开启联邦学习的个性化时代：隐私、安全与效率的平衡探索

人工智能为公共和国防安全的发展和应用提供了巨大的机遇,然而国防安全数据包含了敏感的军事、情报和战略信息,一旦泄露或被滥用,可能对国家安全造成严重威胁,如何确保国防安全数据的隐私保护成为一项重要挑战。个性化联邦学习是近年来发展起来的一种新型的机器学习方法,它旨在通过将分布式的数据在本地进行训练和更新,从而实现在保护数据隐私的前提下提高本地模型的准确性和鲁棒性。与传统的中心化机器学习方法不同,个性化联邦学习允许不同数据拥有者之间共享模型的信息,而不是数据本身。这种方法已经在医疗、金融、物联网等领域得到了广泛的应用。本文从全局模型个性化和本地模型个性化两个方面分别介绍了个性化联邦学习的基本原理以及研究现状,总结了各个方法的优缺点,并讨论了现有方法的评价指标和常用数据集,最后展望了它在未来的发展前景。     

氯化焙烧-浸出法从废炉砖中提取稀贵金属研究

某铜-铅阳极泥侧吹炉炉砖中金银含量较高,为高效综合提取炉砖中的金银,研究采用中温氯化焙烧-分步浸出工艺对该炉砖进行试验,结果表明：在焙烧温度为850℃,焙烧时间为2h,氯化钠用量为10%,硫代硫酸钠用量为8.5%,氨水用量为200L/吨焙烧渣,浸出温度为25℃,浸出时间为5h的条件下,银浸出率可达96.43%;在硫脲用量为0.2mol/L,硫酸铁用量为4g/L,浸出时间为15h,浸出温度为40℃的条件下,金浸出率可达84.68%,该工艺处理含金银废炉砖效果较好,研究可为含金银固废资源高效综合利用提供工艺参考。     

基于新型下垂控制的逆变器孤岛并联运行研究

在逆变器孤岛并联运行系统中,由于线路阻抗的影响,会造成线路电压损耗,传统的下垂控制无法有效实现系统功率的合理分配。针对这问题,本文先分析传统下垂控制的算法,并结合逆变器输出阻抗和线路阻抗,提出一种新的下垂控制策略。分析了系统功率与电压、频率的关系,讨论了系统中两台逆变器并联运行时产生环流的机理;引入功率微分环节,提高系统动态响应。采用新型下垂控制,有效减小了负载突变时母线电压幅值和频率的波动,抑制系统逆变器之间的无功环流,实现系统功率精确分配,提高了系统的稳定性。通过仿真验证了该控制策略的可行性和实用性。     

基于空间注意力图的知识蒸馏算法

知识蒸馏算法对深度神经网络的精简具有很大的推动作用。当前基于特征的知识蒸馏算法或只关注单个部分进行改进,忽视了其他有益部分,或是对小模型应重点关注的部分提供有效指导,这使得蒸馏的效果有所欠缺。为了充分利用大模型的有益信息并处理,提升小模型知识转换率,提出一种新型蒸馏算法。该算法首先使用条件概率分布对大模型中间层进行特征空间分布拟合,提取拟合后趋于相似的空间注意力图,将其与其他有益信息一起,通过用于缩小模型间差距的小型卷积层,将转换后的信息传递给小模型,实现蒸馏。实验结果表明,该算法具有多师生组合适用性与多数据集通用性,相比于当前较为先进的蒸馏算法,性能提升约1.19%,用时缩短0.16 h。对大型网络的优化与深度学习部署在低资源设备上的应用具有着重要的工程意义与广泛的应用前景。     

苏州广电现代传媒广场综合布线系统设计

针对苏州广电现代传媒广场项目体量大、业态多、涵盖子系统复杂的设计需求,通过合理规划项目各功能区域以及各专网系统的业务范围,把各弱电子系统通过综合布线平台有机结合在一起.在此基础上规划了各专网系统的综合布线方案和路由,进而详细阐述了综合布线系统的架构.最后提出了一套清晰有效的综合布线标识管理方案,为综合布线系统日后的顺利施工以及运行奠定了基础.     

电子束冷床炉熔炼Ti-6Al-4V合金过程中流动、传热和挥发计算

电子束冷床炉熔炼技术是生产航空发动机关键旋转部件用钛合金及钛屑回收利用的一项很有前景的技术。本文研究了Ti-6Al-4V合金在电子束冷床炉熔炼过程中冷床部分熔体的传热、流动和凝固过程。结果表明,冷床部分的熔体被限制在一个非常浅的深度,实验测量约为15mm,熔体速度大约是几厘米每秒。熔体温度随着熔炼功率增加而升高,随着熔炼速率增加而降低。熔池深度随着熔炼功率升高而增加,而熔炼速率对熔池形貌的影响不明显。模拟了不同密度、不同尺寸夹杂物的运动轨迹。结果表明夹杂密度对轨迹影响较大。建立了元素挥发的数学模型,并研究了熔炼工艺参数对铸锭成分的影响。结果表明熔炼温度、熔炼速率和原料配比对铸锭成分均有较大影响。采用工业用电子束冷床炉生产了圆锭,测量了冷床凝壳的形貌并检测了铸锭成分。计算结果与实验结果吻合较好。     

基于节点相似性的图注意力网络表示学习模型

图注意力网络(GAT)通过注意力机制聚合节点的邻居信息以提取节点的结构特征,然而并没有考虑网络中潜在的节点相似性特征。针对以上问题,提出了一种考虑网络中相似节点的网络表示学习方法NSGAN。首先,在节点层面上,通过图注意力机制分别学习相似网络和原始网络的结构特征;其次,在图层面上,将两个网络对应的节点嵌入通过基于图层面的注意力机制聚合在一起,生成节点最终的嵌入表示。在三个数据集上进行节点分类实验,NSGAN比传统的图注意力网络方法的准确率提高了约2%。