面向应用的联邦学习研究评述:基于“要素-过程”框架

打破数据孤岛,促进数据流通合作是数字化时代的重要课题。随着数据安全和隐私保护受到广泛关注,传统的以数据集中为主的合作模式受到挑战。联邦学习为解决这一现实问题提供技术解决方案,但是其进一步应用还面临诸多困难。本文从技术应用和技术管理的角度,收集联邦学习的相关文献并进行文献计量分析,提出基于“要素-过程”的联邦学习应用框架。该框架围绕基础设施、节点数据、算法模型、联邦参与方4个关键要素,遵从发起、执行、评估、治理4个核心过程,形成“4+4”的技术应用模型。我们依据此模型梳理和分析联邦学习技术应用的现状,提出联邦学习应用进一步发展需要解决的关键科学问题。本文对推动联邦学习技术在经济管理领域的深入应用具有一定的意义。

企业数据联邦学习的收益分享机制研究

作为一类新兴的机器学习方法,联邦学习实现了“数据不动算法动”,为跨企业组织的数据流通提供了新的技术方案。然而,企业加入数据联邦的决策与其收益分享方式直接相关,若企业缺乏足够的参与激励,跨企业组织的联邦学习就无法形成,数据孤岛问题依然无法解决。本文考察了联邦学习应用的一个实际案例,其中数据提供方处于不同的行业,数据规模存在差异。在此场景下,本文主要分析三种不同收益分享机制分别如何影响异质数据提供方进行是否加入联邦学习的决策问题。分析得出的主要结论是:在个体收益分享机制、平等收益机制下联邦学习的形成主要取决于数据规模大的数据提供方的决策;在边际效用分享机制下则依赖于数据量小的提供方的决策。

高校信息化评价指标体系研究思路探讨

本文从高校的战略目标出发,通过关键成功因素和主要流程分析,明确高校战略目标对信息化建设的要求,同时吸取已有的各种信息化评测理论和方法的优点,参考国外高校信息化建设现状和趋势,建立了一个高校信息化指标体系的基本框架,希望能探索出建立完善有效的高校信息化评价指标体系的方法。

Web数据抽取技术研究进展

由于Web上存在着大量有用而复杂的信息,近年来学术界和企业界开发了许多从Web中抽取数据的方法和工具。本文总结了Web数据抽取技术的研究进展和从Web中抽取数据的主要原理、过程、方法和抽取规则,并讨论了未来的研究方向。

利用Ontology和规则表达式的Web信息抽取

借助Ontology，基于成熟的Perl字符处理规则，提出了一种规则表达式方案来满足Web页面信息的抽取、转换和集成。介绍了实现过程。

Web数据转换集成技术及其信息服务应用

Ｗｅｂ的迅速普及，使获取信息比以前更加迅速与方便，但由于网站数量众多，数据又相对分散，使得获取有效信息的难度加大．Ｗｅｂ数据转换集成技术可以自动从Ｗｅｂ上获取数据，然后集成为用户所关心的有效信息，同时还提供查询代理服务，以更好地服务用户．该文以上海信息港的“房地产信息搜索集成系统”为实用实例，对该项技术及其在信息服务方面的应用进行详细阐述．

应用AHP法确定高校信息化评价指标权重

高校信息化评价指标体系研究的一个很重要的问题是确定各个评价指标的权重。本文应用AHP(层次分析法)于高校信息化评价指标的权重确定,该方法有助于提高高校信息化评价指标权重体系的客观性、准确性和合理性。

大型集团企业知识共享模式研究

知识是企业的重要战略资源,越来越多的企业开始关心自身的知识积累与更新,以适应时代瞬息万变的步伐。因此,探讨出一种企业知识共享的分析层次和实践模式,对于企业来说很有价值。通过对三家国内大型企业的全面深入调研,提出了集团企业知识共享现状的分析框架以及知识共享的三种模式,并对其应用范围进行了阐述。

对象数据库标准——介绍与分析

一、引言 随着应用领域的扩大和对象数据库的纷纷涌现,对象数据库的用户和厂商都强需要一个对象数据库标准.为此,国际标准化组织(ISO)和美国国家标准局(ANSI)

基于WEB的企业信息集成系统

在Ｉｎｔｒａｎｅｔ和Ｉｎｔｅｒｎｅｔ环境中，数据结构的多样和数据分布的多样，给企业的信息综合分析和决策制定的工作带来了极大的挑战．Ｗｅｂ的迅速普及，使这个问题日益突出。本文以基于Ｗｅｂ的数据采集和分析为重点，提出了企业管理集成系统的一整套解决方案，包括网页包装工具，异构数据源的数据整合工具，数据分析工具，完成了包装非结构化数据、从不同数据源提取数据、正确完整地组织异构数据源的数据、按需求组织数据的工作，并提供对查询结果作进一步分析的功能，使企业能够用统一的界面去查询、收集和处理来自Ｗｅｂ 和远程数据库多个数据源的信息。帮助其完成决策制定。

具有面向对象特征的知识系统OOKB

本文提出的ＯＯＫＢ系统的数据模型既有知识推理的逻辑基础，又支持类、对象，消息、继承入复合对象等面向对象机制；其存储管理是把类和对象按“堆项”方式组织，使内外存格式相同，同时用数据字典反映类和类之间以及类和对象之间的各种关系；

基于Ontology的跨组织知识整合方法研究

从知识整合的实际需求和研究现状出发,给出了跨组织环境下基于Ontology技术的知识整合流程,并结合语义网技术实现了知识集的闭包、查询与标准化同构等算法,开发了跨组织知识整合的原型系统。通过一个钢铁企业跨组织知识整合案例展示了原型系统的功能,说明知识的整合可以达到"语义增值"的效果;通过两个实验给出了原型系统的性能。

大数据治理的概念及其参考架构

大数据中蕴含着巨大的社会和经济价值,在实现这些价值的过程中大数据治理扮演重要角色.首先从大数据治理目标、权力层次、对象及范围、解决的实际问题4个维度,阐述了大数据治理概念的内涵,并由此明确了大数据治理的概念;进一步分析大数据治理内部要素和外部应用特征,构建了大数据治理参考模型.大数据治理的3个关键域分别是决策机制、激励与约束机制、监督机制,揭示了大数据治理关注的核心问题;大数据治理的3个外部应用特征是大数据生命周期、利益相关者、流通方式,揭示了大数据治理的主要场景特性,大数据治理的参考架构综合了大数据治理的内部要素和外部应用特征,从而为研究和分析大数据治理构建了一个相对完整的逻辑框架,有助于业界和学者更加全面、客观地分析和解决大数据治理领域的问题.

基于改进MVC的高校人事管理系统

结合复旦大学校园信息化建设的实践，研究了基于J2EE技术的MVC设计模式及其改进方法，并应用于一个高校人事管理系统的开发和实现，探索了一种满足“应用集成”要求的高校应用系统开发建设方式。

面向流程的企业知识地图及其本体实现

为解决当前知识管理系统普遍存在的知识管理与组织业务流程缺乏有效结合的问题,实现企业范围内知识资源的集成与协同利用,通过分析知识地图技术及其在企业知识管理中的应用模式,构造了面向流程企业知识地图分层管理模型,提出了基于本体技术及Web本体描述语言的一种模型实现方法,并通过应用实例验证了模型的有效性。该模型在实现企业范围内知识集成和协同的同时,也为协同商务环境下组织间知识的协同管理创造了条件。

混合智能系统研究综述

混合智能系统作为人工智能研究的一个新兴领域已受到人们越来越多的关注.首先,回顾了混合智能系统的发展历程,并以此为基础重新给出了混合智能系统的定义.接着,从理论和实际应用两个角度对混合智能系统研究现状进行了综述.从理论研究上看,主要综述了混合智能系统的研究动因、类别、构造方法、评价准则,对当前研究现状进行了分析;从应用研究上看,主要对混合智能系统的主要应用领域进行了综述.最后,以目前混合智能系统领域的研究论文为基础,对混合智能系统未来的发展方向进行了预测.

数据挖掘分类算法研究综述

随着数据库应用的不断深化,数据库的规模急剧膨胀,数据挖掘已成为当今研究的热点;特别是其中的分类问题,由于其使用的广泛性,现已引起了越来越多的关注。对数据挖掘分类问题的研究现状进行了综述:首先对研究比较多的基于判定树的归纳分类、基于人工神经网络的分类和基于统计的贝叶斯分类作了详细的讨论;然后对目前新提出的几种算法作了简要分析;最后根据数据挖掘的发展现状和研究重点对数据挖掘分类算法的发展趋势作了展望。

复旦大学信息化校园建设规划及实施要点分析

在当今教字化、网络化高速发展的信息社会,以改善学校的教学科研环境和提高学校管理水平为目标的校园信息化建设显得尤为重要。复旦大学经过广泛的校内外调研和走访活动,以及充分的认证,制定了符合复旦大学自身特点的信息化校园建设规划。此规划突出了三大特色:立足全局的统筹考虑、合理的实施步骤以及相配套的组织机构和管理规范。

知识联盟动态发展的结构性影响因素研究

知识联盟是企业获取外部知识尤其是隐形知识,提高自身竞争力的重要手段。针对知识联盟失败较多的现象,对影响知识联盟动态发展的联盟维持费用、知识资源特征、社会相容性等结构性因素作了分析。建立博弈模型,分两阶段研究了影响知识联盟形成和发展的结构性因素对企业行为决策的影响,并研究了这些因素之间的关系。

基于IS~±树模型的频繁模式挖掘

IS-树是一种新型的全文存储索引模型.提出一种基于扩展I-S树模型的频繁模式挖掘算法.和FPgrowth方法一样,算法直接构造频繁项集,不进行Apriori算法所采用的代价很高的候选集产生与测试操作.然而它比FP-树模型具有更多的优点:只需扫描一遍事务库;挖掘任务只局部关联于一棵根树;动态更新性好,仅做增量变化.实验表明,其具有与FP-growth算法相当甚至更高的效率.更重要的是,IS+树模型同时是一种事务库的良好索引形式,具有高效支持事务查询的能力.