高阶有向社区检测的多目标进化框架 背景与研究动机 在复杂网络科学领域，社区结构是网络研究中至关重要的特性之一。这种结构在众多实际网络中普遍存在，如社交网络、生物网络、交通网络等。社区检测技术可以有效地揭示网络的拓扑属性和功能特性，从而促进对网络行为机制的理解。目前，多数传统的社区检测方法依赖于低阶节点和边的连接模式。然而，研究表明，网络中的高阶特性——即重复出现的小子图结构“基元”（Motif）——在塑造网络的拓扑形态和功能特性中发挥着关键作用。 在有向网络中，基于基元的高阶社区检测近年来引起了广泛关注。这种方法不仅可以揭示网络的高阶中尺度结构，还能捕捉系统的功能特性。然而，现有方法通常侧重于基元密度的优化，忽略了有向边的方向性（非对称方向弧）及其对信息流特性的影响。由于信息流是决定网络传播...

水平联邦学习中高效特征选择的新方法研究 近年来，随着联邦学习（Federated Learning, FL）逐渐成为一种保护数据隐私的分布式机器学习方法，如何在不同用户（即客户端）之间共享信息以训练高效的全局模型，吸引了广泛的关注。在水平联邦学习（Horizontal Federated Learning, HFL）中，所有客户端共享相同的特征空间，但各自的数据样本不同。然而，数据特征的冗余和维度灾难问题严重影响了模型的性能和训练效率。为此，特征选择（Feature Selection, FS）作为机器学习中的一种重要预处理技术，在去除冗余特征和增强模型性能方面具有突出的作用。本研究针对HFL场景下的特征选择问题提出了新方法，以解决这一领域的关键挑战。 论文来源 本论文题为 “Cost-Ef...

背景介绍 近年来，强化学习（Reinforcement Learning, RL）在解决各种复杂任务方面展示了其有效性。然而，许多现实世界中的决策和控制问题涉及多个相互冲突的目标。这些目标的相对重要性（偏好）在不同情景下需要权衡。尽管帕累托最优解（Pareto optimal）的解决方案被认为是理想的，但环境不确定性（例如，环境变化或观察噪声）可能会导致代理采取次优策略。 针对上述问题，Xiangkun He、Jianye Hao等人发表了一篇题为《Robust Multiobjective Reinforcement Learning Considering Environmental Uncertainties》的论文，旨在研究一种新的多目标优化范式，提出了在考虑环境不确定性的情况下的健...