摘要：联邦学习作为一种新兴的分布式机器学习范式,在物联网应用中能有效保护数据隐私,但仍存在模型更新效率低和实时性差等问题。为此,提出将分布式联邦学习与联盟博弈相结合的新模型,在该模型中客户端通过权衡形成联盟的收益和成本合作进行联邦学习。由于物联网中设备资源的有限性,提出在联盟中选择领导者协调训练过程。为了引导客户端自适应地形成联盟,同时确保更新模型的精度和效率,设计了一种分布式联盟形成算法。通过联盟合并和拆分操作的不断执行,寻找到最终的联盟分区,最大化合作设备的效用。为了实现联盟成本的公平分配,提出了一种成本分摊机制,维持算法给定结果的稳定性。最后,通过与其他策略的实验对比分析,验证了所提出模型的有效性。

摘要：关系抽取是一项基础且重要的任务,旨在从非结构化文本中提取出实体之间的关系。最近研究证明,大型语言模型(LLM)和基础模型相结合可以改进许多自然语言处理(NLP)任务的性能。这些模型利用深度学习和预训练模型的语言表示能力,能够自动学习关系的语义特征。有效利用大模型来解决实体重叠和信息交互差等问题仍是一个挑战。针对以上问题,提出基于大语言模型的关系抽取算法。对大型语言模型Meta AI(LLa MA)进行微调训练,使其更加适应关系抽取的任务,在提取关系的基础上,使用自注意力机制增强实体对之间关联程度,增强关系和实体之间的信息共享,接着使用平均池化泛化到整个句子中。针对实体对设计一个过滤矩阵,并引入词性信息进行语义增强,根据过滤矩阵中实体对的相关性过滤掉无效的三元组。实验结果表明,该算法在纽约时报(NYT)和Web NLG公开数据集上的F1值结果分别为93.1%、90.4%。在微调之后的LLa MA模型作为编码器的情况下,所提算法在准确率和F1值指标上均优于基线模型,验证了算法的有效性。

摘要：现有大多数推荐方法学习的是每个特征的固定表示,然而用户行为偏好随上下文特征发生变化,特征在上下文中具有不同的重要性,因此,特征的固定表示造成模型给出的推荐结果不准确。为解决此问题,本文提出基于深度因式分解机并融合信息提取单元和交叉网络结构的混合推荐模型(deep and cross factorization machine information extraction unit,IEU-DeepCFM)。首先,自注意力机制和上下文信息提取器组成的信息提取单元模块对不同上下文中的每个特征学习上下文感知特征表示;然后,利用深度交叉因式分解机在提取用户低、高阶特征的同时来挖掘用户更多的显式交叉信息;最终实现对用户行为特征的点击率预测。在MovieLens电影数据集和Avazu广告点击率数据集上进行消融和对比实验,结果表明,本文所提出的模型在AUC和LogLoss指标上均得到提高和改善,证明了该模型的合理性。

摘要：随着虚拟社区在网络用户中的普及,虚拟社区群已经成为一个小型社会,可通过用户浏览所留下的“虚拟痕迹”和发布的用户生成内容提炼出与用户相关的隐私类型资源。根据隐私类型资源自身的特性,可将其分类为数据资源、信息资源和知识资源,三者构成了用户的数据信息知识与智慧图谱(DIKW图谱)。虚拟社区中的隐私类型资源有4个流通过程,即隐私资源的感知、存储、传输和处理;4个过程分别由3个参与方(用户、AI系统和访问者)单独或合作完成,3个参与方所拥有的隐私权包括知情权、参与权、遗忘权和监督权。通过明确3个参与方在4个流通过程中的隐私权范围,结合隐私价值保护,设计了匿名保护机制/风险评估机制和监督机制,用于构建一个虚拟社区隐私保护的AI治理法律框架。

摘要：手势识别是人机交互中极为重要的一项技术,具有较高的理论和实践探究价值。但由于手势所处背景的复杂性、个体的差异性等原因,手势识别成为一个富有挑战性的课题。因此迫切需要设计一种高效准确的手势识别算法,用以对目标手势进行有效的检测和识别。文中提出了一种改进的手势分割和手势特征提取方法,利用SVM分类器构建手势模型,对手势进行分类识别。在YCrCb颜色空间的基础上,融合OTSU阈值处理法选取阈值分割手势,提高分割的准确度;在边缘检测的基础上,使用椭圆傅里叶描述子拟合边缘,提取手势特征。实验结果表明,运用上述算法所建立的系统能够十分高效地提取手势特征信息,且在简单背景下对13种常见手势的平均识别准确率达到89.96%,能够基本满足对手势识别的精确度和稳定性的要求。

摘要：垂直检索系统中主题爬虫的性能对整个系统至关重要。在设计主题爬虫时需要解决两个问题:一是计算当前页面与给定主题的相关度,二是计算待爬取URLs的访问优先级。对第一个问题,给出利用页面的主题文本块和相关链接块的相关度计算方法;对第二个问题,给出基于主题上下文和四种不同的粒度(即站点级、页面级、块级和链接级)的优先级计算方法。在此基础上,提出基于上述方法的主题爬取算法。实验证明,新算法在不增加时间复杂度的前提下,在查准率和信息量总和方面明显优于其他三种经典的爬取算法。

摘要：针对现有香蕉秸秆粉碎还田机存在的秸秆纤维缠绕、秸秆粉碎不彻底等问题,对卧式香蕉秸秆粉碎还田机的关键部件进行优化。设计了机具的整体结构,通过降低刀辊高度提高机具稳定性,在一定程度上避免香蕉秸秆纤维缠绕。合理设计传动路线,加入同步装置,避免两侧传动不同步对机具造成损伤,以齿轮传动替代皮带传动减少动力损失。对粉碎装置中的刀辊和粉碎刀具进行设计研究。通过受力分析、强度校核等方式确定刀型、弯折角、刀片厚度、安装倾角等结构参数。粉碎刀具采用对称交错的排列方式排列,减少刀轴作业时产生的振动影响,且切断速度低,使得机具功耗降低。通过田间试验,分别对机具前进速度、粉碎刀辊转速进行单因素试验,得出合理参数组合,即机具前进速度为0.7m/s、粉碎刀辊转速为1200r/min时,香蕉秸秆粉碎合格率为95.94%,工作效率为0.414hm^(2)/h,满足还田要求。

摘要：实时竞价(RTB)是在线展示广告中被广泛采用的广告投放模式,针对由于RTB拍卖环境的高度动态性导致最佳出价策略难以获得的问题,提出了一种基于强化学习(RL)的出价策略优化方法,即采用带惩罚的点概率距离策略优化(POP3D)算法来学习最佳出价策略。在基于POP3D的出价框架中,广告投标过程被建模为情节式的马尔可夫决策过程,每个情节被划分为固定数量的时间步,每个广告展示的出价由它的预估点击率大小和竞标因子共同决定。每个时间步,竞标代理都会根据上一时间步的拍卖情况对竞标因子进行调整,以使得出价策略能够适应高度动态的拍卖环境,竞标代理的目标是学习最佳的竞标因子调整策略。在iPinYou数据集上的实验结果表明,与DRLB算法相比,所提出价算法在预算比例为1/16和1/32时,在点击次数方面均提升了0.2%;当预算比例为1/8、1/16和1/32时,在赢标率方面分别提升了1.8%、1.0%和1.7%;另外,在稳定性方面,所提方法也具有优势。表明了该方法的优越性。

摘要：黏菌优化算法(SMA)和算术优化算法(AOA)是最近提出的新型元启发式优化算法。SMA算法具有较强的全局探索能力,但迭代后期振荡作用较弱,易陷入局部最优,且收缩机制不强,导致收敛速度慢。AOA算法利用乘除算子进行位置更新,随机性强,具有较好的避免早熟收敛能力。针对上述问题,将两种算法结合并利用随机反向学习策略提高收敛速度,提出一种性能优越且高效的融合随机反向学习策略的黏菌与算术混合优化算法(HSMAAOA)。改进算法保留了SMA全局探索部分位置更新公式,局部开发阶段将乘除算子替换SMA收缩机制,提高算法随机性与跳出局部极值的能力。此外,通过随机反向学习策略增强改进算法种群多样性,提高收敛速度。实验结果表明,HSMAAOA算法具有良好的鲁棒性以及寻优精度,且明显提升了收敛速度。最后,通过焊接梁设计问题与压力容器设计问题,验证了HSMAAOA在工程问题上的适用性与有效性。

摘要：针对传统教与学算法存在易陷入局部最优、收敛速度慢和求解精度低等问题,提出一种融合经验反思机制的教与学优化算法(empirical reflection teaching learning based optimization,ERTLBO)。首先在教学阶段引入经验反思机制,遴选精英个体引导普通个体向教师靠近,提高班级整体水平,从而提高算法全局探索能力。其次在学习阶段引入动态自适应权重,能够根据学生的适应度值对位置进行自适应扰动,进而实现个体位置的动态更新,提高算法跳出局部最优的能力。仿真实验选取23个基准测试函数对ERTLBO同其他变体和流行算法进行性能测试。实验结果表明,ERTLBO算法具有更好的寻优性能和求解稳定性。最后,通过2个工程设计问题进一步验证ERTLBO解决实际问题的有效性和优越性。