车联网在智慧城市建设中扮演着不可或缺的角色,汽车不仅仅是交通工具,更是大数据时代信息采集和传输的重要载体.随着车辆采集的数据量飞速增长和人们隐私保护意识的增强,如何在车联网环境中确保用户数据安全,防止数据泄露,成为亟待解决...车联网在智慧城市建设中扮演着不可或缺的角色,汽车不仅仅是交通工具,更是大数据时代信息采集和传输的重要载体.随着车辆采集的数据量飞速增长和人们隐私保护意识的增强,如何在车联网环境中确保用户数据安全,防止数据泄露,成为亟待解决的难题.联邦学习采用“数据不动模型动”的方式,为保护用户隐私和实现良好性能提供了可行方案.然而,受限于采集设备、地域环境、个人习惯的差异,多台车辆采集的数据通常表现为非独立同分布(non-independent and identically distributed,non-IID)数据,而传统的联邦学习算法在non-IID数据环境中,其模型收敛速度较慢.针对这一挑战,提出了一种面向non-IID数据的车联网多阶段联邦学习机制,称为FedWO.第1阶段采用联邦平均算法,使得全局模型快速达到一个基本的模型准确度;第2阶段采用联邦加权多方计算,依据各车辆的数据特性计算其在全局模型中的权重,聚合后得到性能更优的全局模型,同时采用传输控制策略,减少模型传输带来的通信开销;第3阶段为个性化计算阶段,车辆利用各自的数据进行个性化学习,微调本地模型获得与本地数据更匹配的模型.实验采用了驾驶行为数据集进行实验评估,结果表明相较于传统方法,在non-IID数据场景下,FedWO机制保护了数据隐私,同时提高了算法的准确度.展开更多
词汇简化是在不改变原句结构和语义的情况下,用更简单的词替换句子中的难词,提高文本面向特定群体读者的可读性。该文提出基于提示微调的汉语词汇简化方法PTCLS(Prompt-tuning Based Chinese Lexical Simplification)。PTCLS采用基于BAR...词汇简化是在不改变原句结构和语义的情况下,用更简单的词替换句子中的难词,提高文本面向特定群体读者的可读性。该文提出基于提示微调的汉语词汇简化方法PTCLS(Prompt-tuning Based Chinese Lexical Simplification)。PTCLS采用基于BART的底层架构,能够自然地生成不同字数的替代词,模型训练只需微调少量参数。在公开的汉语词汇简化数据集上的实验表明,该文提出的方法可以大幅超越目前最好的基线系统BERT-LS。深入分析揭示,微调方法只利用少量标注数据即可取得比全参数微调、手工提示和无监督方法更好的表现,尤其针对汉语同义词词典外的难词取得了更显著的性能提升。展开更多
依山·辛格博士,美国圣地亚哥州立大学(San Diego State University)资深名誉学术事务副校长,兼电教中心主管。他积极推动了该校对网络教学的发展和评估,并且推动了SDSU跟附近中小学的大力合作。他在校长职位30余年,负责学术事务部...依山·辛格博士,美国圣地亚哥州立大学(San Diego State University)资深名誉学术事务副校长,兼电教中心主管。他积极推动了该校对网络教学的发展和评估,并且推动了SDSU跟附近中小学的大力合作。他在校长职位30余年,负责学术事务部1.8亿的财政预算和支出。他知识渊博,熟悉美国的教育制度,跟美国白宫有合作办学项目,对美国的高等教育有着深刻的体会和独到的见解。辛格校长对中国有浓厚的兴趣,积极开展与中国的沟通和交流。他于2013年9月受邀访问国内多所高校,并举办了多场学术讲座。本刊特邀访谈者就此机会,对这位在校长职位上工作超过三十年的学者进行访谈,请他以圣地亚哥州立大学近几年用技术改革高等教育的策略和作法为切入点,从教育管理者和领导者的角度,阐述在线教育、MOOCs等技术力量在美国高等教育发展中的动力、影响及发展趋势。中美两国在高等教育体系各有特点,而我国同样面临着在线课程、开放课程、移动学习对教育的冲击和挑战。因此借鉴他人的思想和经验,有利于我国教育研究者发展出符合中国国情的、技术支持下的高等教育发展之路。展开更多
配电网规划问题在数学上是一NP-hard问题。当问题规模增大时,寻求其全局优化解至今仍是一难题。提出应用地理信息系统(Geographical Information System, GIS)技术改进配网规划的设想。基于中心地理论的应用模型,提出基于GIS的子系统模...配电网规划问题在数学上是一NP-hard问题。当问题规模增大时,寻求其全局优化解至今仍是一难题。提出应用地理信息系统(Geographical Information System, GIS)技术改进配网规划的设想。基于中心地理论的应用模型,提出基于GIS的子系统模型及算法,使问题规模大为减小。研究结果表明,借助GIS无需复杂的算法便可使规划过程更具交互性、规划结果更直观、方案调整更灵活。展开更多
文摘车联网在智慧城市建设中扮演着不可或缺的角色,汽车不仅仅是交通工具,更是大数据时代信息采集和传输的重要载体.随着车辆采集的数据量飞速增长和人们隐私保护意识的增强,如何在车联网环境中确保用户数据安全,防止数据泄露,成为亟待解决的难题.联邦学习采用“数据不动模型动”的方式,为保护用户隐私和实现良好性能提供了可行方案.然而,受限于采集设备、地域环境、个人习惯的差异,多台车辆采集的数据通常表现为非独立同分布(non-independent and identically distributed,non-IID)数据,而传统的联邦学习算法在non-IID数据环境中,其模型收敛速度较慢.针对这一挑战,提出了一种面向non-IID数据的车联网多阶段联邦学习机制,称为FedWO.第1阶段采用联邦平均算法,使得全局模型快速达到一个基本的模型准确度;第2阶段采用联邦加权多方计算,依据各车辆的数据特性计算其在全局模型中的权重,聚合后得到性能更优的全局模型,同时采用传输控制策略,减少模型传输带来的通信开销;第3阶段为个性化计算阶段,车辆利用各自的数据进行个性化学习,微调本地模型获得与本地数据更匹配的模型.实验采用了驾驶行为数据集进行实验评估,结果表明相较于传统方法,在non-IID数据场景下,FedWO机制保护了数据隐私,同时提高了算法的准确度.
文摘词汇简化是在不改变原句结构和语义的情况下,用更简单的词替换句子中的难词,提高文本面向特定群体读者的可读性。该文提出基于提示微调的汉语词汇简化方法PTCLS(Prompt-tuning Based Chinese Lexical Simplification)。PTCLS采用基于BART的底层架构,能够自然地生成不同字数的替代词,模型训练只需微调少量参数。在公开的汉语词汇简化数据集上的实验表明,该文提出的方法可以大幅超越目前最好的基线系统BERT-LS。深入分析揭示,微调方法只利用少量标注数据即可取得比全参数微调、手工提示和无监督方法更好的表现,尤其针对汉语同义词词典外的难词取得了更显著的性能提升。
文摘依山·辛格博士,美国圣地亚哥州立大学(San Diego State University)资深名誉学术事务副校长,兼电教中心主管。他积极推动了该校对网络教学的发展和评估,并且推动了SDSU跟附近中小学的大力合作。他在校长职位30余年,负责学术事务部1.8亿的财政预算和支出。他知识渊博,熟悉美国的教育制度,跟美国白宫有合作办学项目,对美国的高等教育有着深刻的体会和独到的见解。辛格校长对中国有浓厚的兴趣,积极开展与中国的沟通和交流。他于2013年9月受邀访问国内多所高校,并举办了多场学术讲座。本刊特邀访谈者就此机会,对这位在校长职位上工作超过三十年的学者进行访谈,请他以圣地亚哥州立大学近几年用技术改革高等教育的策略和作法为切入点,从教育管理者和领导者的角度,阐述在线教育、MOOCs等技术力量在美国高等教育发展中的动力、影响及发展趋势。中美两国在高等教育体系各有特点,而我国同样面临着在线课程、开放课程、移动学习对教育的冲击和挑战。因此借鉴他人的思想和经验,有利于我国教育研究者发展出符合中国国情的、技术支持下的高等教育发展之路。
文摘配电网规划问题在数学上是一NP-hard问题。当问题规模增大时,寻求其全局优化解至今仍是一难题。提出应用地理信息系统(Geographical Information System, GIS)技术改进配网规划的设想。基于中心地理论的应用模型,提出基于GIS的子系统模型及算法,使问题规模大为减小。研究结果表明,借助GIS无需复杂的算法便可使规划过程更具交互性、规划结果更直观、方案调整更灵活。
