量子机器学习数据集研究

为了给量子机器学习算法的开发和测试提供数据集支撑,应着力研究量子机器学习数据集。简要介绍不同类型的数据集,详细阐述了量子机器学习数据集,分析了经典数据映射的构造方式和量子系统试验中构造两种不同的量子机器学习数据集构造方式,并以药物—靶点亲和力预测数据集的构建和实现为例呈现了一种实现量子机器学习数据集的过程,最后概述量子机器学习数据集国际标准化进展。

联合人体姿态估计和多目标跟踪的跨数据集学习

近年来,多目标跟踪任务获得了较大的进展,尤其是针对行人的多目标跟踪。通过对行人进行联合姿态估计,能够提升多目标跟踪算法对行人的运动预测,同时为更高阶的任务例如自动驾驶算法提供更多的信息。然而,在当前包含人体姿态估计标签的多目标跟踪数据集中,视频长度较短且目标稀疏,限制了多目标跟踪算法的研究。文中使用具有更多行人的多目标跟踪数据集MOT17和多人姿态估计数据集COCO进行跨数据集学习,基于循环训练策略有效提升了联合人体姿态估计下的多目标跟踪算法的性能。同时极化自注意力下采样和注意力上采样的使用,在提升算法训练速度的同时,增强了算法的人体姿态估计性能。

构建学习型国家集群提升欧洲卫生人力资源规划水平

该文对卫生人力资源规划(HWF)的不同维度及决定因素进行研究,该研究有助于提升卫生人力资源规划特征相似的国家集群的交互情境学习。该文采用新的评分方法,该方法利用2012年欧盟大型研究项目"Matrix研究"得来的35个欧洲国家的数据,依据各国卫生人力资源规划的特征和类型来给各国评分。卫生人力资源规划的衡量维度有三个:(1)监控卫生人力资源数量和动态的数据基础设施;(2)界定和实施卫生人力资源市场监管的机构;(3)预测卫生人力资源供需缺口和失衡的模型的有效性。研究结果显示,卫生人力资源规划的三个维度呈弱相关,这表明不同国家的卫生人力资源投资方式不同。决定因素分析结果显示,卫生人力资源市场较大的国家,其国家卫生医疗服务、流动性、初级卫生保健等方面在卫生人力资源规划三个维度上的得分要高于其他国家。因此,对卫生人力资源规划特征相似的国家进行聚类可以推动各国交互情境学习,提升卫生人力资源规划水平。

产业集群学习能力的动态模型

产业集群的静态优势刚性是产业集群衰退的根本原因 ,产业集群也需培育其动态能力以获取持续竞争优势。本文认为 ,产业集群动态能力的培育需要以集群学习为桥梁 ,通过内部学习获得异质性能力 ,通过区际间学习不断提升异质性能力。集群学习的影响因素主要有知识资源、社会资本和关联度 。

制造型企业的超集群学习模式——基于“东汽”和“格兰仕”的案例研究

提出超集群学习模式与集群企业的成长路径之间存在动态匹配关系,并对此进行了理论分析。在此基础上,比较了"东汽"和"格兰仕"两家本土企业在其转型成长过程中所运用的超集群学习模式的异同,进一步论证了超集群学习模式的理论模型,解析了不同企业运用超集群学习模式的异同,证明了超集群学习模式对企业转型成长具有推动作用。

企业集群的创新集成:集群学习与挤压效应

对创新的促进被认为是企业集群这种独特产业组织形式的重要优势,但现有文献较少关注集群内部不同主体间的创新集成问题。本文基于对浙江省企业集群发展现状的调研以及对集群内在联结模式的理论探讨,论证了创新集成对培育集群持续竞争优势的意义。本文认为,企业集群要实现创新集成,关键在于两点:一是集群成员间通过协调性的集群学习过程形成知识共享效应;二是要有一种良性竞争机制激励集群成员次第创新,即形成“挤压效应”。围绕这两点,本文最后讨论了有效推动集群创新集成的规制安排。

基于学习代理人的产业集群学习模式

理论和实践都表明,产业集群的可持续发展越来越取决于其动态学习,为此对产业集群的学习问题进行了探讨.基于组织学习的概念,首先阐述了集群学习的概念内涵,尔后从浙江省产业集群发展实践中总结了一种基于学习代理人的集群学习模式,并探讨了其内在合理性和可能遇到的问题.最后,给出了绍兴纺织业集群的案例对此学习模式进行实证.

产业集群学习模式和演进路径研究

在产业集群学习行为和一般组织学习的比较基础上 ,提出集群学习的概念。从知识观角度对集群学习模式进行剖析 ,并从内部静态知识积累和成员间动态知识互动两个维度揭示集群学习模式的类型及其对应的集群空间状态 。

产业集群的学习过程机制研究

从学习的角度研究集群内企业与其他组织的互动以及整个集群与外部知识源的交流过程,另一个侧面解释产业集群的形成,为进一步分析这种集群学习机制的优劣势作一铺垫,并最终能提出一些改善产业集群学习的意见和建议,以提高产业集群的整体学习能力,增强竞争优势。

基于学习型产业集群的创新机制与系统构建

首先,从知识、技术角度对信息时代产业集聚区内企业增多现象进行分析,认为即使在信息时代,企业的隐性知识仍然无法远距离传播,空间上的临近仍然是获得该类知识溢出的最好途径.其次,对产业集群学习和创新的内在机理进行了理论分析,给出了学习型产业集群的定义.最后,基于学习型产业集群的创新系统提出了构建策略.

产业集群学习的路径及内在机理分析

集群学习能力是形成产业集群强大竞争优势的基础。文章从集群学习内涵的界定入手,分析了产业集群学习的路径以及产业集群学习能力形成与提升的内在机理。

社会资本与集群企业竞争优势:基于学习视角的理论与案例

近年来,伴随着中国传统产业集群升级和高科技产业发展的现实需要,围绕产业集群竞争优势的研究已经成为当前区域经济和产业经济领域内的热点。文章借鉴Nahapiet和Ghosha提出的社会资本分析框架,从结构、关系、认知三个维度分析社会资本对集群企业组织学习的影响,并在所构建的理论框架基础上进行温州鞋业集群的案例讨论,最后提出基于社会资本和学习视角的集群企业竞争优势提升建议。

人工智能图书采访系统的学习训练集构建与维护

学习训练集是人工智能采访系统进行深度学习训练的依据。学习训练集数据主要包括馆藏数据、用户数据及其他相关数据。这些数据以主题词数据为核心,互相建立关联,作为人工智能采访系统的学习训练素材。学习训练集数据运行要在优先级与阈值设置基础上进行。学习训练集数据维护要着重于数据的长期性与持续更新,并注意其不完整性带来的局限。

提高浙江省中小企业集群学习绩效的理论分析与对策研究

通过对集群学习能力提高、学习互动机制优化、动力机制完善和学习平台完善等方面的探讨,提出了提高集群学习绩效的对策。

基于AQ覆盖框架的蚁群规则集学习算法

针对规则集学习问题,提出一种遵循典型AQ覆盖算法框架(AQ Covering Algorithm)的蚁群规则集学习算法(Ant-AQ)。在Ant-AQ算法中,AQ覆盖框架中的柱状搜索特化过程被蚁群搜索特化过程替代,从某种程度上减少了陷入局优的情况。在对照测试中,Ant-AQ算法分别和已有的经典规则集学习算法(CN2、AQ-15)以及R.S.Parpinelli等提出的另一种基于蚁群优化的规则学习算法Ant-Miner在若干典型规则学习问题数据集上进行了比较。实验结果表明:首先,Ant-AQ算法在总体性能比较上要优于经典规则学习算法,其次,Ant-AQ算法在预测准确度这样关键的评价指标上优于Ant-Miner算法。

一种新的连续动作集学习自动机

学习自动机(Learning automation,LA)是一种自适应决策器。其通过与一个随机环境不断交互学习从一个允许的动作集里选择最优的动作。在大多数传统的LA模型中,动作集总是被取作有限的。因此,对于连续参数学习问题,需要将动作空间离散化,并且学习的精度取决于离散化的粒度。本文提出一种新的连续动作集学习自动机(Continuous action-set learning automaton,CALA),其动作集为一个可变区间,同时按照均匀分布方式选择输出动作。学习算法利用来自环境的二值反馈信号对动作区间的端点进行自适应更新。通过一个多模态学习问题的仿真实验,演示了新算法相对于3种现有CALA算法的优越性。

集群学习与产业集群创新

通过对当前产业集群创新研究现状的分析,解释集群学习对于产业集群创新的作用机理,在提出三种产业集群创新组织模式的基础上,针对性地选择几种产业集群学习方式。

多数据集深度学习模型的修图处理识别

图像处理软件的飞速发展,带动了移动应用领域一大批修图、美化应用的兴起。但是修图、美化软件的快速发展和普及也带来了一些社会问题和安全问题,如网恋对象严重失真,摄影作品造假等。针对手机中的修图处理APP软件,提出一种基于多数据集特征学习的神经网络模型,并给出其网络拓扑结构。区别于传统的多个神经网络并行操作,提出的网络模型具有共享模型参数的特征,能同时对多个特征数据集进行深度学习,使检测程序具备多特征识别能力。此外,还提出了一种针对多任务网络模型的损失函数,以增强深度特征学习的能力。实验结果表明,提出方法的准确率较传统方法有较大提升,同时泛化性能优越,能识别出经过多种美图、修图软件修复过的图像。

基于边界交互式学习的产业集群开放式创新

以产业集群开放式创新为核心,利用边界交互式学习,对其展开研究与探讨。首先指出影响产业集群边界交互式学习的因素主要包括知识存量、合作意愿、信任程度、吸收能力以及竞争关系5个方面;其次,将产业集群边界交互式学习模式划分为以产业集群企业为学习承担主体的学习模式和以产业集群机构为学习承担主体的学习模式。基于产业集群边界交互式学习能力差异,将产业集群学习主体划分为关键性学习主体和非关键性学习主体,并对其进行简要概述与探讨,指出边界交互式学习与产业集群内部学习在学习目标和学习过程方面具有一致性。

核心企业视域下战略性新兴产业集群的超集群学习模式研究

我国战略性新兴产业集群应着力构建动态、开放且持续升级的“集群知识系统”,以有效破解集群内生演进过程中可能导致的内外部“知识锁定”难题。作为产业集群中的关键异质性主体,集群核心企业扮演了“知识守门者”的战略角色,依托集群核心企业构建超集群学习模式是我国战略性新兴产业集群跨越式发展的重要途径。战略性新兴产业集群超集群学习包括了以集群核心企业为枢纽的四种关键子模式,在结合相关案例对这四种学习模式进行深入阐释的基础上,为我国战略性新兴产业集群发展提出若干创新性政策建议。