排序方式: 共有177条查询结果,搜索用时 15 毫秒
1.
本科生的科研活动越来越得到教育研究者的重视,然而,研究者很少关注学生科研活动与毕业走向之间的关联问题。为了探究本科生参与科研情况对其未来发展的影响,从学生毕业走向切入,挖掘影响学生未来毕业去向的重要因素。以北京市某师范高校计算机相关专业的2009级的所有学生的科研情况与毕业走向作为数据主要来源,以Weka作为模型建立和评估的辅助工具,采用J48决策树分类,进行十折交叉验证,建立了基于学生科研活动的毕业走向预测模型,并通过对模型进行验证评估,证明了模型预测准确率良好。研究结果表明,学生参与竞赛的数量、专业、作为项目负责人的项目数量、参与教学类项目的数量对学生的未来走向有着重要影响。 相似文献
2.
近几年深度神经网络正被广泛应用于现实决策系统,决策系统中的不公平现象会加剧社会不平等,造成社会危害.因此研究者们开始对深度学习系统的公平性展开大量研究,但大部分研究都从群体公平的角度切入,且这些缓解群体偏见的方法无法保证群体内部的公平.针对以上问题,本文定义了两种个体公平率计算方法,分别为基于输出标签的个体公平率(IFRb),即相似样本对在模型预测中标签相同的概率和基于输出分布的个体公平率(IFRp),即相似样本对的预测分布差异在阈值范围内的概率,后者是更严格的个体公平.更进一步,本文提出一种提高模型个体公平性的算法IIFR,该算法通过余弦相似度计算样本之间的差异程度,利用相似临界值筛选出满足条件的相似训练样本对,最后在训练过程中将相似训练样本对的输出差异作为个体公平损失项添加到目标函数中,惩罚模型输出差异过大的相似训练样本对,以达到提高模型个体公平性的目的.实验结果表明,IIFR算法在个体公平的提升上优于最先进的个体公平提升方法.此外IIFR算法能够在提高模型个体公平性的同时,较好地维持模型的群体公平性. 相似文献
3.
随着机器学习在安全关键领域的应用愈加广泛,对于机器学习可解释性的要求也愈加提高.可解释性旨在帮助人们理解模型内部的运作原理以及决策依据,增加模型的可信度.然而,对于随机森林等机器学习模型的可解释性相关研究尚处于起步阶段.鉴于形式化方法严谨规范的特性以及近年来在机器学习领域的广泛应用,提出一种基于形式化和逻辑推理方法的机器学习可解释性方法,用于解释随机森林的预测结果.即将随机森林模型的决策过程编码为一阶逻辑公式,并以最小不满足核为核心,提供了关于特征重要性的局部解释以及反事实样本生成方法.多个公开数据集的实验结果显示,所提出的特征重要性度量方法具有较高的质量,所提出的反事实样本生成算法优于现有的先进算法;此外,从用户友好的角度出发,可根据基于反事实样本分析结果生成用户报告,在实际应用中,能够为用户改善自身情况提供建议. 相似文献
4.
在安全关键系统的软件开发过程中,形式化验证是一种经检验的提高软件质量的技术.然而,无论从理论上还是从应用角度来看,软件的验证都必须是完整的,数据流验证应该是对实现层软件模型进行验证的必要体现.因此,环境输入、泛型函数、高阶迭代运算和中间变量对于分析形式化验证的可用性至关重要.为了验证同步反应式模型,工程师很容易验证控制流模型(即安全状态机).现有工作表明,这类工作无法全面地验证安全关键系统的同步反应式模型,尤其是数据流模型,导致这些方法没有达到工业应用的要求,这成为对工业安全软件进行形式化验证的一个挑战.提出了一种自动化验证方法.该方法可以实现对安全状态机和数据流模型的集成进行验证.采用了一种基于程序综合的方法,其中,SCADE模型描述了功能需求、安全性质和环境输入,可以通过对Lustre模型的程序综合,采用基于SMT的模型检查器进行验证.该技术将程序合成作为一种通用原理来提高形式化验证的完整性.在轨道交通的工业级应用(近200万行Lustre代码)上评估了该方法.实验结果表明,该方法在大规模同步反应式模型长期存在的复杂验证问题上是有效的. 相似文献
5.
嵌入式软件系统由于广泛采用分布式异构网络,使得软件系统复杂性呈现几何增长,因此需要在系统设计的论证阶段,对系统需求和设计方案进行正确性和充分性验证,进而发现系统性设计缺陷,避免可能引发或导致的严重系统性问题。为此,提出一种基于SysML的嵌入式软件系统结构与行为需求建模方法。通过对嵌入式软件系统的结构和逻辑行为进行层次化建模,并利用Modelica离散与连续融合的仿真特点,在系统需求论证阶段,基于建立的仿真模型对系统关键功能指标进行仿真,结果表明,该方法对系统需求论证具有可行性。 相似文献
6.
7.
主要研究基于ARM处理器的固件升级,及启动固件的设计与研究。研究的目的在于旨在探讨升级与启动App过程中一些常见及隐蔽问题的解决方案,如双备份升级、App与Boot地址空间规划、定义固件格式以及在启动App时需要特别注意的关键操作,使Bootloader设计更加健壮。 相似文献
8.
9.
10.
针对传统的AdaBoost算法中,存在的噪声样本造成的过拟合问题,提出了一种基于噪声检测的AdaBoost改进算法,本文称为NAdaBoost(nois-detection AdaBoost). NAdaBoost算法创新点在于针对传统的AdaBoost算法在错误分类的样本中,噪声样本在某些属性上存在很大差异,根据这一特性来确定噪声样本,再重新使用算法对两类样本进行分类,最终达到提高分类准确率的目的. 本文对二分类问题进行实验结果表明,本文提出的算法和传统的AdaBoost算法,以及相关改进的算法相比,有较高的分类准确率. 相似文献