最新刊期
2022年第4卷第1期
- 摘要：交通态势感知是智能交通系统的重要研究方向。已有研究大多关注如何使用物理传感器感知当下交通态势并预测未来交通状况。然而，物理传感器性能易因天气影响、电磁干扰、能源限制等问题出现不稳定或失效情况，导致其采集的数据稀疏或缺失，使其对交通态势感知滞后且不准确。社会媒体数据为及时感知完善的交通态势信息提供了新的增强方式。面向当下异常交通情况频发的城市交通管控现状，社会传感与物理传感数据互为补充，可进一步满足城市交通高效管理需求。基于此，对基于社会媒体数据的交通事件检测和交通状况预测工作展开分析研究，探讨社会媒体数据增强的交通态势感知研究工作如何为交通管理部门提供决策支持，以合理规划、引导交通，缓解交通拥堵，最后提出社会媒体数据增强的交通态势感知还需进一步探索的方向。关键词：交通态势感知;智能交通系统;社会感知;交通事件检测;交通状况预测954|989|0更新时间：2022-03-15
评论智能
- 摘要：多视图学习是将不同来源的特征子集加以融合的策略。典型相关分析是多视图学习中的重要方法，旨在最大化不同视图之间的相关性。传统的典型相关分析仅能计算两个视图之间的线性相关性，无法应用于包含多个视图或包含非线性相关性的数据集。此外，如果将典型相关分析应用于有监督任务，其作为一种无监督方法将导致标签信息的浪费。针对上述问题，提出大量非线性的、针对多个视图的、有监督的基于典型相关分析的多视图学习方法。首先，概述经典的基于典型相关分析的多视图方法；然后介绍这些方法在模式识别、跨模态检索和分类，以及多视图嵌入中的典型应用；最后，对基于典型相关分析的多视图学习方法面临的挑战和未来研究方向进行了总结和展望。关键词：典型相关分析;多视图学习;多模态检索;多视图嵌入838|743|0更新时间：2022-03-15
综述与展望
- 摘要：群体智能是在互联网高速普及下诞生的人工智能新范式。然而，数据孤岛与数据隐私保护问题导致群体间数据共享困难，群体智能应用难以构建。联邦学习是一类新兴的打破数据孤岛、联合构建群智模型的重要方法。首先，介绍了联邦学习的基础概念以及其与群体智能的关系；其次，基于群体智能视角对联邦学习算法框架进行了分类，从隐私、精度与效率3个角度讨论了联邦学习算法优化技术；而后，阐述了基于线性模型、树模型与神经网络模型的联邦学习算法模型；最后，介绍了联邦学习代表性开源平台与典型应用，并对联邦学习研究进行总结展望。关键词：群体智能;联邦学习;隐私保护2287|2927|0更新时间：2022-03-15
- 摘要：开放环境下的群智决策是一种群体参与、人机交互、大数据驱动的新型决策模式，致力于借助开放的互联网环境实现复杂问题求解和智能决策。然而，互联网具有高度开放、复杂交互、行为涌现的特性，使得基于互联网的群智决策面临激励机制难设计、决策个体不可控、决策环境多样化、决策信息高度纷杂等挑战。着眼于开放环境下的群智决策，探讨其概念内涵、决策模式及关键挑战，梳理实施群智决策的引领性技术，并针对群智决策的成功案例进行分析，以期支撑新型决策模式在经济、医疗、民生等领域的应用，推动相应领域的进步和变革。关键词：开放环境;群智决策;激励;涌现;可信度;复杂性;不确定性246|326|0更新时间：2022-03-15
- 摘要：群体知识图谱是指通过群体协作，以去中心化或分布式方式管理和维护的知识图谱。相比现有的集中式管理的知识图谱，群体知识图谱具备知识确权、隐私保护、众包激励、可信溯责等特点。尝试探讨构建或应用群体知识图谱平台面临的技术挑战。其中分布式知识迁移考虑在一个分散自治的框架下，通过实现不同来源的多个知识图谱之间的知识迁移，缓解单个知识图谱的知识不完备问题。其主要难点是在充分保护知识的自治所有权的前提下，尽可能共享有用的知识，以增强各自的知识图谱表示。联邦式图谱推理也是考虑在一个分布式环境下，通过联邦学习机制实现隐私保护前提下的知识图谱推理。在分布式知识迁移中，强调在关系集合互相重叠的知识图谱间迁移与实体无关的知识；而在联邦式图谱推理中，强调在多个实体集合互相重叠的知识图谱间共同学习更好的实体嵌入表示。针对这两个问题分别进行模型设计及实验验证。关键词：群体知识图谱;联邦学习;知识迁移260|287|0更新时间：2022-03-15
- 摘要：群体行为往往能产生远超个体行为的价值和复杂度。为了在个体智能的基础上更有效地衍生出群体智能，需要基于群体熵来科学地衡量群体智能水平，并以群体熵为引导目标，推动群体智能的增强和演进。针对这个重要的科学问题，以无人小车群体为研究对象，提出基于参数共享和群体策略熵的多智能体soft Q learning算法，通过共享智能体的观测信息，并结合最大熵强化学习方法，实现探索型任务中群体策略的持续学习更新。同时，通过将群体熵定义为度量工具，刻画群体学习中熵变化模式，实现对群智汇聚过程的定量分析。关键词：群体熵;群体智能;深度强化学习732|615|0更新时间：2022-03-15
- 摘要：在多智能体强化学习的研究中，参数共享作为学习过程中一种信息集中的方式，可以有效地缓解不稳定性导致的学习低效性。但是，在实际应用中智能体使用同样的策略往往会带来不利影响。为了解决此类过度共享的问题，提出了一种新的方法来赋予智能体自动识别可能受益于共享参数的智能体的能力，并且可以在学习过程中动态地选择共享参数的对象。具体来说，智能体需要将历史轨迹编码为可表示其潜在意图的隐信息，并通过与其余智能体隐信息的对比选择共享参数的对象。实验表明，提出的方法在多智能体系统中不仅可以提高参数共享的效率，同时保证了策略学习的质量。关键词：多智能体系统;强化学习;参数共享878|1305|0更新时间：2022-03-15
- 摘要：现有群体智能系统执行探索任务时往往获取、计算和传输大量冗余信息，造成群智系统资源利用效率低下。设计任务驱动的计算和通信资源高效融合利用机理成为亟待解决的关键科学问题。基于此，提出了一种脑注意力机制启发的群体智能协同避障方法。受脑注意力机制启发，群智系统引入基于深度Q网络的传感器智能选择模块，实现在探索未知环境时高效选择传感器的工作状态，利用尽量少的传感器开销获取和计算关键信息；以最佳交互碰撞避免算法为基础，单一智能体融合邻居智能体的少量关键信息，驱动传感器智能选择模块，在完成集群协同避障的同时，大幅降低传感器获取和计算信息的冗余度。在仿真平台及Kehepera IV机器人实际场景中进行验证，结果显示，所提方法可以显著降低集群系统传感器的信息冗余度，并且随着智能体数量以及信息交互量的增加，性能增益更加显著。关键词：群体智能;资源利用效率优化;深度Q网络;最佳交互碰撞避免478|746|0更新时间：2022-03-15
- 摘要：大规模预训练模型利用大规模语料以及多样化的预训练任务在自然语言处理领域取得了巨大的成功。随着大模型的逐步发展，大模型的可持续学习能力探索成为新的研究热点。主要介绍鹏程系列大模型持续学习的技术体系、应用实践以及面临的挑战，包括通过任务扩展、数据增量和知识推理的鹏程系列可持续学习技术体系，开源大模型鹏程·盘古多任务可持续学习和鹏程·通言大模型的可持续学习能力实践，大模型可持续学习过程中面临的词表更新、语义映射和知识冲突等挑战。关键词：鹏程系列大模型;可持续学习;鹏程·盘古;鹏程·通言;开源大模型765|979|0更新时间：2022-03-15
专题：群体智能
- 摘要：作为一种前馈神经网络，宽度学习系统因其精度高、训练速度快且能有效代替深度学习方法而备受研究者的关注。然而，宽度学习系统存在对网络中的特征节点个数比较敏感且求伪逆方式易使模型出现过拟合等问题。为此，在宽度学习系统中引入贝叶斯推断和图正则化。一方面，通过引入先验知识进行贝叶斯学习可以有效提高权重的稀疏性，提高模型的稳定性；另一方面，加入图正则化可充分考虑数据内在的图信息，进一步提高模型的泛化能力。在UCI数据集和NORB数据集上对所提模型进行性能评估，实验结果表明，所提的基于图正则化的贝叶斯宽度学习系统模型能进一步提高宽度学习系统的分类精度且具有更好的稳定性。关键词：宽度学习系统;贝叶斯推断;图正则化;模式识别594|809|0更新时间：2022-03-15
- 摘要：随着物联网的快速发展，传统的以云计算为中心的数据处理方式显现出诸多问题，如带宽占用大、高时延等。而边缘计算以低时延、高可靠的数据处理方式成为云计算的有利补充。主要对面向云边协同的 KubeEdge边缘计算系统及其应用展开全面的讨论与分析。首先对KubeEdge边缘计算系统的架构、功能、关键技术进行了详细的介绍；其次将KubeEdge边缘计算系统应用于双臂协作机器人零部件装配的场景，对面向机器人装配场景的 KubeEdge 云边协同系统的功能和性能进行了全面、系统的分析与测试。测试结果显示，基于云边协同的KubeEdge边缘计算系统可以较好地满足机器人零部件装配场景的功能和应用需求，为KubeEdge边缘计算系统的实际应用提供了基础参考。关键词：边缘计算;KubeEdge;云边协同;机器人1052|1067|0更新时间：2022-03-15
- 摘要：近年来，工业控制系统智能化的趋势方兴未艾，相关新技术新思想不断被提出。知识图谱是人工智能应用的基础资源，构建专业领域知识图谱已经成为研究热点。然而，控制系统知识图谱构建尚处于发展初期。对控制系统的结构特点和任务要求进行分析，给出控制系统的知识图谱构建的方法框架。首先对已有的流程工业控制系统知识图谱构建的工作进行总结，阐述了工业控制系统的特点，给出了控制系统知识图谱构建的基本原则和流程，并以控制系统信息物理资产管理任务为例进行了详细的知识图谱构建说明。最后，对未来的研究方向进行了展望。关键词：控制系统;领域知识图谱;物理信息系统;构建技术1114|1189|0更新时间：2022-03-15
学术论文
- 地址：北京市丰台区东铁匠营街道顺八条1号院B座“北阳晨光大厦”2层 邮编：100079
- 联系电话：（010）53879206 Email：cjist@bjxintong.com.cn
- 技术支持由北京北大方正电子有限公司提供 京ICP备09064830号-19
京公网安备11010802024621 - 本系统建议在Chrome、 IE9+ 以上版本浏览器阅读本站内容，360浏览器请切换至极速模式
- Cookies帮助我们提供服务并提供个性化体验。使用本网站，即表示您同意我们使用Cookies
- 总访问量：161982 今日访问量：145
0