摘要：高阶关联广泛存在于现实世界中,如社交网络、生物网络、交通网络等,建模及优化高阶关联对于网络属性研究和演化趋势预测具有重要意义.超图是一种灵活的数据结构,能够自然地建模高阶关联.近年来,随着深度学习的发展,基于超图建模的超图神经网络被广泛应用于面向高阶关联的表示学习.然而,现有的超图神经网络均基于直推学习范式,虽然在小规模超图数据集上取得了不错的效果,但难以应用到大规模数据上,限制了其应用范围.本文首先分析了现有超图神经网络方法在大规模数据上应用的挑战,然后针对该问题提出了面向大规模数据的高效超图神经网络方法(efficient hypergraph neural network,EHGNN).针对现有方法空间、时间复杂度过高的问题,EHGNN分别设计了超图采样模块和基于单阶段超图卷积的计算加速模块,同时降低了超图神经网络的空间开销和时间开销,使得超图神经网络适用于大规模超图数据,显著增强了可扩展性.在4个真实超图数据集上的实验结果验证了EHGNN的有效性和高效性.

摘要：光场为三维世界中光线集合的完备表示。通过记录更高维度的光线数据,光场能够准确感知周围复杂多变的动态环境,支撑智能系统对环境的理解与决策。计算光场成像技术围绕光场及全光函数表示,旨在结合计算、数字传感器、光学系统和智能光照等技术,以及硬件设计、软件计算能力,突破经典成像模型和数字相机的局限性,建立光在空域、视角、光谱和时域等多个维度的关系,实现耦合感知、解耦重建与智能处理,具备面向大范围动态场景的多维多尺度成像能力。光场成像技术正逐渐被应用于生命科学、工业探测、国家安全、无人系统和虚拟现实/增强现实等领域,具有重要的学术研究价值和广阔的产业应用前景。然而,伴随着高维数据的离散化采样,光场成像面临空间分辨率与视角分辨率的维度权衡挑战,如何对稀疏化的采样数据进行光场重建成为计算光场成像及其应用的基础难题。与此同时,受制于光场信号的高维数据感知量,光场处理面临有效数据感知与计算高效性的矛盾。如何用光场这一高维信息采集手段,取代传统二维成像视觉感知方法,并结合智能信息处理技术实现智能化高效感知,是实现光场成像技术产业化应用的巨大挑战。对过去20年来计算光场成像装置与算法的研究进行概述和讨论,内容涵盖光场表示和理论、光场信号采集、空间与视角维度重建等。

摘要：空间位置与从众行为是影响紧急情况下人员疏散的两个重要因素,该研究在于探讨这两个因素在人们的逃生决策中究竟如何发挥影响作用。研究采用3(空间位置)×4(人数分布)被试内实验设计对随机选取的60名大学生进行研究。结果发现,空间位置和人数分布均对疏散行为有显著影响,且两者之间存在显著的交互作用。多数人在对逃生出口选择时,距离出口的远近(所处的空间位置)是最先考虑的因素,有少部分人会表现出从众行为,而忽略空间位置。当所处位置在中间时,人数分布成为影响决策的重要因素。这说明空间位置和人数分布影响了人们的从众行为,进而影响逃生决策。

摘要：当前以深度学习代表的人工智能技术所能解决的问题往往需要具有大量可以借鉴学习的训练集,同时要求所获取的信息是完备的.但在复杂时变的真实应用环境中,采集到的数据往往包含大量噪声与不确定性,且仅包含环境的局部信息,导致了基于深度学习的人工智能应用的局限性.而在同样环境下,人类却往往可以依靠直觉做出较为迅速且适宜的判断,这为我们发展新的人工智能理论解决上述问题提供了灵感.本文系统地对人类直觉的概念、机理、类别等内容进行论述,分析了不同学科已有相关研究进展及存在的不足.在此基础上,提出了机器直觉这一新的交叉学科研究方向,并给出了实现机器直觉的基本准则,以及通过让机器实现类似甚至超过人类的直觉能力、赋予机器洞察力与创造性的研究目标.本文尝试设计了机器直觉的通用整体架构,确定了全息感知、直觉认知、直觉决策和博弈行动几个主要功能模块的基本原理和内涵.最后,从脑科学、认知科学、人工智能等多学科交叉研究角度,对机器直觉的应用与未来研究方向进行了展望,为后续展开机器直觉的研究提供方向性指引.