基于深度学习的文本分类技术研究进展

随着深度学习技术的快速发展,许多研究者尝试利用深度学习来解决文本分类问题,特别是在卷积神经网络和循环神经网络方面,出现了许多新颖且有效的分类方法。对基于深度神经网络的文本分类问题进行分析,介绍卷积神经网络、循环神经网络、注意力机制等方法在文本分类中的应用和发展,分析多种典型分类方法的特点和性能,从准确率和运行时间方面对基础网络结构进行比较,表明深度神经网络较传统机器学习方法在用于文本分类时更具优势,其中卷积神经网络具有优秀的分类性能和泛化能力。在此基础上,指出当前深度文本分类模型存在的不足,并对未来的研究方向进行展望。     

基于Kubernetes的AI调度引擎平台

文中介绍了基于Kubernetes的AI调度引擎平台的设计与实现, 针对当前人工智能调度系统中存在的服务配置复杂, 集群中各节点计算资源利用率不均衡以及系统运维成本高等问题, 本文提出了基于Kubernetes实现容器调度和服务管理的解决方案. 结合AI调度引擎平台的需求, 从功能实现和平台架构等方面设计该平台的各个模块. 同时, 针对Kubernetes无法感知GPU资源的问题, 引入device plugin收集集群中每个节点上的GPU信息并上报给调度器. 此外, 针对Kubernetes调度策略中优选算法只考虑节点本身的资源使用率和均衡度, 未考虑不同类型的应用对节点资源的需求差异, 提出了基于皮尔逊相关系数 (Pearson correlation coefficient, PCC)的优选算法, 通过计算容器资源需求量与节点资源使用率的互补度来决定Pod的调度, 从而保证调度完成后各节点的资源均衡性.     

High-throughput optimization and fabrication of Bi2Te2.7Se0.3-based artificially tilted multilayer thermoelectric devices

Artificially tilted multilayer thermoelectric devices (ATMTDs) have attracted growing attention due to their ease in miniaturization and high flexibility in device design. However, most of these devices are inefficient due to the lack of effective strategy to optimize their material matching and geometrical configurations. Herein, a high-throughput optimization approach is employed to screen high-performance Bi₂Te_2.7Se_0.3-based ATMTDs from a material genome database covering 230 kinds of candidates. 14 kinds of ATMTDs are found to have ZT_zx,max values exceeding 0.3 and tilt angles greater than 15°. Bi_0.1Sb_1.9Te₃/Bi₂Te_2.7Se_0.3 ATMTD is screened out and fabricated because of its excellent transverse figure of merit, large tilt angle, and good interface compatibility. Consequently, transverse figure of merit over 0.3, thermal sensitivity greater than 0.11 mV·K^?1, and power density up to 1.1 kW·m^?2 are recorded in Bi_0.1Sb_1.9Te₃/Bi₂Te_2.7Se_0.3 ATMTD. This indicates that ATMTDs have great potential for application in the fields of temperature detection and power generation.     

机器学习中成员推理攻击和防御研究综述

机器学习被广泛应用于各个领域, 已成为推动各行业革命的强大动力, 极大促进了人工智能的繁荣与发展。同时, 机器学习模型的训练和预测均需要大量数据, 而这些数据可能包含隐私信息, 导致其隐私安全面临严峻挑战。成员推理攻击主要通过推测一个数据样本是否被用于训练目标模型来破坏数据隐私, 其不仅可以破坏多种机器学习模型(如, 分类模型和生成模型)的数据隐私, 而且其隐私泄露也渗透到图像分类、语音识别、自然语言处理、计算机视觉等领域, 这对机器学习的长远发展产生了极大的安全威胁。因此, 为了提高机器学习模型对成员推理攻击的安全性, 本文从机器学习隐私安全攻防角度, 全面系统性分析和总结了成员推理攻击和防御的基本原理和特点。首先, 介绍了成员推理攻击的定义、威胁模型, 并从攻击原理、攻击场景、背景知识、攻击的目标模型、攻击领域、攻击数据集大小六个方面对成员推理攻击进行分类, 比较不同攻击的优缺点; 然后, 从目标模型的训练数据、模型类型以及模型的过拟合程度三个角度分析成员推理攻击存在原因, 并从差分隐私、正则化、数据增强、模型堆叠、早停、信任分数掩蔽和知识蒸馏七个层面对比分析不同防御措施; 接着, 归纳总结了成员推理攻击和防御常用的评估指标和数据集, 以及其在其他方面的应用。最后, 通过对比分析已有成员推理攻击和防御的优缺点, 对其面临的挑战和未来研究方向进行了展望。     

特种表面活性剂和功能性表面活性剂(ⅩⅩ)——含氟双子表面活性剂的合成

按照结构特点对阳离子型、阴离子型、两性离子型和非离子型含氟双子表面活性剂的合成方法和合成路线进行了归纳。含氟双子表面活性剂是一种特殊表面活性剂,氟原子取代了表面活性剂碳氢链中的氢原子,而使其具有更高的表面活性。展望了含氟双子表面活性剂的发展前景。     

特种表面活性剂和功能性表面活性剂(ⅩⅫ)——含硅双子表面活性剂的研究进展

综述了具有很高的表面活性、良好的铺展性和润湿力、优越的配伍性及极低的生理毒性等优点的含硅双子表面活性剂的研究进展,重点介绍了阳离子型、阴离子型和非离子型含硅双子表面活性剂合成及性能的研究现状,并展望了含硅双子表面活性剂的发展方向。     

面向计算机软件工程的机器学习技术

在计算机技术不断发展的背景下,机器学习技术在软件工程领域应用得越来越广泛,其可以帮助软件开发人员更快、更高效地开发软件,提升软件质量及运行的稳定性,增强软件的适应性。近年来,机器学习技术水平不断提升,促进了软件工程领域的变革,在应用机器学习技术的过程中,可以通过数据学习的方式进行优化,制定最优模型,并结合机器学习帮助工作人员更有效地解决问题,提升软件运行效果。但在实际应用过程中,需结合模型建立及技术运行常见问题进行分析。基于此,文中通过对比分析,对面向计算机软件工程的机器学习技术进行了论述,并提出了计算机软件工程机器学习的改进措施,以机器学习中双层规划模型与计算应用为基础,充分展现了机器学习技术的应用优势。     

基于预训练语言模型的建筑施工安全事故文本的命名实体识别研究

建筑施工安全事故分析是施工安全管理的重要环节,但分散在事故报告中的施工安全知识不 能得到良好的复用,无法为施工安全管理提供充分的借鉴作用。知识图谱是结构化存储和复用知识的工具, 可以用于事故案例快速检索、事故关联路径分析及统计分析等,从而更好地提高施工安全管理水平。命名实 体识别(NER)是自动构建知识图谱的关键工作,目前主要研究集中于医疗、金融、军事等领域,而在建筑施 工安全领域,尚未见到 NER 的相关研究。根据建筑施工安全领域知识图谱的应用需求,定义了该领域 5 类 概念,并明确了实体标注规范。采用改进的基于 Transformer 的双向编码表征器(BERT)预训练语言模型获取 动态字向量,并采用双向长短期记忆-条件随机场(BiLSTM-CRF)模型获取实体最优标签序列,提出了适用于 建筑施工安全领域的 NER 模型。为了训练该模型并验证其实体识别效果,收集、整理和标注了 1 000 篇施 工安全事故报告作为实验语料。实验表明,相比于传统模型,该模型在建筑施工安全事故文本中具有更优的 识别效果。     

基于欧拉运动放大算法的桥梁索力测试方法研究

斜拉索、吊杆和系杆是缆索承重桥梁的重要受力构件,但传统的索力测试方法存在操作复杂、 成本高和效率低的缺点,为此开展基于欧拉运动放大算法的索力测试方法研究。采用数码摄像设备采集拉索振 动的数字图像数据,经过基于相位的欧拉运动放大算法处理,获取运动放大后的图像序列;利用基于 Canny 算子的边缘识别算法得到边缘图像序列,并通过边缘定位提取拉索人工标记的位移时程数据;最后利用频率 法识别拉索索力。以拱桥吊杆索力测试为背景,讨论了基于相位的欧拉运动放大算法与基于 Canny 算子的边 缘识别算法的适用情况。与传统基于加速度传感器的索力测试方法相比,该方法具有易操作、低成本和高效 率的特点。