摘要：车联网与人工智能结合推动了自动驾驶汽车的快速发展.分散于不同车辆中的车联网数据共享并用于训练人工智能模型可实现更高效、更可靠的智能驾驶服务.自动驾驶汽车可通过车载摄像头、传感器等持续采集车辆实时信息、道路图像和视频等车联网数据,并用于优化更新智能交通模型,弥补车联网数据变化导致的模型准确度下降问题.提出面向车联网环境下数据持续共享的高效安全联邦学习方案SEFL,以解决车联网数据采集低效、数据动态更新导致的灾难性遗忘、模型训练参数导致的隐私泄露等问题.在方案SEFL中,车辆基于全局模型,只采集模型识别率较低的车联网数据,并以最大概率对应的输出作为该样本的标签,完成训练样本自动采集.由于车辆存储空间有限,采集的新样本会覆盖旧样本,导致车辆上数据是动态变化的,传统微调训练方式容易引起灾难性遗忘问题.为此,方案中设计了一种基于双重知识蒸馏的训练算法,确保模型学习到每个样本的知识,使模型保持较高的准确度.此外,为了防止车辆与服务器之间传播的模型参数泄露用户隐私,提出了一种自适应的差分隐私策略来实现客户端级的强隐私保护,同时该方案能最大限度地减少差分隐私噪声对全局模型准确度的负面影响.最后,进行了安全性分析并结合交通标志数据集GTSRB和车辆识别数据集对SEFL方案进行了性能评估.实验结果表明所提出的SEFL方案能提供可靠的强隐私保护和高效的采集策略,并且在模型准确度方面要优于现有基于联邦学习的算法.

摘要：针对传统人驾车(HV)和网联自动车(CAV)组成混合交通条件下的快速路道路缩减瓶颈问题,从群体控制角度,提出了一种新的速度协调控制策略(简称节流控制策略);基于瓶颈交通状态和Greenshields模型,设计了领航CAV速度控制器;面向CAV节流群体组群过程的控制问题,提出了目标切换下的非线性控制器;构建了CAV节流群体类队列控制器,实现了基于瓶颈交通状态的群体形态与群体速度动态调节,进而联合领航CAV速度控制方法,周期性管控超过每组节流群体的车辆;提出了CAV纵向安全控制器来解决组群和群体演化过程的车辆安全问题。仿真结果表明:在快速路瓶颈路段下,对比传统交通系统,提出的动态节流控制策略CAV渗透率达到5%,在车流量分别为2000、3000、5000、6000 veh·h^(-1)条件下,可对应分别提高通行效率约5.87%、16.97%、11.07%、10.25%;在固定车流量为3000或6000 veh·h^(-1)的快速路混合交通瓶颈路段中,对比传统交通系统,若CAV渗透率分别为10%、20%、30%,受控交通系统的通行效率可提升约24%;通过对车头间距分析,受控CAV在节流全过程中无碰撞事故发生,且可与前车保持9 m以上安全距离。可见,节流控制策略在应对快速路瓶颈问题是有效的。

摘要：通过用户多行为进行推荐任务中,各个行为通常不是独立作用的,行为之间的协同作用和依赖关系挖掘更能增强用户行为模式建模,反映用户偏好.而用户多行为关系的引入也会增加用户物品交互图与表征空间中的异质性(heterogeneity).针对上述问题,本文设计了一种基于异构图的双通道交叉自适应对比学习推荐模型MB-DCAC(Multi-Behavior Recommendation through Dual-channel Cross-Adaptive Contrast learning),创新性的从异构数据卷积过程构建对比学习方案,并基于异构连接进行表征属性增强,以提升模型挖掘用户行为模式与表达能力.实验结果表明,本文模型在Tmall、IJCAI-Context、Beibei三个数据集上,相较于基准模型在HR@10指标上分别提升了16.7%、18.3%、2.76%.且模型在挖掘多行为之间的依赖挖掘等任务上表现优异.

摘要：近年来,随着推荐系统研究的不断深入,推荐系统的公平性受到越来越多关注.流行度偏差也即流行的物品比非流行的物品更容易被推荐,是影响其公平性的重要因素之一.流行度偏差对推荐系统的各利益相关者都有严重的影响,引起研究者的广泛关注.相关研究主要通过推荐结果重排或学习过程中融合正则化项提升非流行物品的曝光率,而非流行物品的交互数据极度稀疏成为研究的瓶颈.针对此问题,本文提出基于自监督学习的去流行度偏差推荐方法,解决两个难点:(1)准确学习交互数据极度稀疏的非流行物品的表征;(2)提升非流行物品曝光率的同时,兼顾不同用户对流行和非流行物品的偏好.具体地,从用户的角度,提出流行物品和非流行物品双视图的用户偏好学习方法,准确学习用户对流行和非流行物品的真实偏好;从物品的角度,采用自监督学习,利用互信息最大化捕获非流行物品与流行物品间的潜在关系,辅助提升非流行物品嵌入学习的准确性.最后,设计用户流行度偏好一致性、资格公平性等指标,并通过三个公开数据集的大量实验说明了本文方法在提升推荐性能的同时,能有效缓解流行度偏差问题并具有较强的通用性.

摘要：饮食文化是中华文明的重要组成部分,对饮食文化中八大菜系的探究有助于传承和弘扬中华文明.为了向人们进行合理的食谱推荐,提出一个可视分析系统DietVis.首先,设计一种用于表达菜系多维属性的新颖视图,帮助用户分析菜系构成特征;其次,通过对食谱的食材构成和烹饪手法等进行聚类分析,让用户可以多角度地探究食谱间的关联;并结合食谱搭配的关联规则进行推荐,以满足不同用户的检索需求;最后,通过多视图联动构建出完整的饮食数据可视分析系统,支持用户在多层面对菜系及食谱进行探索和对比分析.通过案例分析和用户评估实验,采用李克特量表对调查问卷进行分析,验证了可视化视图的有效性以及系统的实用性.

摘要：在高硬件容错性模型中,近似搜索可应对数据量与运算量需求能效提高的问题.针对三态内容寻址存储器在近似搜索模式下精度低、可扩展性差等问题,提出了一种电流模测量方案.该方案基于铁电晶体管优化了存储单元的结构设计以降低面积与功耗;将阵列搜索不匹配度由原先的电压输出改为电流输出,提高了电路可扩展性;引入了将模拟电流信号转化为数字脉冲信号的感测放大器(sense amplifier,SA)作为外围电路以检测存储阵列的不匹配度输出.通过Hspice与Virtuoso仿真平台搭建瞬态仿真电路实验,验证了该方案成功地实现了高能效三态内容寻址存储器近似搜索.

摘要：近来,基于孪生架构的方法因其能在保持良好速度的同时取得较显著的性能,引起了视觉跟踪领域的广泛关注.然而,孪生网络分支通常是独立的,缺乏信息交互,这限制了模型性能的进一步提升.为了增强孪生网络分支的协作能力,本文提出基于孪生架构的交叉感知网络模型——SiamCross(Siamese Cross Object-Aware Network).孪生网络双分支特征提取是提升模型性能的首要核心操作,区分目标和语义背景在很大程度上依赖模型挖掘的特征鲁棒性.在SiamCross中,我们首先基于孪生网络分支的互监督,设计了全新的孪生交叉感知子网络(Siamese Cross-Aware Network,SCAN)用来提取鲁棒特征.SCAN允许孪生分支彼此全方位高效协同工作,使模板分支可充分利用特征丰富的上下文语义信息,对目标产生更具有区分性的表示;搜索分支结合模板特征,也主动学习到了目标的本质信息.另一方面,无锚框算法将跟踪任务直接映射为对每个像素的分类和回归,网络分支特征可各自聚焦于目标的局部与全局空间信息.以上两种特征具有很好的潜在局部-全局互补性.具体而言,回归特征学习到了更多的目标全局尺寸信息,但同时也引入了周围背景信息,而分类分支专注于学习局部中心定位信息.二者结合,有利于抑制回归特征的背景信息表达.同时,回归特征会在目标周边位置进行突出响应,揭示目标所在区域,也为分类分支进行定位提供了有益参考.为充分利用以上不同的分支空间特征信息来获得更精确的跟踪结果,我们又提出了新型的目标注意力交互网络(Obejct-Attention Interaction Network,OAIN),并将其融入到SiamCross中.OAIN包含并行交叉注意力模块(Parallel Cross Attention Module,PCA)和自适应可形变交叉对齐模块(Adaptive Deformable Cross Align Module,ADCA).PCA模块通过对分支中局部与全局信息的巧妙融合,提升了目标状态估计的准确性.为了进一步使回归特征和目标区域对齐,缓解特征对齐失焦导致的分类分支参考信源可靠性大幅度降低,我们为ADCA模块设计了自适应空间转换操作,可以使得回归特征更好反映目标所在区域.最终,ADCA模块完善了无锚框网络的高效交互机制.最后,我们在OTB2015、VOT2018/2019、GOT-10k和LaSOT五个具有挑战性的公开基准中对SiamCross进行了详尽的实验评估.实验结果显示,SiamCross与当前先进的跟踪器SiamRPN++、ATOM及DiMP相比,均取得了更优异的综合表现,并且可实现实时跟踪.

摘要：无监督视频异常检测方法通常使用正常的监控视频数据通过帧重构/帧预测方法来训练视频异常检测模型。然而,正常视频中往往包含大量的相似画面和背景帧,数据集冗余的问题尤为明显,因此不能高效地进行异常检测模型训练。针对该问题,提出了伪异常选择驱动学习的视频异常检测方法,从原始视频训练数据中迭代选取部分异常分数高的正常视频帧(伪异常帧)来构建新的训练池,用于学习和优化视频异常检测模型。在检测模型方面,设计了基于后继帧预测的双路U-Net骨干网络,以不同采样率的视频段分别作为两个支路的输入,从而从多个粒度上更好地提取和利用视频的时空特征。为了加强典型训练数据对帧预测任务和异常检测的影响,双路U-Net中设计了多层的记忆学习模块。在常用视频异常检测数据集上进行实验,验证了所提方法在检测精度和训练效率上的有效性。

摘要：随着半导体集成电路的飞速发展,未来的片上芯片中将集成数百上千个处理核,以实现越来越复杂的功能.基于电气互连的片上网络在大规模片上系统中将很难满足未来高性能计算及多核处理器系统的通信需求.基于射频互连的片上网络能够以接近光的速度实现片内的低功耗远距离数据通信,是未来片上网络发展的重要趋势之一.现有的射频片上网络研究中,片上射频资源都为固定的射频通信节点独占,存在资源利用率不高,无法满足实时通信需求等问题.针对这些问题,该文首次提出基于共享射频互连的片上网络SRFNoC,并对其进行了清晰的刻画.在此基础上,提出基于集群共享的射频片上网络Club_SRFNoC,从网络拓扑结构设计、映射算法,共享信道的仲裁机制以及路由等方面进行了深入地研究.通过周期精准的实验仿真,Club_SRFNoC片上网络能够以43%(平均值)的片上射频资源,实现Club_ERFNoC片上网络相同的网络性能.

摘要：针对纵向滑动参数未知的轮式移动机器人的轨迹跟踪问题,提出一种自适应跟踪控制策略.利用两个未知参数来描述移动机器人左右轮的纵向打滑程度,建立了产生纵向滑动的差分驱动轮式移动机器人的运动学模型;设计了补偿纵向滑动的自适应非线性反馈控制律;应用Lyapunov稳定性理论与Barbalat定理证明了闭环系统的稳定性;同时,提出了一种由极点配置方法在线调整控制器增益的方法.仿真结果验证了所提出控制方法的有效性.