面向身份相互关系一致性的人脸去识别化方法

智能手机、监控摄像头等智能设备的普及导致了严重的人脸隐私安全问题.人脸去识别化技术被认为是解决上述问题的有效途径,该技术旨在将人脸图像中的身份信息去除以有效保护人脸的隐私.然而,现有的研究工作大多缺乏对去识别化人脸图像在身份上显式的控制与可控的变化,导致去识别化后的图像无法应用于人脸验证和检索等与身份相关的任务.因此,考虑到去识别化人脸图像在身份相关任务上的可用性,提出了一种新的面向身份相互关系一致性的人脸去识别化任务,即任意两个被去识别化的人脸之间的身份相互关系与去识别化前的人脸保持一致.为解决这一问题,引入了一种任务驱动的身份相互关系一致性生成对抗网络算法.该方法设计了一种基于特征向量旋转的去识别化模块,将原有的身份特征可控修改为具有身份相互关系一致性的去识别化特征.此外,还引入了身份控制损失,以保证去识别化后生成的人脸身份的准确性.大量的定性和定量结果表明,提出的方法在人脸的去识别化和去识别人脸的身份相互关系一致性上的表现远优于现有的方法.

基于矩阵的工作流逻辑网模型的化简及验证

在分析工作流时,Petri网是一种有效的建模工具,但在处理复杂的工作流时,其易引发"状态空间爆炸"问题。工作流逻辑作为工作流路径的逻辑框架,可实现对工作流网的进一步抽象。为了对规模较大的工作流的畅通性进行验证,利用Petri网对工作流对应的逻辑网进行建模,在此基础上,提出了一个基于矩阵的工作流逻辑网化简算法,为大规模的工作流自动化化简提供了理论基础。通过对银行选址的工作流逻辑网畅通性的验证,表明了该算法在解决实际问题时的有效性。

云环境亚健康研究

云环境亚健康状态诊断与分析是云环境健康状况评估领域亟待解决的关键难题,迫切需要一套可度量、可量化的指标和模型来进行云环境亚健康状态的理论分析与系统评估.结合医学领域亚健康的概念及模型,提出云环境亚健康状态的定义及内涵,并从云环境健康标准及测评体系、云环境亚健康状态形式化模型、云环境亚健康状态诊断及分析、云环境亚健康状态治疗等方面总结云环境亚健康研究的知识结构;从云监控、云架构、云平台性能评价与分析、云平台能耗控制、云安全等方面对云环境亚健康相关的研究现状进行总结与分析.

基于VR火灾逃生游戏的应急行为评估系统

在突发事件场景中,个体的行为和心理具有较强的复杂性和动态性,是真实感群体行为模拟所面临的一大挑战。将虚拟现实和游戏技术相结合,设计了虚拟现实火灾逃生游戏VRFEG(Virtual Reality Fire Escape Game),并对用户的应急行为进行有效的评估分析。VRFEG主要由交互式情节设计、架构设计、数据采集和行为分析等四个模块组成。实验表明,VRFEG系统具有直观、易用等特点,能让人们在感受游戏刺激的同时学习到一些应急逃生的技能,也为获取人们在突发状况下的部分行为数据提供了一个有效和有趣的通道。

基于传染病机制的突发事件下群体情绪感染模型

突发事件往往伴随着大量的人员伤亡,实践表明群体恐慌情绪的产生和蔓延是上述伤亡的一个重要致因。基于SIRS传染病模型,提出了一个改进的群体情绪感染模型E-SIRS,建立恐慌传播过程中的状态转移关系及其定量表达函数。利用Lyapunov理论计算该自组织环境下群体情绪感染的平衡稳定点;利用NetLogo动态模拟了突发事件下群体情绪感染的人数变化趋势。实验结果表明,E-SIRS能较全面地刻画恐慌人群情绪的动态变化,有助于进一步的应急决策。

VR+药效团:一种交互可视的虚拟筛选系统

基于药效团的虚拟筛选技术比传统筛选技术具有更高的准确率、更快的计算速度和更低的研究成本.但分子的微观性和结构复杂性对用户的空间感知和数据分析能力提出了挑战.本文将虚拟现实和药效团计算技术相结合,基于Unity3D引擎和HTC Vive设备,设计实现了一个交互可视的虚拟筛选系统,主要功能包括分子解析和绘制、药效团计算、基于HTC Vive的可视交互.实验表明,本文提出的交互可视虚拟筛选系统能够为药效团的设计分析带来新的视角,增强药物设计研究者的交互体验.

可信机器学习的公平性综述

人工智能在与人类生活息息相关的场景中自主决策时,正逐渐面临法律或伦理的问题或风险.可信机器学习是建立安全人工智能系统的核心技术,是人工智能领域的热门研究方向,而公平性是可信机器学习的重要考量.公平性旨在研究机器学习算法决策对个人或群体不存在因其固有或后天属性所引起的偏见或偏爱.从公平表征、公平建模和公平决策这3个角度出发,以典型案例中不公平问题及其危害为驱动,分析数据和算法中造成不公平的潜在原因,建立机器学习中的公平性抽象定义及其分类体系,进一步研究用于消除不公平的机制.可信机器学习中的公平性研究在人工智能多个领域中处于起步阶段,如计算机视觉、自然语言处理、推荐系统、多智能体系统和联邦学习等.建立具备公平决策能力的人工智能算法,是加速推广人工智能落地的必要条件,且极具理论意义和应用价值.

基于深度学习的图异常检测技术综述

图异常检测旨在大图或海量图数据库中寻找“陌生”或“不寻常”模式,具有广泛的应用场景.深度学习可以从数据中学习隐含的规律,在提取数据中潜在复杂模式方面表现出优越的性能.近年来随着基于深度神经网络的图表示学习取得显著进展,如何利用深度学习方法进行图异常检测引起了学术界和产业界的广泛关注.尽管最近一系列研究从图的角度对异常检测技术进行了调研,但是缺少对深度学习技术下的图异常检测技术的关注.首先给出了静态图和动态图上各类常见的异常定义,然后调研了基于深度神经网络的图表示学习方法,接着从静态图和动态图的角度出发,梳理了基于深度学习的图异常检测的研究现状,并总结了图异常检测的应用场景和相关数据集,最后讨论了图异常检测技术目前面临的挑战和未来的研究方向.

基于ADMM的分布式有序充电调度算法

随着电动汽车数量不断增加,大量电动汽车的无序充电行为会导致电网过载和电池寿命损耗。虽然当前已有很多研究关注电动汽车的有序充电行为,但如何在大规模有序充电过程中实现最大化车主便捷性同时减少电池寿命损耗尚未被研究。研究关注充电便捷性和减少电池损坏的充电服务调度优化对充电站充电服务质量和用户满意度提升具有重要意义。笔者提出一个实时充电服务调度策略来协调大量电动汽车的充电行为,以实现最大化车主便捷性同时降低电池损耗。为减少充电过程中信息直接交换造成隐私泄露,同时降低算法计算复杂度,基于交替方向多乘子(ADMM,alternating direction method of multipliers)的分布式算法被提出。大量实验表明所提算法比已有算法有显著提升,能减少33.0%的电池寿命损耗和18.3%的电费支出。

支持大规模云服务平台的敏捷弹性伸缩技术

针对当前大多数弹性伸缩算法存在粒度大、延迟高、开销大等问题,利用缓存思想引入挂起虚拟机,加快虚拟机供给速度;基于自回归滑动平均模型(ARMA)采用二级预测方法设计了敏捷弹性伸缩算法,实现了细粒度的资源分配;通过引入分位数统计、额外资源分配、资源延迟释放等策略,进一步保障服务质量(QoS).采用网易云阅读负载数据进行实验,结果表明:该算法能够进一步节省资源,同时使得服务质量提升.

结合影子障碍物和ORCA模型的人群仿真方法

人群仿真已经成为疏散演练、安全监控等重要应用领域的关键支撑技术,但是复杂的个体心理、个性特征,以及个体间的相互影响对人群仿真的真实感提出了挑战.本文从用户的安全心理特征和运动速度特征出发,研究个体在拐角处的运动轨迹和避碰行为的真实感.首先,将影子障碍物模型分别转化为ORCA(optimal reciprocal collision avoidance)半平面和期望速度,分别提出了两种影子障碍物和ORCA模型的结合方法.然后,通过提出影子障碍物的手动生成方法,处理任意角度的拐角以及一些非封闭墙面的情况.基于上述方法,融合行为模拟和物理模拟技术,提出基于速度的人群仿真框架,并对复杂场景以及大规模人群进行实验分析.最后,将上述方法应用在地铁站环境的复杂场景,并采用Unity3D引擎进行真实感渲染,在仿真效果和计算效率两方面与现有的社会力模型进行比较.实验结果表明,本文提出的结合影子障碍物和ORCA模型的人群仿真方法计算效率高、真实感强,具有较好的应用前景.