平衡信息与动态更新的原型表示联邦学习

联邦学习(FL)是一种分布式机器学习方法,旨在通过训练模型而不共享客户之间的原始数据来解决隐私问题。然而,跨客户端数据的异构性会阻碍FL中的优化收敛性和泛化性能。为了解决这个问题,本文提出了平衡信息与动态更新的联邦原型学习(BD-FedProto)框架,它由两个组件组成:原型调度的动态聚合(DA)和对比原型聚合(CPA)。前者动态地调整局部学习和全局学习之间的比例,以平衡局部知识和全局知识的有效性;后者利用缺失的类作为负样本,通过统一的原型集群来学习未知的分布。在CIFAR-10和MNIST数据集上的实验结果表明,BD-FedProto能有效提高FL的分类性能和稳定性。

一种基于词语多原型向量表示的句子相似度计算方法

针对词语向量化表示的问题,根据词语词向量表示的思想以及借助多义词词典,在K-means聚类多义词语上下文表示的基础上,获得词语的多原型向量表示。对句子中的多义词语,通过计算词语多原型向量表示与词语上下文表示的相似度来进行词义消歧,根据2个句子集中共有词语和差异词语的词义相似度,给出一种基于词语多原型向量表示的句子相似度计算方法,实验结果显示了该方法的有效性。

基于深度学习的火山灾害场景高分遥感检测方法

针对现有火山灾害场景高分遥感图像智能检测中地表目标类型多样、样本类标缺失问题,提出一种基于深度学习的火山灾害场景高分遥感检测方法.该方法首先以多示例学习网络(Multi-Instance Learning,MIL)为框架,利用联合金字塔上采样(Joint Pyramid Upsampling,JPU)代替扩张卷积,然后通过原型学习和注意力机制(Attention Mechanism,AM)实现对火山灾害场景特征表示的深度神经网络模型重构,并在xBD数据集上进行测试.实验结果表明,与基准卷积神经网络(Convolutional Neural Network,CNN)、MIL方法和“CNN+”深度学习方法相比,在计算耗时未显著增加的情况下,本文方法能够取得最小的标准差和最高的准确性与检测精度,目视效果好.此外,我们进一步利用本文方法对2022年1月14—15日Hunga Tonga-Hunga Ha’apai(HTHH)火山灾害场景多源、多时序高分遥感图像进行检测,与已有成果表现出较好的一致性.

各态历经的地震动空间场的简化模拟

基于地震动空间场模拟中运用较广泛的原型谱表示法,给出了一种各态历经地震动空间场的模拟公式.首先给出原型谱表示法中体现任意两点间相关性的相位角的具体表达式,使其具有明确的物理意义,从而使得对复功率谱矩阵的Cholesky分解转化为对实数域内的相干函数矩阵的Cholesky分解,提高了合成效率.同时还在模拟公式中引入了双索引频率,以使得模拟公式具有均值与相关函数(自/互功率谱密度函数)的各态历经性,还对其各态历经性进行了理论上的证明,证明了当所模拟的各点地震动时间序列取一个周期时,其均值与相关函数的各态历经性.为进一步提高模拟效率,还给出了特定条件下,相干函数矩阵Cholesky分解后下三角矩阵中各元素的解析解,使得在合成中可以避免反复地在各频率下对相干函数矩阵进行Cholesky分解,从而实现了对模拟模型的简化.最后,给出一个简单的模拟实例,对改进前后模拟的地震动场进行比较,以说明改进后公式的模拟效果.