一种新型程序设计范型概述

介绍了一种新型程序设计范型——生成式程序设计提出的背景和意义、概念、分类、研究概况、存在的问题以及进一步的研究方向。     

基于知识拷贝机制的生成式对话模型

基于"编码—解码"结构的端到端生成式对话模型所生成的回复多样性差、信息量少,这在很大程度上阻碍了对话的进一步扩展和深入.而知识图谱作为一种高度结构化的知识,能够为对话提供相关知识以及话题转移关系,可以用来提升对话质量.因此,该文提出了一种基于知识拷贝机制的生成式对话模型,首先使用基于知识图谱的映射机制对对话内容进行处理...     

生成式对抗网络研究与应用进展

基于零和博弈思想的生成式对抗网络(GAN)可通过无监督学习获得数据的分布,并生成较逼真的数据。基于GAN的基础概念及理论框架,研究各类GAN模型及其在特定领域的应用情况,从数据相似性度量、模型框架、训练方法3个方面进行分析,对GAN改进与扩展的相关研究成果进行总结,并从图像合成、风格迁移等应用领域展开讨论,归纳出GAN的优势与不足,同时对其应用前景进行展望。分析结果表明,GAN的学习能力与可塑性强,改进潜力大,应用范围广,但其发展面临的挑战是训练过程不稳定,且缺乏生成数据质量的客观评价标准。     

安全信息管理系统生成器的研究

基于生成式程序设计和领域工程的理论与方法对运行于PDA的安全类软件进行建模,本文介绍一种简单的领域建模语言GML,设计一个生成器解析GML文档并生成目标系统。     

基于对偶生成式领域自适应网络的问答系统

针对生成式对抗网络在半监督问答系统领域的局限性：1.生成式对抗网络中的判别器与生成器存在结构对偶属性,在现有研究中被忽略。2.直接使用生成器生成的问答句对与人工标注的问答句对训练判别器易产生过拟合与偏差判别器。为了解决以上局限性,提出一种新型的对偶生成式域自适应网络。首先,设计判别器与生成器作为对偶闭环,提出概率对偶正则化项监督生成器与判别器训练过程,同时训练判别器与生成器,使得反馈信号在两者之间共享。然后,提出领域标签作为判别器的额外输入,区分生成器生成的问答句对与人工标注的问答句对,防止判别器过拟合与生存偏差判别器。基于问答数据集SQUAD数据集进行实验,实验结果表明,提出的对偶生成式域自适应网络相对于全监督问答模型具有好的性能,节省超过一半的标签成本;相对于传统生成式对抗网络具有更优的F1值与EM值。     

基于知识的程序设计训练系统PES的研究与实现

针对程序设计的特点，本文提出了以示例教学和程序设计练习为核心的基于知识的程序设计训练系统ＰＥＳ。着重讨论其系统组成、知识表示、知识库组织、错误诊断、学生模型、教学策略、示例环境和练习环境等几个方面的关键技术。     

基于生成式模型的多目标情感分类研究

近年来中文预训练模型层出不穷,在多数中文分类和生成任务上达到了最优的性能,且随着预训练模型的不断增大,如何充分利用预训练的所有权重也成为了一个热门的课题。文章结合中文多目标情感分类任务,提出了基于生成式模型的情感分类模型,在预训练模型的基础上,充分利用预训练权重,并基于一定的范式引导模型利用生成模型预测多目标的情感类别。实验证明,使用预训练的生成模型和人工制定的范式进行多目标情感分类时准确率达到了最优水平。     

面向复杂工程问题的C++程序设计教学及实践

针对工程教育认证中关于"复杂工程问题"的培养要求,分析计算机类专业的基础和核心课程C++程序设计的整个教学环节,包括理论教学、上机实践、课后作业、课程设计、考试等,提出以类为核心建立知识体系,串联各个知识点,结合大数据背景设计基于应用问题的课程练习和综合设计,在实践环节凸显系统编程能力培养,为培养学生的"解决复杂工程问题能力"提供有效支撑并夯实后续课程基础。     

面向Agent程序设计的研究

面向Agent程序设计(agent-oriented programming,简称AOP)基于多Agent系统的抽象和思想、借助于Agent理论和技术来支持软件系统的构造与实现,其程序设计思想、软件模型、基础理论和语言设施有别于现有主流程序设计技术,如OOP,代表了一种新颖的程序设计范型.由于多Agent系统被视为支持开放环境下复杂软件系统开发的一种新颖、有效的技术手段,因而近年来AOP受到人工智能、软件工程和分布计算等领域研究学者和工程实践人员的高度关注,并在过去20年取得了重要进展.但是,无论在应对复杂多Agent系统开发方面,还是在大规模工业化应用等方面,AOP的研究与实践都面临着严峻的挑战.作为一种程序设计范型,AOP研究需要在交叉其他学科知识(如人工智能)的基础上,充分借鉴软件工程以及已有程序设计范型的原理、原则和成功实践,从而推动技术走向成熟并为广大工程实践人员所接受.通过对AOP研究历程的系统介绍,从软件工程的视点考虑MAS程序设计的不同层次,综述AOP在程序设计抽象与模型、机制与理论、语言与设施和支撑平台这4个方面的研究成果,展示不同时期AOP研究关注点的变化以及发展趋势,分析当前AOP研究与实践存在的问题和面临的挑战,并展望进一步的研究.     

人工智能研究的新前线:生成式对抗网络

生成式对抗网络（Generative adversarial networks,GAN）是当前人工智能学界最为重要的研究热点之一.其突出的生成能力不仅可用于生成各类图像和自然语言数据,还启发和推动了各类半监督学习和无监督学习任务的发展.本文概括了GAN的基本思想,并对近年来相关的理论与应用研究进行了梳理,总结了GAN常见的网络结构与训练方法,博弈形式,集成方法,并对一些应用场景进行了介绍.在此基础上,本文对GAN发展的内在逻辑进行了归纳总结.     

基于特征精化的产生式编程方法研究

针对当前产生式编程方法不能有效地应用于复杂软件系统（如信息系统）的开发,不能在分析和设计的层次上复用软件等问题,本文提出了一种基于特征精化的产生式编程方法,基本思想是首先使用特征模型（Feature Model）描述领域内的概念和特征,然后使用特征精化的方法将特征精化为基本特征,用基本特征和之间的关系说明特征是如何实现的,最后将基本特征映射为组件,根据系统的特征模型组装组件,构建整个软件系统。基于特征精化的产生式编程方法是建立在特征和组件的基础上的,适用于信息系统类软件的开发。     

Feature engineering for semantic place prediction

We present in this paper our winning solution to Dedicated Task 1 in Nokia Mobile Data Challenge (MDC). MDC Task 1 is to infer the semantic category of a place based on the smartphone sensing data obtained at that place. We approach this task in a standard supervised learning setting: we extract discriminative features from the sensor data and use state-of-the-art classifiers (SVM, Logistic Regression and Decision Tree Family) to build classification models. We have found that feature engineering, or in other words, constructing features using human heuristics, is very effective for this task. In particular, we have proposed a novel feature engineering technique, Conditional Feature (CF), a general framework for domain-specific feature construction. In total, we have generated 2,796,200 features and in our final five submissions we use feature selection to select 100 to 2000 features. One of our key findings is that features conditioned on fine-granularity time intervals, e.g. every 30 min, are most effective. Our best 10-fold CV accuracy on training set is 75.1% by Gradient Boosted Trees, and the second best accuracy is 74.6% by L1-regularized Logistic Regression. Besides the good performance, we also report briefly our experience of using F# language for large-scale (～70 GB raw text data) conditional feature construction.     

Generative modeling and classification of dialogs by a low-level turn-taking feature

In the last few years, a growing attention has been paid to the problem of human-human communication, trying to devise artificial systems able to mediate a conversational setting between two or more people. In this paper, we propose an automatic system based on a generative structure able to classify dialog scenarios. The generative model is composed by integrating a Gaussian mixture model and a (observed) Markovian influence model, and it is fed with a novel low-level acoustic feature termed steady conversational period (SCP). SCPs are built on duration of continuous slots of silence or speech, taking also into account conversational turn-taking. The interactional dynamics built upon the transitions among SCPs provides a behavioral blueprint of conversational settings without relying on segmental or continuous phonetic features, and may be important for predicting the evolution of typical conversational situations in different dialog scenarios. The model has been tested on an extensive set of real, dyadic and multi-person conversational settings, including a recent dyadic dataset and the AMI meeting corpus. Comparative tests are made using conventional acoustic features and classification methods, showing that the proposed scheme provides superior classification performances for all conversational settings in our datasets. Moreover, we prove that our approach is able to characterize the nature of multi-person conversation (namely, the role of the participants) in a very accurate way, thus demonstrating great versatility.     

异构系统编程方法综述

由通用微处理器和专用加速器构成的异构并行系统比传统的同构系统显示出更高的性能和效能,目前已成为高性能计算领域的重要发展趋势。然而,编程问题成为限制异构系统发展的一大挑战,因此引起学术界和业界广泛关注。本文首先阐述了异构系统编程问题的来源;其次分析了近年来面向异构系统编程方法的研究工作,并对其进行分类;最后总结了异构系统编程方法未来的研究问题。     

概率生成模型变分推理方法综述

概率生成模型是知识表示的重要方法,在该模型上计算似然函数的概率推理问题一般是难解的.变分推理是重要的确定性近似推理方法,具有较快的收敛速度、坚实的理论基础．尤其随着大数据时代的到来,概率生成模型变分推理方法受到工业界和学术界的极大关注.综述了多种概率生成模型变分推理框架及最新进展,具体包括：首先综述了概率生成模型变分推理一般框架及基于变分推理的生成模型参数学习过程;然后对于条件共轭指数族分布,给出了具有解析优化式的变分推理框架及该框架下可扩展的随机化变分推理;进一步,对于一般概率分布,给出了基于随机梯度的黑盒变分推理框架,并简述了该框架下多种变分推理算法的具体实现;最后分析了结构化变分推理,通过不同方式丰富变分分布提高推理精度并改善近似推理一致性.此外,展望了概率生成模型变分推理的发展趋势.     

面向特征编程范式的形式化验证技术研究综述

以面向对象编程范式开发软件经常面临类(Class)与用户需求项无法直接对应的尴尬,面向特征编程范式(FOP)旨在解决这个问题,因此具有重要意义。本文首先简介了FOP编程范式的思想,它与面向方面编程范式的异同,以及它给相应的形式化验证技术带来的挑战;然后综述了现有的FOP形式化验证方法以及我们所做的相关工作,比较了它们的优缺点;最后讨论了FOP形式化验证今后可能的研究方向。     

Generative learning of visual concepts using multiobjective genetic programming

This paper introduces a novel method of visual learning based on genetic programming, which evolves a population of individuals (image analysis programs) that process attributed visual primitives derived from raw raster images. The goal is to evolve an image analysis program that correctly recognizes the training concept (shape). The approach uses generative evaluation scheme: individuals are rewarded for reproducing the shape of the object being recognized using graphical primitives and elementary background knowledge encoded in predefined operators. Evolutionary run is driven by a multiobjective fitness function to prevent premature convergence and enable effective exploration of the space of solutions. We present the method in detail and verify it experimentally on the task of learning two visual concepts from examples.     

XP结对编程探究

结对编程(Pair Programming)是极限编程(Extreme Programming,简称XP)的十二个实践之一。它指的是两个软件开发人员共用一台计算机,其中一个人负责具体细节工作,而另一个人关注整体,但这两个人的角色可以随时互换。这是一种轻量、高效、低风险、柔性、可预测、科学而充满乐趣的软件开发方式。结对编程可改进设计质量、减少程序缺陷、降低人员风险、提高技术技能和团队合作精神。     

基于特征的领域构件高内聚控制

构件的高内聚性是基于构件蔓用研究领域常见的话题，也是软件开发者一直追求的目标。无论是对软件体系结构的获取，还是对软件演化的探究，甚至遗留系统的现代化改造，都与高内聚性构件的确定有着不可分割的天然联系。通过特征跟踪矩阵，建立了领域构件与特征之间的联系；给出了基于特征的n维向量空间中领域构件向量的表示，进而获取了反应领域构件间密切关系的领域构件向量距离矩阵；基于领域构件向量距离矩阵，结合等级簇聚合算法建立了领域构件等级簇树；最后在领域构件等级簇树的基础上，提出了一种高内聚领域构件获取和控制策略。     

类比程序设计综述

类比推理能力是人类智能的重要组成部分。将类比推理用于软件生产自动化是十分关键而又富有挑战性的课题。本文在类比问题求解模型的基础上比较了类比程序设计的一些主要工作，分析了存在的问题，提出了我们解决问题的途径。