建神经网络,并对实部和虚部分别进行网络拟合,训练完成后将测试数据集送入网络,在这3个方面分别进行计算并与传统方法进行比对。【结果】文章采用两种神经网络拟合了C波段频率在191.5625~195.9875 THz 60个不同波长传输条件下的传输BER,在与最大似然序列估计(MLSE)算法的对比中,网络1和网络2 BER分别平均降低了23%和41%。在数据中选择了频率为193.8125 THz的光进行入纤功率范围为14~19 dBm的计算,网络1和网络2 BER分别平均降低了32%和52%。在不同光信噪比下,网络1和网络2 BER分别平均降低了30%和57%。【结论】引入的两种神经网络在相干传输系统的非线性均衡中都有不俗的表现。同时,网络层数和节点数会共同影响拟合结果,一般说来,增加层数和节点数可以获取更好的拟合效果,但与之对应的便是模型参数的增多、占用空间的增大和训练时间的增长,所以在应用中应考虑实际情况,在拟合效果和模型属性中进行取舍。

摘要：区块链已广泛应用于货币金融、通信网络、信息安全、物联网、电力运行管理和社会职能管理等多个领域,但依然存在许多急需解决的问题。共识算法是区块链的核心技术之一,是区块链各节点达成一致性最为重要的底层技术,是解决区块链吞吐量太小、通信存在延迟等一系列问题的关键技术,是区块链安全运行的重要保证。文中基于区块链共识算法的设计原理,主要介绍了区块链的构成、分类、架构、上链、节点处理流程及存在的问题,重点阐述了现有PoW、PoS、DPoS、PBFT、Raft、Paxos、Ripple等共识算法设计思路、共识理论及流程,对共识算法中的共性问题,即算法优化、算法效果进行了综合概述和分析,并对区块链共识算法研究进行了展望,希望开发出更加高效、安全的共识算法。

摘要：由于语音的复杂与多变,传统声学方法并不能很好地提取出语音的公共特征,容易受到训练数据中说话人发声特点差异的影响,造成模型的不稳定并影响其精度。针对这一问题,文章提出利用语音特征的聚类中心替代原语音特征进行BERT模型预训练的方法,通过与普通BERT模型对比在自动语音识别(Automatic Speech Recognition,ASR)下游任务的表现,证明了对语音特征进行的聚类操作在聚类中心数量合适的情况下,聚类后的BERT模型拥有更好地下游任务契合度,聚类中心数量为100的预训练模型错词率比普通预训练模型降低了2.32%。