李群机器学习(LML)的学习子空间轨道生成格算法

给出了李群机器学习(LML)的学习子空间轨道生成格及相关的基本概念,包括:李群机器学习中的样例数据集,轨道生成格理论及其算法,同时也给出了实例验证分析,并与决策树学习算法C4.5作比较,在分类的正确性方面优于C4.5算法,由此进一步证明了该理论的可行性以及算法的有效性。

融合BERT词嵌入和BiLSTM的微博谣言持续检测模型

针对微博谣言带标签数据不足,且当下的谣言检测模型无法持续学习应对不断变化的微博网络语言等问题,本文提出BERT-BiLSTM-LML微博谣言持续检测模型.首先,使用BERT(Bidirectional Encoder Representations from Transformers)预训练模型提取两个任务输入文本数据的词向量;其次,使用双向长短时记忆(Bi-directional Long Short-Term Memory,BiLSTM)网络充分提取文本的上下文特征;最后,基于BiLSTM深层特征使用终身监督学习算法ELLA(Efficient Lifelong Learning Algorithm)对两个任务的特征数据进行建模,以实现对微博谣言的持续检测.实验结果表明:BERT词向量有效优化了模型性能,比基于Word2vec词向量的Word2vec-BiLSTM-LML模型在准确率和F1值都提升了5.5%.相较于独立学习,在持续学习争议检测任务后,模型的谣言检测准确率提升了1.7%,F1值提升了1.8%.同时,在持续学习过程中,随着知识的积累,谣言检测准确率持续提升.最终在公开的微博数据集上,BERT-BiLSTM-LML模型谣言检测准确率为93.2%,F1值为93.1%,优于其他基线模型.

Battery prognostics and health management for electric vehicles under industry 4.0

Transportation electrification is essential for decarbonizing transport. Currently, lithium-ion batteries are the primary power source for electric vehicles (EVs). However, there is still a significant journey ahead before EVs can establish themselves as the dominant force in the global automotive market. Concerns such as range anxiety, battery aging, and safety issues remain significant challenges.

人工智能时代职业学校教师角色重塑与发展路径

人工智能技术的应用和发展,使得职业学校教师的传统角色面临危机。其中,“教师”称谓泛化导致教师角色错位危机,知识话语权的弱化导致教师的知识权威被侵蚀,众多学习软件的应用弱化了教学经验的传统地位,部分教师的“言行不一”造成教师道德形象矮化。为适应人工智能时代需求,亟待对职业学校教师角色进行重塑,让教师成为终身学习的向导与示范者,智慧生成、人格养成的引领者,个性化教育的实现者,正确价值的引导者,学术共同体的坚决维护者。人工智能时代职业学校教师角色重塑的发展路径包括:树立正确的教师角色观念,倡导终身学习理念;强化职业学校教师角色的认同感,构建人机协同教育体系;构建“人工智能+教育”的模式,推动课堂教学模式的变革;加强培训与交流,提升教师的人工智能应用能力。

基于终身机器学习的主题挖掘与评分预测联合模型

为充分利用历史知识,提高评分预测精度,基于终身机器学习(LML)机制提出一种同时挖掘用户评分和评论的推荐模型。在执行任务时积累知识并用于后续任务的训练,提高评分预测精度。在真实数据集上的实验结果表明,与无LML能力的模型相比,该模型预测评分的均方误差降低5.4‰,且随着知识的积累,误差不断降低,提高了主题词语分类的精度。

基于Hellinger距离与词向量的终身机器学习主题模型

与传统的机器学习方法相比,终身机器学习能够有效利用知识库中积累的知识来提高当前学习任务的学习效果。然而经典的终身主题模型(LTM)在领域选择时缺乏偏向性,且在计算目标词的相似性时不能充分利用目标词的上下文信息。从词语和主题选择的角度提出改进模型HW-LTM,利用Word2vec词向量的余弦相似度和主题之间的Hellinger距离寻找相似度较大的词语和领域,实现在迭代学习中对词语和领域的更优选择和更有效的知识获取,同时通过预加载词向量相似度矩阵的方式解决词向量余弦距离的重复计算问题,利用Hellinger距离计算主题相似度,加快模型收敛速度。在京东商品评论数据集上的实验结果表明,HW-LTM模型表现优于基线主题挖掘模型,相比LTM模型,其topic coherence指标提升48,耗时缩短43.75%。

美DARPA“终身学习机器”项目研究进展综述

“终身学习机器”(L2M)项目隶属于美国国防预先研究计划局(DARPA),其目标是开发支持下一代自适应人工智能系统所需的技术,使其能够在实际环境中持续地学习并改善性能,同时保持原来预先给定的能力。对L2M项目基本情况和研究进展进行了综述。首先,介绍了L2M项目的背景、目标、研究内容和项目阶段;然后,从终身学习理论方法研究、边缘终身学习与终身学习机器的硬件实现和终身学习机器人三个方面,对L2M项目的研究进展进行介绍和分析评述,其中理论方法方面包括不确定性调节的终身学习及其应用、自动驾驶中的终身学习、本征任务终身学习框架、通过元学习的神经调节克服灾难遗忘等;最后,对未来发展趋势进行了展望。综述表明,终身机器学习亟需继续开展研究,尤其是生物机制启发的终身学习、多智能体协同终身学习和终身学习技术在现实世界复杂场景中的应用等方向。

人工智能2.0与教育的发展

人工智能正在从1.0走向2.0,主要有三个方面的具体原因:一是社会产生了新的需求,二是信息环境发生了巨大变化,三是人工智能的基础和目标发生了变化,当然总的原因是人类社会结构从物理空间—社会空间的二元结构转变为物理空间—社会空间—信息空间的三元结构。人工智能2.0包括五个方面的基础研究:大数据智能;群体智能;跨媒体智能;人机混合增强智能;自主智能系统。目前人工智能2.0技术已经初露锋芒,对教育将产生多方面的影响:大数据智能将使个性化教育获得极大支持;跨媒体学习将取得很大的进展;终身学习将得到智能化的支持;数字图书馆建设将转变为智能图书馆建设;队伍组织和人才培养将成为新一代人工智能战略实施过程中极为重要的两个关键因素。