排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
2.
在Mark Zuckerberg将脸书公司易名为Meta之后,“元宇宙”的概念不胫而走,不仅成为“下一代互联网”商业炒作的热潮,也是各学术领域(包括法学在内)争相热议的主题。然而,快速走红的繁杂叙事中,我们很少看到理性审慎的反思和系统缜密的思考。关于元宇宙规则构建出现了相互孤立、彼此割裂的讨论,在局部或者在一端呈现着对元宇宙的规制想象。本文尝试梳理国内元宇宙法律讨论的两种叙事(分别为科技规制和法域延展),探索其中的割裂和盲区,以及可能统合的方式。笔者主张,在整个知识生产链条上,法学工作者实际上处于末端,理应秉持着审慎、反思、慢思考的本性,不宜冲在最前。交叉学科大行其道的当下,法学家当然可以走出藩篱,前提要能够接受并理解法域之外的概念和框架,而不是仍在传统法学逻辑下“新瓶装旧酒”。本文简单论述“负责任创新”(Responsible Innovation, RI)框架在元宇宙研究上的相关性和重要性,为相关法学讨论的跨学科转向提供一些域外观察。 相似文献
3.
4.
海面温度(SST)与全球气候变化、海洋灾害、海洋生态系统密切相关,因此准确地预测SST是一个重要课题。现有区域型SST预测方法将SST时间序列处理为二维矩阵序列并作为模型输入,每个矩阵对应着特定时刻的区域SST,通过提取时空特征来实现其预测,但未充分考虑不同时空特征在时间维度和空间维度上对SST影响的不均衡性,限制了预测精度地提高。为了解决该问题,提出了一种结合时间注意力机制和空间注意力机制的区域SST预测方法(CRA-ConvLSTM),使得模型动态关注不同时刻的时间特征和区域内不同点的空间特征,赋予不同的影响权重,进而提高SST预测精度。具体来说,首先将输入的区域SST时间序列通过卷积神经网络(CNN)编码为多层特征向量,提取局部特征;然后构建了残差时间注意力模块,自适应地学习不同时刻的注意力权重,提取时间维度上的关键特征,并设计了残差空间注意力模块,提取区域内不同点在空间维度上的关键特征,此外,将注意力机制结合残差结构避免了网络中信息量过少导致的性能下降问题;最后通过卷积长短时记忆神经网络(ConvLSTM)将特征向量映射为SST预测结果。实验结果显示,该模型的均方根误差(RMS... 相似文献
1