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...

自模型自由学习与有外部奖励学习在信息受限环境中的对比：一种新的强化学习框架 近年来，随着网络和人工智能系统的发展，网络化学习机制受到显著的安全挑战。在强化学习（Reinforcement Learning, RL）领域，奖励信号丧失、数据包丢失以及故意的网络攻击已成为影响学习系统性能的重要障碍。针对这一问题，来自乔治亚理工学院的Prachi Pratyusha Sahoo（IEEE学生会员）和Kyriakos G. Vamvoudakis（IEEE高级会员）提出了一种依靠内部奖励信号的新型强化学习框架，称为“自模型无学习”（Self-Model-Free RL）。本文发表于2024年12月《IEEE Transactions on Artificial Intelligence》，展示了在奖...

基于时空图的智能电网对抗性虚假数据注入逃逸攻击的生成与检测 背景介绍 随着现代智能电网的不断发展，电网作为一种典型的网络化信息物理系统（Cyber-Physical Systems, CPS），因其需要在不同组件之间交换大量数据，面临各种安全威胁。其中，虚假数据注入攻击（False Data Injection Attacks, FDIAs）因其能够篡改传感器数据而备受关注。攻击者可以借助这些虚假数据绕过传统的坏数据检测系统（Bad Data Detection, BDD），从而导致错误的操作决策，甚至可能使系统过载。然而，传统FDIAs相对简单，其明显的数据异常容易被数据驱动的机器学习模型检测到。 相比之下，对抗性虚假数据注入逃逸攻击（Adversarial False Data Inje...

基于简化核的代价敏感广泛学习系统（SKCSBLS）应对不平衡故障诊断的研究报告 研究背景及意义 进入工业4.0时代，智能制造日益依赖于工业大数据分析，通过提取机器运行数据中的关键信息，可以提升设备健康管理的有效性，从而实现企业生产的安全性和高效性。然而，在实际工业应用中，不平衡数据给智能制造领域的故障诊断带来了严峻挑战。多数情况下，设备运行数据中正常状态的数据占压倒性多数，而故障数据往往稀少。这种类别分布不均衡可能导致模型的预测准确性下降，并使得小类别（故障类别）难以被有效识别。 目前，深度学习方法（如卷积神经网络和递归神经网络）被广泛应用于故障检测。但这些模型需要大量的训练数据，如果数据量有限，则易出现过拟合问题；此外，这些方法的计算复杂度较高，训练耗时较长。因此，科研人员开始关注结构较为...

基于Wiener和Poisson噪声的随机Markov跳跃系统的最优控制：两种强化学习方法 学术背景 在现代控制理论中，最优控制是一个非常重要的研究领域，其目标是在各种约束条件下为动态系统设计一个最优控制策略，以最小化给定的成本函数。对于随机系统，传统的最优控制方法通常需要系统的完整模型信息，这在实际应用中存在很大的局限性。近年来，强化学习（Reinforcement Learning, RL）作为一种无需系统模型的方法，逐渐成为解决最优控制问题的重要工具。RL通过直接从数据中学习，能够获得最优值函数和最优策略，并且通过策略迭代（Policy Iteration）方法可以不断改进性能。 随机Markov跳跃系统（Stochastic Markovian Jump Systems, SMJS）...

探讨“声泡”与未来耳戴式设备：基于实时神经网络的创新研究 在日常生活中，噪声和复杂音景 (Acoustic Scene) 经常造成话语难以辨别，特别是在拥挤的环境中，例如餐厅、会议室或飞机上。传统的降噪耳机虽然能在一定程度上抑制环境噪声，但无法区分音源的距离，亦无法根据特定音源的空间位置精准塑造声场。基于此背景，来自华盛顿大学Paul G. Allen计算机科学与工程学院、微软以及AssemblyAI的团队开展了一项重要研究。他们开发了一套能够创建“声泡”（Sound Bubbles）的智能耳戴式设备，借助多通道麦克风阵列及实时嵌入式神经网络，解决了上述困境。本文发表在《Nature Electronics》2024年11月期，展示了这项研究在听觉增强领域的重要突破和技术实现。 技术背景与科...

人工智能解释类型对医生诊断表现和信任的影响 学术背景 近年来，人工智能（Artificial Intelligence, AI）在医疗保健和放射学领域的诊断系统发展迅速，尤其是在辅助超负荷工作的医疗提供者方面，AI系统展现了改善患者护理的潜力。截至2022年，美国食品药品监督管理局（FDA）已批准了190个放射学AI软件程序，且批准率逐年上升。然而，AI从概念验证到实际临床应用的整合仍存在巨大鸿沟。为了弥合这一差距，培养对AI建议的适当信任至关重要。尽管高准确性的AI系统已在真实临床环境中证明了其提升医生诊断表现和患者结果的能力，但错误的AI建议可能会降低诊断表现，这无疑导致了AI在临床中的延迟应用。 医生们呼吁AI工具应具备透明性和可解释性。在医学影像领域，AI工具可以提供两类解释：局部解...

基于深度强化学习的液体透镜显微镜自动对焦技术研究 学术背景 显微镜成像在科学研究、生物医学研究和工程应用中扮演着至关重要的角色。然而，传统显微镜及其自动对焦技术在实现系统小型化和快速精准对焦方面面临着硬件限制和软件速度缓慢的问题。传统显微镜通常采用多个固定焦距透镜和机械结构来实现放大和对焦功能，导致设备体积庞大、对焦速度慢，难以在狭小空间内快速操作。液体透镜（liquid lens）因其无机械部件、通过电信号调节焦距的特点，具有体积小、响应速度快、制造成本低等优势，成为解决这些问题的潜在方案。 近年来，人工智能和新光学元件的发展为显微镜自动对焦技术带来了新的研究方向。传统的自动对焦方法依赖于图像清晰度评估，通常需要多次图像采集和评估，速度较慢。深度学习技术的引入使得直接从单张图像预测焦平面位...

并行机械计算：能够进行多任务处理的超材料 学术背景 在数字计算平台取代模拟计算数十年后，随着超材料和复杂制造技术的发展，模拟计算重新引起了广泛关注。特别是基于波的模拟计算机，通过对入射波前进行空间变换来实现所需的数学运算，因其能够直接以未处理的形式编码输入信号，绕过了模拟到数字的转换，而备受青睐。然而，这些系统本质上仅限于单任务配置，无法同时执行多个任务或进行并行计算，这成为推动具有更广泛计算能力的机械计算设备发展的主要障碍。本文提出了一种在同一架构结构中同时处理独立计算任务的途径，通过打破一组超表面构建块的时间不变性，自生成多个频率偏移的波束，这些波束从基础信号中吸收显著的能量。这些可调谐谐波的产生使得不同的计算任务能够分配到独立的“通道”中，从而有效地实现模拟机械计算机的多任务处理。 论...