基于稳定信息的小数据学习方法

爆炸式增长的数据极大地推动了人工智能的进步与发展,在公共、国防安全领域得到了广泛应用,然而在这些安全攸关领域中存在分布特殊、以小概率出现的、具有动态不确定性的非完备小数据,难以利用传统的人工智能算法实现精准预测,从而出现被诱导、误判、偏见、分歧等与人类价值显著背离的潜在风险行为,引发针对智能算法模型应用的安全事件并造成灾难性后果。因此需针对这些小数据设计新型学习范式。本文首先梳理了小数据的概念并将其按照学习难度分为信息缺失、信息偏见、信息对抗三种情况,分析了其不满足常规人工智能算法的三种强假设条件,即独立、同分布、封闭世界假设。其次,系统提出基于稳定信息的小数据学习框架,介绍了稳定信息基于模型输入、模型模块、损失函数的嵌入方式,并给出形式化表达。随后,以因果干预及数理内嵌两种稳定信息为例,介绍了相应嵌入方式的小数据学习方法,并在轨迹预测任务上验证基于稳定信息的小数据学习的有效性。最后,给出未来展望。开展基于稳定信息的小数据学习方法研究,是小数据学习的实现途径之一,可有效缓解复杂环境下传统人工智能算法强假设不成立的学习困境,引导和支持人工智能算法的高效学习和精准预测,推动人工智能技术安全、可靠、可信发展。     

基于“包-电路”交换的双环片上网络设计

针对包交换片上网络(NoC)在大量数据通信情况下性能较差的弱点,提出了一种基于“包-电路”(PCC)交换的环形拓扑结构片上网络(DRNoC)设计架构。首先这种双环形拓扑结构由内外两环构成,可实现环内或环间双向通信,环上节点数目可拓展。其次DRNoC路由器通道可配置为桥节点或环节点路由器两种类型,相比于2D-Mesh型通道数减少,结构更加简单,资源消耗更少。最后提出了针对DRNoC的双环动态路由算法(DDRA),该算法无需在每个路由节点都进行输出方向的译码判断,在头包建立受阻时,根据网络情况选择其他路由路径,最大程度保证数据同环传输基础上跨环传输,有降低头包建立的等待时间,提高吞吐率。实验表明,在大量数据通信情况下,搭载DDRA算法的DRNoC的硬件资源开销降低的同时能够降低网络平均包延时提升平均吞吐率,有效地改善了网络性能。