智能数据分区与布局研究

大数据时代,数据规模庞大,由数据进行驱动的应用分析场景日益增多.如何快速、高效地从这些海量数据中提取出用以分析决策的信息,给数据库系统带来重大挑战.同时,现代商业分析决策对分析数据的实时性要求数据库系统能够同时快速处理ACID事务和复杂的分析查询.然而,传统的数据分区粒度太粗,且不能适应动态变化的复杂分析负载;传统的数据布局单一,不能应对现代大量增加的混合事务分析应用场景.为了解决以上问题,“智能数据分区与布局”成为当前的研究热点之一,它通过数据挖掘、机器学习等技术抽取工作负载的有效特征,设计最佳的分区策略来避免扫描大量不相关的数据,指导布局结构设计以适应不同类型的工作负载.首先介绍了智能数据分区与布局的相关背景知识,然后对智能数据分区与布局技术的研究动机、发展趋势、关键技术进行详细的阐述.最后,对智能数据分区与布局技术的研究前景做出总结与展望.     

面向本科生机器学习课程的教学探索

针对面向本科生机器学习课程建设存在的问题,分析机器学习所需基础知识、课程体系结构、涵盖内容等方面的特点以及本科生学习能力、课程实践环境等受限因素,探讨如何面向本科生合理安排理论教学内容、采用合适的教学手段、设计实践方式和内容、针对课程特征制订考核方式等。     

基于同伴评价的物联网工程专业课程体系构建研究

针对物联网工程专业学科交叉需要理论知识体系架构结合工程实践能力的培养特点,以吉林大学物联网工程专业学生为研究对象,通过分析2017—2019年3学年的4门物联网工程专业课程成绩,介绍面向同伴评价教学的特征空间构建,提出同伴评价教学的方法,最后阐述如何创新性地利用机器学习模型对学生成绩进行分析和预测,以验证同伴评价专业课程体系建设的有效性。     

基于层次标签的机器学习流程组装

随着机器学习的兴起,算子数目飞速增长,组装算子需要搜索的解空间增大,流程组装时间指数倍增长,如何降低搜索解空间,从而降低组装时间,实现支持适应用户功能性需求的机器学习流程组装成为当前研究的热点.文中提出了一种基于层次标签、支持机器学习领域的流程组装方法.首先,从算子语义中提取标签,根据标签包含语义范围确定层次标签模型;其次,根据机器学习领域发现标签关系,确立领域组装模型,按照用户确定的功能性需求,确定最终领域标签模型;最后领域内算子与标签语义绑定,确定领域内算子关系模型,根据组装规则组装算子,形成满足用户功能性需求的全部算子流程.最后给出了支持该方法的实例,用以说明该方法的可行性;提出结果验证标准,用以说明结果的正确性与完整性.     

基于多变量时间序列及向量自回归机器学习模型的水驱油藏产量预测方法

提出了一种基于多变量时间序列(MTS)及向量自回归(VAR)机器学习模型的水驱油藏产量预测方法,并进行了实例应用。该方法在井网分析的基础上通过MTS分析对注采井组数据进行优选,并将井组内不同采出井产油量及注入井注水量作为彼此相关的时间序列,通过建立VAR模型从多个时间序列中提取出相互作用规律,挖掘注采井间流量的依赖关系从而进行产量预测。水驱油藏历史生产数据分析结果表明,与数值模拟历史拟合结果相比,机器学习模型产量预测结果具有更高精度,同时不确定性分析提升了预测结果的安全性。通过脉冲响应分析对注入井的采油贡献量进行评价,可为注水开发方案调整提供理论指导。     

快速近似计算Shapley值的归因解释方法

Shapley值归因解释方法虽然能更准确量化解释结果, 但过高的计算复杂度严重影响了该方法的实用性. 本文引入KD树重新整理待解释模型的预测数据, 通过在KD树上插入虚节点, 使之满足TreeSHAP算法的使用条件, 在此基础上提出了KDSHAP方法. 该方法解除了TreeSHAP算法仅能解释树结构模型的限制, 将该算法计算Shapley值的高效性放宽到对所有的黑盒模型的解释中, 同时保证了计算准确度. 通过实验对比分析, KDSHAP方法的可靠性, 以及在解释高维输入模型时的适用性.     

满足材料业需求准确率达95% 机器学习预测复杂新材料合成

据2021年12月22日发表在《科学进展》杂志上的一项研究,美国西北大学和丰田研究所研究人员已成功应用机器学习来指导新纳米材料的合成,消除与材料发现相关的障碍。这种训练有素的算法,可通过定义数据集来准确预测可用于清洁能源、化学和汽车行业燃料的重要催化剂。     

第31届机器学习国际会议(英文)

The 31st International Conference on Machine Learning(ICML 2014)will be held in Beijing,China,from June 21to 26,2014.The conference will,tentatively,consist of one day of tutorials,followed by three days of main conference sessions,followed by two days of workshops.We invite submissions of papers on all topics related to machine     

机器学习法预测不同应力比6005A-T6铝合金疲劳裂纹扩展速率

本文开展了不同应力比(R为0.05,0.1,0.3,0.5,0.6)条件下的6005A-T6铝合金紧凑拉伸试样疲劳裂纹扩展速率试验,在此基础上采用BPNN、SVR、KNN和XGboost共4种机器学习方法,比较了4种机器学习方法预测6005A-T6铝合金疲劳裂纹扩展速率的能力;作为对照组,利用试验数据拟合得到了传统的Forman疲劳裂纹扩展率方程。结果表明：应力比R对6005A-T6铝合金裂纹扩展速率存在显著影响,相同应力强度因子范围ΔK下,裂纹扩展速率da/d N随R增大而提高,且R的增大会使裂纹更早进入稳定扩展阶段;4种机器学习模型建立的裂纹扩展率预测内推模型均能体现裂纹扩展过程中速率的非线性变化特征,且对试验数据的拟合系数r²均达0.99以上,普遍高于Forman方程的0.82;4种机器学习模型建立的裂纹扩展率预测外推模型,BPNN算法的拟合系数r²仍高于0.99;KNN算法消耗的训练时间最短,XGboost算法具有最佳的疲劳裂纹扩展速率内推预测能力,而BPNN算法则具有更好的扩展率外推预测性能表现。     

基于深度森林的热轧带钢凸度预测模型

在热轧现场轧制规格切换或工况异常的情况下板凸度控制模型偏差较大,为了提高模型精度,提出了一种基于深度森林的热轧带钢凸度预测模型。深度森林模型融合了集成学习和深度学习的思想,采用了多粒度扫描增加数据特征多样性,采用级联森林逐层处理,使得模型具备强大数据拟合能力。将热轧数据经前期预处理导入模型,并对模型参数进行了网格搜索寻优,对比随机森林模型,深度森林模型的效果更优。基于深度森林的热轧带钢凸度预测模型得到了MSE值为6.537,MAE值为1.587,MAPE值为2.903%和R值为0.985的预测性能。