联邦学习作为解决数据隔离问题的新兴范式,能够在不需要客户端上传原始数据的情况下训练全局模型,有效保护用户隐私。由于客户端数量众多但通信资源有限,只能选择部分客户端参与模型聚合。然而联邦学习系统存在设备异构和数据异质等挑战...联邦学习作为解决数据隔离问题的新兴范式,能够在不需要客户端上传原始数据的情况下训练全局模型,有效保护用户隐私。由于客户端数量众多但通信资源有限,只能选择部分客户端参与模型聚合。然而联邦学习系统存在设备异构和数据异质等挑战,简单的客户端选择策略无法考虑环境的动态特性,会拖慢模型的收敛速度,降低模型性能。考虑到客户端状态的时变,提出了全新的客户端可用性评估指标,建立了多重约束下的联邦学习客户端选择模型,建模为损失最小化问题;将优化问题转化为马尔可夫决策过程,提出了一种基于深度强化学习的联邦学习客户端自适应选择(Adaptive Selection for Clients in Federated Learning based on Deep Reinforcement Learning,ASC-DRL)算法,综合考虑通信延迟、资源消耗及客户端可用性,通过代理服务器与环境之间的持续交互最大化奖励函数,得到最优客户端选择方案。实验结果表明,提出的ASC-DRL算法相比于传统联邦学习算法,在模型精度和训练损失方面有着最高89.2%和99.8%的效果提升,能够有效适应动态环境变化,提升联邦学习整体性能和稳定性。展开更多
为全面揭示基因组选择(genomic selection,GS)技术在作物遗传育种中的现状和应用潜力,以“基因组选择”“作物育种”“深度学习”“统计模型”为关键词,在Web of Science、中国知网等数据库中检索相关文献共253篇,系统总结基因组选择技...为全面揭示基因组选择(genomic selection,GS)技术在作物遗传育种中的现状和应用潜力,以“基因组选择”“作物育种”“深度学习”“统计模型”为关键词,在Web of Science、中国知网等数据库中检索相关文献共253篇,系统总结基因组选择技术的理论基础、方法演进、模型优化、应用实例等方面的进展和面临的挑战,重点分析采用多组学融合、神经网络等具体方法以提升基因组选择技术辅助育种的预测准确性。结果表明:基因组选择技术已从传统表型选择理论拓展至整合高通量基因组数据的现代育种实践,基因组选择模型亦由早期的以最佳线性无偏预测模型为(BLUP)核心的线性模型统计方法逐步演变为贝叶斯模型(Bayes model)、正则化方法、多性状预测、多环境反应规范模型和机器学习与深度学习模型,特别是在复杂性状预测中展现出显著优势。同时,大豆等重要作物已成为基因组选择辅助育种应用的典型代表,涵盖模型训练、训练群体优化及基因型-环境互作建模等方面。GS的突破有赖于多组学数据整合、环境-基因互作建模、可解释性算法、多模态深度学习框架,以及面向育种实践的大规模训练集构建等。可见,GS正逐步形成支撑新一代智能化育种体系的关键技术支柱,在耕地资源紧张与气候变化背景下,为实现作物遗传增益与可持续育种提供重要的支点。展开更多
中美贸易摩擦导致中国对外直接投资(outward foreign direct investment,OFDI)面临巨大的不确定性。现有研究多采用回归分析识别中国OFDI的影响因素,其主要关注单变量的净效应,难以揭示多条件交互下中国OFDI区位选择路径,同时也缺乏中...中美贸易摩擦导致中国对外直接投资(outward foreign direct investment,OFDI)面临巨大的不确定性。现有研究多采用回归分析识别中国OFDI的影响因素,其主要关注单变量的净效应,难以揭示多条件交互下中国OFDI区位选择路径,同时也缺乏中美贸易摩擦等新时代背景下的探讨。论文运用模糊集定性比较分析,探讨中美贸易摩擦背景下东道国多维距离、市场潜力与要素禀赋对中国OFDI区位选择的联动效应。研究发现:(1)贸易摩擦前识别出4条路径,而贸易摩擦发生后识别出3条路径,中美贸易摩擦发生前后的区位选择路径存在差异。(2)贸易摩擦发生前创新水平最为重要,而贸易摩擦发生后,市场规模和自然资源成为重要因素。政治距离和市场开放的重要性上升,而创新水平与经济自由的作用有所弱化。(3)市场规模、要素禀赋及政治距离对资本密集型OFDI的影响更强,而技术密集型OFDI主要受到自然资源和经济自由的影响。该研究既弥补了传统研究未能基于组态视角分析中国OFDI区位选择路径的理论空白,也为新时期中国高水平实施“走出去”战略提供决策依据。展开更多
多交路运营是中国城市轨道交通网络化运营组织的重要组成部分,研究乘客在多交路运营条件下的出行选择行为,对把握乘客出行规律、满足多样化出行需求具有重要意义.基于随机后悔最小化模型,引入乘客对路径属性感知的异质性,构建融合效用...多交路运营是中国城市轨道交通网络化运营组织的重要组成部分,研究乘客在多交路运营条件下的出行选择行为,对把握乘客出行规律、满足多样化出行需求具有重要意义.基于随机后悔最小化模型,引入乘客对路径属性感知的异质性,构建融合效用与后悔机制的多尺度混合模型,克服了传统模型未考虑路径熟悉度导致的乘客出行行为与实际出行行为之间的决策偏差.通过整合容忍阈值与决策惯性,提出一种多交路出行选择建模方法,基于典型案例的陈述偏好(stated preference,SP)调查数据,完成模型参数估计与性能验证.研究结果表明,乘客对出行时间属性的容忍阈值为6.98 min;相较于基准模型,考虑决策惯性的模型在似然值、贝叶斯信息准则(Bayesian information criterion,BIC)及命中率指标上均表现更优,表明其具备更强的数据拟合能力;支付意愿分析进一步揭示乘客愿意为服务提升承担额外时间成本,从而验证了所提模型的有效性与实用性.展开更多
摘要联邦学习作为解决数据隔离问题的新兴范式,能够在不需要客户端上传原始数据的情况下训练全局模型,有效保护用户隐私。由于客户端数量众多但通信资源有限,只能选择部分客户端参与模型聚合。然而联邦学习系统存在设备异构和数据异质等挑战,简单的客户端选择策略无法考虑环境的动态特性,会拖慢模型的收敛速度,降低模型性能。考虑到客户端状态的时变,提出了全新的客户端可用性评估指标,建立了多重约束下的联邦学习客户端选择模型,建模为损失最小化问题;将优化问题转化为马尔可夫决策过程,提出了一种基于深度强化学习的联邦学习客户端自适应选择(Adaptive Selection for Clients in Federated Learning based on Deep Reinforcement Learning,ASC-DRL)算法,综合考虑通信延迟、资源消耗及客户端可用性,通过代理服务器与环境之间的持续交互最大化奖励函数,得到最优客户端选择方案。实验结果表明,提出的ASC-DRL算法相比于传统联邦学习算法,在模型精度和训练损失方面有着最高89.2%和99.8%的效果提升,能够有效适应动态环境变化,提升联邦学习整体性能和稳定性。
摘要为全面揭示基因组选择(genomic selection,GS)技术在作物遗传育种中的现状和应用潜力,以“基因组选择”“作物育种”“深度学习”“统计模型”为关键词,在Web of Science、中国知网等数据库中检索相关文献共253篇,系统总结基因组选择技术的理论基础、方法演进、模型优化、应用实例等方面的进展和面临的挑战,重点分析采用多组学融合、神经网络等具体方法以提升基因组选择技术辅助育种的预测准确性。结果表明:基因组选择技术已从传统表型选择理论拓展至整合高通量基因组数据的现代育种实践,基因组选择模型亦由早期的以最佳线性无偏预测模型为(BLUP)核心的线性模型统计方法逐步演变为贝叶斯模型(Bayes model)、正则化方法、多性状预测、多环境反应规范模型和机器学习与深度学习模型,特别是在复杂性状预测中展现出显著优势。同时,大豆等重要作物已成为基因组选择辅助育种应用的典型代表,涵盖模型训练、训练群体优化及基因型-环境互作建模等方面。GS的突破有赖于多组学数据整合、环境-基因互作建模、可解释性算法、多模态深度学习框架,以及面向育种实践的大规模训练集构建等。可见,GS正逐步形成支撑新一代智能化育种体系的关键技术支柱,在耕地资源紧张与气候变化背景下,为实现作物遗传增益与可持续育种提供重要的支点。
摘要中美贸易摩擦导致中国对外直接投资(outward foreign direct investment,OFDI)面临巨大的不确定性。现有研究多采用回归分析识别中国OFDI的影响因素,其主要关注单变量的净效应,难以揭示多条件交互下中国OFDI区位选择路径,同时也缺乏中美贸易摩擦等新时代背景下的探讨。论文运用模糊集定性比较分析,探讨中美贸易摩擦背景下东道国多维距离、市场潜力与要素禀赋对中国OFDI区位选择的联动效应。研究发现:(1)贸易摩擦前识别出4条路径,而贸易摩擦发生后识别出3条路径,中美贸易摩擦发生前后的区位选择路径存在差异。(2)贸易摩擦发生前创新水平最为重要,而贸易摩擦发生后,市场规模和自然资源成为重要因素。政治距离和市场开放的重要性上升,而创新水平与经济自由的作用有所弱化。(3)市场规模、要素禀赋及政治距离对资本密集型OFDI的影响更强,而技术密集型OFDI主要受到自然资源和经济自由的影响。该研究既弥补了传统研究未能基于组态视角分析中国OFDI区位选择路径的理论空白,也为新时期中国高水平实施“走出去”战略提供决策依据。
摘要多交路运营是中国城市轨道交通网络化运营组织的重要组成部分,研究乘客在多交路运营条件下的出行选择行为,对把握乘客出行规律、满足多样化出行需求具有重要意义.基于随机后悔最小化模型,引入乘客对路径属性感知的异质性,构建融合效用与后悔机制的多尺度混合模型,克服了传统模型未考虑路径熟悉度导致的乘客出行行为与实际出行行为之间的决策偏差.通过整合容忍阈值与决策惯性,提出一种多交路出行选择建模方法,基于典型案例的陈述偏好(stated preference,SP)调查数据,完成模型参数估计与性能验证.研究结果表明,乘客对出行时间属性的容忍阈值为6.98 min;相较于基准模型,考虑决策惯性的模型在似然值、贝叶斯信息准则(Bayesian information criterion,BIC)及命中率指标上均表现更优,表明其具备更强的数据拟合能力;支付意愿分析进一步揭示乘客愿意为服务提升承担额外时间成本,从而验证了所提模型的有效性与实用性.