联邦忘却学习研究综述

数据已经成为与土地、劳动力、资本、技术等并列的重要生产要素之一.利用数据分析挖掘数据的潜在价值,有助于推动产业创新、技术升级和区域经济发展.然而,在数据使用过程中,隐私泄露等风险限制了数据的流通和共享.因此,如何在数据流通和共享过程中保护数据隐私已成为研究热点.联邦忘却学习(Federated Un-learning)撤销用户数据对联邦学习模型的训练更新,可以进一步保护联邦学习用户的数据安全.本文综述了联邦忘却学习的研究工作,首先简要阐述了联邦学习架构,并引出忘却学习和联邦忘却学习的概念和定义;其次,根据修正对象的不同将联邦忘却学习算法分为面向全局模型和面向局部模型两类,并详细分析各类算法的实现细节以及优缺点;然后,本文还详述联邦忘却学习中常用评价指标,将评价指标划分为模型表现指标、遗忘效果指标和隐私保护指标三类,并分析不同类型评价指标的优缺点;最后,本文对联邦忘却学习未来的研究方向进行展望.

基于深度学习的红外可见光图像融合综述

如何将多张图像中的互补信息保存到一张图像中用于全面表征场景是具有挑战性的课题。基于此课题,大量的图像融合方法被提出。红外可见光图像融合(IVIF)作为图像融合中一个重要分支,在语义分割、目标检测和军事侦察等实际领域都有着广泛的应用。近年来,深度学习技术引领了图像融合的发展方向,研究人员利用深度学习针对IVIF方向进行了探索。相关实验工作证明了应用深度学习方法来完成IVIF相较于传统方法有着显著优势。对基于深度学习的IVIF前沿算法进行了详细的分析论述。首先,从网络架构、方法创新以及局限性等方面报告了领域内的方法研究现状。其次,对IVIF方法中常用的数据集进行了简要介绍并给出了定量实验中常用评价指标的定义。对提到的一些具有代表性的方法进行了图像融合和语义分割的定性评估、定量评估实验以及融合效率分析实验来全方面地评估方法的性能。最后,给出了实验结论并对领域内未来可能的研究方向进行了展望。

基于深度跨模态信息融合网络的股票走势预测

股票走势预测是经典且具有挑战性的任务,可帮助交易者做出获得更大收益的交易决策。近年来,基于深度学习的股票走势预测方法的性能得到明显提升,但现有方法大多仅依托于股票价格的历史数据来完成走势预测,无法捕捉价格指标之外的市场动态规律,在一定程度上限制了方法的性能。为此,将社交媒体文本与股票历史价格信息相结合,提出了一种基于深度跨模态信息融合网络(DCIFNet)的股票走势预测新方法。DCIFNet首先采用时间卷积操作对股票价格和推特文本进行编码,使得每个元素对其邻域元素都有足够的了解;然后,将结果输入到基于transformer的跨模态融合结构中,以更有效地融合股票价格和推特文本中的重要信息;最后,引入多图卷积注意力网络从不同角度描述不同股票之间的相互关系,能够更有效地捕获关联股票间的行业、维基和相关关系,从而提升股票走势预测的精度。在9个不同行业的高频交易数据集上实施走势预测和模拟交易实验。消融实验及所提方法与用于股票预测的多管齐下的注意力网络(MAN-SF)方法的比较结果验证了DCIFNet方法的有效性,准确率达到了0.6309,明显优于领域内代表性方法。

基于改进t-SNE算法的人体运动数据关键帧提取

针对根据关键帧重建运动序列时重建误差率较高的问题,提出一种基于改进的t-SNE降维算法,提取人体运动数据关键帧。利用t-SNE对原始运动数据进行降维,通过改变t-SNE中函数宽度参数的计算方法,得到稳定的低维特征曲线。提取低维特征曲线的局部最大值、最小值作为初始关键帧,再使用曲线幅度算法提取最终的关键帧序列。实验结果表明,在相同压缩比下,与其他关键帧提取方法相比,该方法具有较低的重建误差率。

大型城市地下物流网络优化布局的模拟植物生长算法

交通拥堵问题的加剧使传统物流网络在我国大型城市已达到极限,未来地面物流系统将逐步向地下不同层次里转移并释放出城市地上空间.本文以斯坦纳最小树(SMT)为理论模型,建立了符合我国大型城市不断扩展这一特点的树状地下物流网络布局模型.由于SMT为NP-完全问题,因此算法的寻优能力是研究的关键.本文所采用的模拟植物生长算法(PGSA)是以植物向光性理论为启发式准则的智能算法,该算法是利用人工植物在给定物流节点集解空间中的生长过程得到城市地下物流网络的最优布局.通过对国际公布的STEINLIB实例数据计算并与蚁群算法和模拟退火算法进行比较,表明模拟植物生长算法具有较强的精确性、稳定性和全局搜索能力.

求解非线性二层规划问题的模拟植物生长算法

本文以植物向光性生长理论为启发式准则,提出了一种求解非线性二层规划问题的智能优化算法。在该算法中,将二层规划上层解空间和下层反应集分别作为植物的两个生长环境,建立以生长规则为基础的植物系统演绎方式和以植物向光性理论为基础的概率生长模型,两者结合所形成的优化模式,实现了模拟植物从初始状态到完整形式的终态(没有新的树枝生长),从而得到二层规划问题的解。该方法具有搜索精度较高,求解稳定性较强的特点,通过与国外学者在非线性二层规划实际测试问题的最优值进行精度比较,表明模拟植物生长算法是有效可行的。

求解丢番图方程的模拟植物生长算法

基于模拟植物生长算法(PGSA),提出了一种求解丢番图方程的通用性智能算法。在该算法中,按照L-系统进行三次分型后得到植物初始生长点,将丢番图方程解空间作为植物的生长环境,建立以生长规则为基础的植物系统演绎方式和以植物向光性理论为基础的概率生长模型。通过对典型问题的求解,表明模拟植物生长算法具有搜索精度高,求解稳定性强的特点,本算法尝试改变目前丢番图方程"一种方程一种解法"的研究状况。