文本语义哈希技术研究进展

文本语义哈希是在满足语义相似性约束下将文本转化为低维二值数据的神经编码技术,支持基于汉明距离的高效检索,以解决有限计算资源约束下海量文本的相似性计算问题。文本语义哈希技术存在诸多挑战,包括如何在低维二值编码中融入类别信息、如何丰富编码的语义信息以提升模型鲁棒性、如何解决离散输出的模型梯度估计等关键问题。文章首先综述文本语义哈希任务的重要研究发展,详细讨论了无监督文本语义哈希模型和融合类别信息的有监督文本语义哈希模型的技术细节,分析基于近邻文本、隐式主题等信息的语义增强技术以及模型优化等关键技术;然后,综述文本语义哈希任务相关数据集和评估指标,对比了各类文本语义哈希技术的特点和性能;最后,讨论了文本语义哈希技术的未来发展方向。

一种面向耳戴式设备的用户安全连续认证方法

耳戴式设备作为典型智能物联网边端感知设备应用场景众多,保护其合法用户隐私以及防止非法使用至关重要.针对当前耳戴式设备用户身份认证方法受输入界面、传感器成本以及设备功耗等限制导致安全性不足、普适性不高以及用户体验不佳等问题,提出一种基于耳戴式设备内置惯性测量单元的用户身份认证方法,该方法通过采集用户执行面部交互手势所产生的振动信号来提取用户特异性信息,并基于上述信息的智能分析实现多样化的隐式用户连续身份认证.为了提取精准可靠的用户特异性信息,提出了一种基于孪生网络的深度神经网络特征编码器,将同一用户的手势样本映射到特征空间中更近的位置,放大不同用户的手势样本之间的距离,实现用户特异性信息的有效编码.对于基于用户特异性信息的用户身份连续认证,提出了一种基于单类支持向量机超平面距离的加权投票策略,能够自适应地优化判别边界来更好地捕捉蕴含的特征和结构,根据超平面内外样本点与超平面的距离决定该样本的置信程度,以此设计加权投票实现认证.实验结果表明,所提方法在单次投票中实现了97.33%的认证准确率,7轮投票的连续认证后取得99.993%的认证准确率,优于对比的所有方法,无需密码的同时提供更流畅的用户体验和更高级别的安全性,具有较高的实际应用价值.

面向非人工智能专业的人工智能教育探索与实践

近年来,以物联网、大数据和人工智能技术为代表的新一代信息技术快速发展,标志着智能时代已经到来。为更好地培养适应智能时代社会发展和新兴产业需求的智能化创新人才,高校全面开展人工智能教育已经迫在眉睫。分析高校开展人工智能教育的两个维度和三个层次,提出一种面向非人工智能专业学生的、概念—基础—高阶三层次的人工智能教育教学体系,并给出各层次的主要教学内容、教学目标和适用专业。结合山东大学“智能计算与软件编程”微专业,对面向非人工智能专业学生进行“专业+人工智能”高阶人工智能人才培养模式进行了实践探索。

新文科背景下美育通识教育创新模式与路径研究——以《与风景对话——旅游文化赏析》为例

在新文科背景下,一系列国家层面的美育教改政策强调了美育的多学科综合、生活融入和社会服务。然而,传统的美育教学方式存在诸多问题,包括知识传授式、美学单向输出和知行分离等教学的“痛点”逐渐凸显。本文以《与风景对话——旅游文化赏析》课程为例,探索了新时代背景下的美育教学模式,包括科艺融合、知行合一、意义建构和发展性评价。这些模式为新时代背景下美育通识教育的教学改革提供了重要的参考和借鉴。

基于高低频特征分解的深度多模态医学图像融合网络

多模态医学图像融合旨在利用跨模态图像的相关性和信息互补性,以增强医学图像在临床应用中的可读性和适用性。然而,现有手工设计的模型无法有效地提取关键目标特征,从而导致融合图像模糊、纹理细节丢失等问题。为此,提出了一种新的基于高低频特征分解的深度多模态医学图像融合网络,将通道注意力和空间注意力机制引入融合过程,在保持全局结构的基础上保留了局部纹理细节信息,实现了更加细致的融合。首先,通过预训练模型VGG-19提取两种模态图像的高频特征,并通过下采样提取其低频特征,形成高低频中间特征图。其次,在特征融合模块嵌入残差注意力网络,依次从通道和空间维度推断注意力图,并将其用来指导输入特征图的自适应特征优化过程。最后,重构模块形成高质量特征表示并输出融合图像。实验结果表明,该算法在Harvard公开数据集和自建腹部数据集峰值信噪比提升8.29%,结构相似性提升85.07%,相关系数提升65.67%,特征互信息提升46.76%,视觉保真度提升80.89%。

基于权衡因子和多维空间度量的高鲁棒性图像分割算法

图像分割是计算机视觉的重要研究方向。聚类算法作为一种无监督的方法,一直是图像分割的有力工具。然而,当图像存在高强度噪声和复杂结构时,聚类算法的分割效果可能不理想。针对这一问题,提出了一种高鲁棒性的图像分割算法,该算法基于权衡因子和多维空间度量。首先,引入了一个权衡因子,通过调节该因子,可以有效地降低噪声对分割结果的影响。其次,结合了低维和高维的空间度量,能够捕捉图像中的线性和非线性特征。并更好地理解图像中的复杂结构和纹理,从而提高分割的准确性和鲁棒性。最后,利用改进的模糊聚类算法实现了图像分割。为了验证该算法的性能,在合成、自然和医学图像上进行了大量的实验,结果显示,该算法在分割性能上明显优于其他算法。

隐私保护的高效安全三方稀疏数据计算

如今,大数据与人工智能技术发展迅猛,基于海量数据进行精确训练的机器学习模型及其应用推动了生产力的提升,但同时也带来了严重的数据安全与隐私泄露问题,这一问题促进了隐私保护机器学习的研究.在实际应用中,机器学习算法常常在稀疏数据集上进行运算,明文下的模型训练存在高效计算方法,可以充分利用数据稀疏性,提高计算效率.为了保护数据隐私而引入的密码技术,将稀疏数据转化为稠密数据,从而使高效的稀疏数据运算变得复杂.现有的对于安全稀疏数据计算的相关研究都涉及大量公钥密码操作,计算效率不高,并且主要考虑两方的场景.实际上,稀疏数据的计算可简化为非零位置上相应元素的计算.为了充分利用这一特性以提高效率,本文将稀疏向量乘法问题分为了过滤和乘法计算两个模块来处理,并在三方联合计算的场景下进行协议设计.首先,基于三方加法复制秘密分享以及伪随机置换技术构建过滤协议,该协议能够实现对向量元素的过滤,筛选出向量中非零位置对应的元素.随后,在过滤协议的基础上引入加法同态加密技术,对非零元素进行安全乘法计算,实现一个隐私保护的安全三方稀疏向量乘法协议,并在半诚实敌手模型下,使用理想现实模拟范式证明了协议的安全性.最后,将隐私保护稀疏向量乘法协议应用到逻辑回归模型中,验证了其可用性.通过实验以及效率分析表明,相对于隐私保护稀疏矩阵乘法协议CAESAR,本文所提出的协议将主要计算开销由O(n)的密文运算次数,降低为O(m)次,其中n是向量的维数,m是向量中非零元素数量;在小批量的逻辑回归模型训练中,文本协议与通用安全多方计算框架ABY3相比有10%~30%的效率提升.

基于雾浓度分类与暗-亮通道先验的多分支去雾网络

在图像去雾领域中,目前多数去雾模型难以维持精度与效率的平衡,高精度的模型往往伴随着复杂的网络结构,而简单的网络结构又往往会导致低质量的结果.针对该问题提出一个基于雾浓度分类与暗-亮通道先验的多分支去雾模型,通过对带雾图像分类,使用复杂度不同的网络来处理不同雾浓度的图像,可在保证精度的同时提高计算效率.模型由轻量级雾图像分类器和基于暗-亮通道先验的多分支去雾网络2部分构成:前者将带雾图像分为轻雾、中雾、浓雾3类,输出雾浓度标签;后者包含3个结构相同、宽度不同的分支网络,根据雾浓度标签选择不同的分支网络处理不同雾浓度图像,恢复至无雾图像.提出一个新的雾浓度分类方法以及基于该方法的雾浓度分类损失函数,可根据带雾图像的暗通道特征和恢复难度,结合生成图像质量和模型计算效率,得到对带雾图像合理准确的分类结果,达到去雾效果和算力需求的良好平衡.提出新的暗通道与亮通道先验损失函数,用于约束分支去雾网络,可有效提高去雾精度.实验结果表明,模型能够以更低的网络参数量和复杂度得到更优的去雾结果.

结合局部熵与梯度能量的双通道医学图像融合

多模态医学图像融合已成为有效结合正常组织结构和异常改变信息、提高医学诊断效率的强有力辅助技术.针对空域融合技术在处理图像细节丢失、光谱退化等方面的缺陷,提出一种在联合双边滤波器(JBF)域内实现图像结构与细节信息增强的双通道频域多模态医学图像融合方法.该方法将源图像分解为结构和能量2个通道,分别处理图像纹理细节信息和边缘强度信息.在结构通道中,通过改进梯度能量得到局部梯度能量算子,进一步提升融合图像对小尺度细节信息的表达能力和对噪声的鲁棒性;在能量通道中,利用非下采样轮廓波变换提高模型的多方向多尺度特性,并提出一种局部熵细节增强算子和脉冲耦合神经网络结合的高频子带处理框架,达到增强能量通道中结构信息和细节信息的效果.在Atlas公开数据集上,与基于MST、稀疏表示、PCNN以及JBF的6种具有代表性的频域融合方法进行对比及消融实验的结果表明,所提方法的融合图像与源图像相似度提升35.0%,空间频率提升16.2%,边缘保持度提升12.5%,对比度提升11.2%;并在视觉方面有较好的效果,明显优于对比方法.

局部一致性主动学习的源域无关开集域自适应

无监督域自适应在解决训练集(源域)和测试集(目标域)分布不一致的问题上已经取得了一定的成功.在面向低能耗场景和开放动态任务环境时,在资源约束和开放类别出现的情况下,现有的无监督域自适应方法面临着严峻的挑战.源域无关开集域自适应(SF-ODA)旨在将源域模型中的知识迁移到开放类出现的无标签目标域,从而在无源域数据资源的限制下辨别公共类和检测开放类.现有的源域无关开集域自适应的方法聚焦于设计准确检测开放类别的源域模型或增改模型的结构.但是,这些方法不仅需要额外的存储空间和训练开销,而且在严格的隐私保护场景下难以实现.提出了一个更加实际的场景:主动学习的源域无关开集域自适应(ASF-ODA),目标是基于一个普通训练的源域模型和少量专家标注的有价值的目标域样本来实现鲁棒的迁移.为了达成此目标,提出了局部一致性主动学习(LCAL)算法.首先,利用目标域中局部特征标签一致的特点,LCAL设计了一种新的主动选择方法:局部多样性选择,来挑选更有价值的阈值模糊样本来促进开放类和公共类分离.接着,LCAL基于信息熵初步筛选出潜在的公共类集合和开放类集合,并利用第一步得到的主动标注样本对这两个集合进行匹配纠正,得到两个对应的可信集合.最后,LCAL引入开集损失和信息最大化损失来进一步促使公共类和开放类分离,引入交叉熵损失来实现公共类的辨别.在Office-31、Office-Home和VisDA-C这3个公开的基准数据集上的大量实验表明:在少量有价值的目标域样本的帮助下,LCAL不仅显著优于现有的源域无关开集域自适应方法,还大幅度超过了现有的主动学习方法的表现,在某些迁移任务上可以提升20%.

MC-RHotStuff:面向多链基于信誉的HotStuff共识机制

现有区块链呈现出多链趋势,传统共识算法不具备面向多链的动态扩展性,难以应对大规模联盟链开放使用与封闭运维的矛盾.对此,提出了一种新颖的多链共识方法MC-RHotStuff:节点划分不同的角色,分为待准入节点、备选节点、共识节点,每条工作链都拥有共识节点和备选节点,待准入节点完成准入验证后将成为备选节点;共识节点拥有其他节点不具备的信誉值,做出正确行为的共识节点将提高信誉值,做出错误行为的共识节点将扣除信誉值,通过节点信誉计算及筛选算法MC-Scan来寻找信誉值异常的节点,并从备选节点中选择新的共识节点与异常节点交换.此外,还提出了节点动态调整算法MCSchedule,通过检测每条区块链的交易量从而动态地调整共识节点的数量来达到最优化,既保证区块链系统的高效执行,又提高了节点筛选的速度.为保证当节点数量变化或共识群组成员发生变化时,共识机制能够正常运转,提出了节点状态同步机制MC-Syn.对此进行了大量的实验来验证MC-RHotStuff性能,与现有系统相比,其交易吞吐量和延迟综合提升约15%.

大规模三维场景光线追踪渲染方法综述

光线追踪是目前最常用的真实感渲染算法,在三维动画、虚拟现实、数字孪生等领域发挥着巨大作用.随着人们对场景呈现精度和质量的要求不断增加,大规模场景光线追踪渲染方法受到了广泛关注.文中对大规模场景光线追踪的相关工作进行综述,并从多个角度对各类方法进行分析.首先从场景数据压缩和场景数据分解2个方面简述了大规模场景的数据组织方法;然后回顾了内外存调度光线追踪方法,并分析了LOD在该类方法中的应用;接着介绍了分布式光线追踪方法,并将其分为屏幕空间并行、数据并行和混合并行3类进行分析对比;最后,总结大规模场景光线追踪的研究进展,分析现有方法在数据存储、数据访问、渲染质量、渲染速度等方面的问题,并指出可能的未来研究方向,包括基于神经网络的场景数据压缩、实例化场景数据分解、计算热点预测、自适应分布式策略等.

双重结构保持的在线跨模态哈希

近年来,在线跨模态哈希因其能处理更为贴近现实的流数据场景而受到广泛关注.虽然取得了不错的进展,但现有方法大都依赖准确清晰的数据标记.目前,针对无监督学习模式下在线跨模态哈希的研究相对较少,还有很多问题有待解决.例如,新到达的数据流通常规模较小,因此常常存在分布不平衡的现象.而现有模型极少关注这个问题,导致模型对离群样本敏感,鲁棒性较差.并且,现有方法大都关注样本的整体结构而忽视了邻域信息对于生成公共哈希码的帮助.为了解决上述问题,提出了基于双重结构保持的无监督在线跨模态哈希方法,称为SPOCH(structure preserving online cross-modal hashing).该方法的基本思想是同时挖掘样本空间的全局结构信息和邻域结构信息来生成相应的公共表示,用以指导哈希码和哈希函数的学习.针对全局结构的学习,引入L_(2,1)范数取代L_(2)范数来约束损失函数,利用L_(2,1)范数结构化稀疏的性质缓解模型对离群样本的敏感性;针对邻域结构的学习,利用多模态融合的邻域样本进行样本重构,使得所学公共表示更好地表征多模态信息.此外,为了缓解遗忘问题,提出在新旧数据上联合优化,并设计相应的更新策略提高算法的训练效率,实现在线检索.在2个广泛使用的跨模态检索数据集上进行的实验结果表明,较现有最先进的无监督在线跨模态哈希方法,SPOCH在可比较甚至更短的训练时间内取得了更优的检索精度,验证了所提方法的有效性.

基于揭序加密的联邦决策树安全比较协议

得益于联邦学习的发展,多个参与方得以越来越方便地在保护隐私的前提下协同训练多种机器学习模型.随着联邦学习训练方案的逐渐成熟,在这些模型上进行高效联邦预测任务的需求也日益受到关注.目前对联邦学习得到模型的应用的研究大都处于复用训练范式的范畴,而实际上这一做法造成了额外的开销,联邦预测任务存在着极大的效率提升空间.本文对基于树模型的外包预测服务进行研究.首先明确阐述了“联邦预测”任务,并指出设计高效解决方案面临着数据异构分布和用户数据动态变化的挑战.针对这些挑战,本文提出了新颖的安全比较协议OREC.OREC通过一个不可信的第三方的协助,使得两个参与方得以秘密地比较他们的私密值.所设计的协议基于揭序加密,其通过公开函数可以揭示出密文之间的顺序关系.为了增强其隐私性,我们进一步设计了一次一密机制并引入了混淆密码序列技巧.我们对协议进行了全面的安全性分析,并证明了其面对恶意第三方的鲁棒性.此外,我们还通过大量实验验证了所提出协议的高效性和可扩展性.

可控文本生成技术研究综述

可控文本生成任务是指生成符合语法规则和语义需求,且满足给定约束的自然语言文本,具有重要应用价值。如何将约束嵌入到隐空间,从而有效控制离散的词汇生成过程是十分困难的,特别是在复杂应用场景中:不仅需要控制文本内容,还要求生成的长文本形式多样、语言灵活以及逻辑合理等,这使得可控文本生成任务更具挑战性且难以评估。近年来,数据驱动的神经方法得到了广泛应用,特别是大规模预训练语言模型大幅度提升了生成文本质量。该文综述这些生成方法中的代表性技术架构和模型,讨论文本生成领域定性和定量评价指标,以及相关数据集;针对可控文本生成任务的文本多样性和句子间语义一致性等高层次需求,重点讨论相关技术前沿进展,分析其理论依据和技术优势;最后总结可控文本生成任务仍然面临的挑战和未来发展方向。

基于个性化随机游走的基因-表型关联分析

基因与表型间的关联分析对揭示生物的内在遗传关联具有重要意义.随机游走算法可以融合多组学数据,聚合一阶或高阶邻居的标签信息,对网络中不同节点间关联信息进行补全,提高关联预测的准确度,进而发现基因和表型间潜在的遗传关联.但现有随机游走算法通常平等地对待每个节点,忽略了不同节点的重要性,使非重要节点过度传播,降低了模型性能.为此,本文提出了一种基于多组学数据融合的个性化随机游走算法(individual Multiple Random Walks,iMRW),在由基因、miRNA及表型节点构建的多组学异质网络上,基于网络拓扑结构,设计个性化多元随机游走策略,为不同重要程度的节点分配不同的游走步长,并结合高斯相互作用属性核相似性与随机游走,对网络不同节点及节点间关联信息进行补全,最终实现多源基因-表型关联矩阵的融合,准确获取基因-表型关联预测矩阵.在不同实验设置下,与主流算法的对比实验结果均显示iMRW能够取得更优的预测性能.在玉米光合作用能力和淀粉含量表型的实验分析结果也进一步证实了iMRW在识别潜在的基因-表型关联的实用性与有效性.

以软件工程为主线的课程群体系研究与建设

本文针对软件工程人才培养的社会需求，以及如何建设以软件工程为主线的课程群体系，提高学生知识体系的科学、系统、连贯性，提高学生的实践能力，对目前国内外的研究现状进行了分析和讨论，并提出了建设思路和解决的关键问题。

一种模糊时间序列概率预测方法

在时序预测任务中,历史观测值的不确定性给预测带来了困难。而模糊时间序列预测方法在处理数据不确定性方面具有独特的优势。概率预测则能够提供预测目标的分布情况,从而量化预测结果的不确定性。因此,为了减少不确定性对预测任务的影响,提出了一种基于概率加权策略的模糊时间序列概率预测方法。该方法利用预测目标的历史观测值建立概率加权的模糊时间序列预测模型,通过引入额外的观测值对预测模型的模糊规则库进行细化。在细化过程中,使用2种计算成本较低的算子重构模糊逻辑关系。具体地,交算子用于剔除干扰的信息,并算子则融合所有信息,从而得到2个不同的模糊逻辑关系组集合。当前时刻观测值在2个集合中对应的模糊逻辑关系组即为对下一时刻模糊集的预测,最后经过解模糊输出下一时刻的概率分布。在公开时间序列数据集上验证了该方法的准确性和有效性,与近期提出的PWFTS预测方法相比,预测精度有显著提高。

基于单目RGB数据的三维模板物体跟踪算法综述

文中介绍了三维物体跟踪技术及其最新研究进展,包括理论基础与评估指标、基于视觉特征的传统位姿求解和基于学习的位姿估计.分析了传统算法中各种特征约束、统计分割模型、能量函数以及加速策略.其中,区域及边缘约束成为跟踪的主流方向,多种特征可以融合产生更强的约束.统计分割模型由全局模型逐步发展为局部模型.非线性最小二乘形式的能量函数易于优化而被广泛采用.预计算、预渲染的加速策略使得跟踪的实时性极大提高.基于学习的算法现阶段在精度和速度上不及传统算法,但展现了更好的特征提取能力和处理更复杂场景的潜力.梳理了多种算法的跟踪精度及取得高精度的原因.总结了三维物体跟踪在复杂情境下跟踪精度下降和失败的问题,及其潜在的解决方案与发展方向.三维物体跟踪正朝向多特征融合、预计算、多任务的方向发展.

区域增强型注意力网络下的人脸表情识别

为了识别人脸表情中包含复杂背景、面部遮挡等因素的真实环境下的图像,提出基于区域增强型注意力网络的人脸表情识别方法.首先提出基于注意力的区域增强网络,减弱外部因素的影响以及增强表情识别在真实环境下的鲁棒性;然后提出通道-空间注意力融合网络,作用于全局的特征提取;最后通过分区损失和交叉熵损失相结合的方式提升表情图像的辨识度,从而提升识别准确率.在公开数据集RAF-DB,FERPlus和AffectNet上的实验结果表明,表情识别准确率分别达到88.81%,89.32%和60.45%;所提方法具有更高的准确率和鲁棒性.