基于迁移学习的智能合约漏洞检测方法

针对智能合约源代码漏洞数据集匮乏的问题,提出一种基于迁移学习的智能合约漏洞检测方法.首先,从CodeBERT预训练模型中迁移表示传统编程语言的语义特征参数,学习智能合约编程语言Solidity的语义表示;其次,使用长短期记忆网络处理语义向量,加入上下文语义关联;最后,训练智能合约漏洞检测模型,完成智能合约源代码形式的二分类漏洞检测任务.实验结果表明,与基线方法和机器学习方法相比,该方法在数据集匮乏情况下的智能合约漏洞检测准确率更高.     

基于联邦迁移学习的应用系统日志异常检测研究

迄今为止,基于日志的异常检测研究已经取得了很多进展,然而,在现实条件下仍旧存在两个挑战：（1） 是日志数据通常以“数据孤岛”形式储存在不同的服务器上,单一公司或组织的日志数据中异常样本量不足,且异常模式较为固定,很难通过这些数据训练出一个准确率高的检测模型. 为了解决这个问题,将不同来源的日志数据整合成更大的数据集可以提高模型训练的效果但可能会在数据传输过程中产生日志数据泄露问题;（2） 是不同应用系统类型的日志数据通常在结构和语法上存在差异,简单地整合并用于训练模型效果不佳. 基于以上原因,本文提出一种基于联邦迁移学习的日志异常检测模型训练框架LogFTL,该框架利用基于匹配平均的联邦学习算法,在保证客户端数据隐私安全的前提下于服务器聚合客户端的模型参数形成全局模型,再将全局模型分发给客户端并基于客户端的本地数据进行迁移学习,优化客户端本地模型针对自身常见异常行为的检测能力. 经过实验表明,本文提出的LogFTL框架在联邦学习场景下效果超过了传统的日志异常检测方法,同时也证明了该框架中迁移学习的效果.     

基于稀疏编码的迁移学习及其在行人检测中的应用

行人检测是计算机视觉领域中的研究热点,其实质是一个二分类问题.目前基于统计的行人检测技术已取得了一定进展,但大都需要大量的训练数据.针对这一问题,提出了一种基于迁移学习的半监督行人分类方法:首先基于稀疏编码,从任意的未标记样本中,学习到一个紧凑、有效的特征表示;然后通过迁移学习,将学习到的特征表示方法迁移到行人分类中.在MIT行人数据库上的实验结果表明:该方法能有效地刻画出行人的特征,提高行人分类的性能,在标记样本少的情况下仍具有良好的分类效果,因此可应用于行人检测中.     

基于伪标签和迁移学习的双关语识别方法

针对双关语样本短缺问题,研究提出了基于伪标签和迁移学习的双关语识别模型(pun detection based on Pseudo-label and transfer learning)。该模型利用上下文语义、音素向量和注意力机制生成伪标签;然后,迁移学习和置信度结合挑选可用的伪标签;最后,将伪标签数据和真实数据混合到网络中进行训练,重复伪标签标记和混合训练过程。一定程度上解决了双关语样本量少且获取困难的问题。使用该模型在SemEval 2017 shared task 7以及Pun of the Day数据集上进行双关语检测实验,结果表明模型性能均优于现有主流双关语识别方法。     

基于学习迁移理论的教学促进研究

学习迁移是指一种学习中习得的经验对另一种学习的影响。本文从学习迁移的涵义入手，探讨和分析了几种有关的学习迁移理论，在此基础上为教师在教学中如何促进学生的学习迁移提出了一些建议和措施。     

基于迁移学习的船舶机舱火灾图像检测方法

针对传统烟雾探测器易受船舶机舱环境、布置位置等因素影响导致着火响应不及时的问题,提出一种基于机器视觉的船舶机舱烟雾识别模型。首先,利用通用数据库和实船场景及其烟雾图片建立图形知识库;其次,构建迁移学习和残差网络的融合模型,实现烟雾特征的迁移和学习,并利用验证数据集验证模型的有效性;最后,选取实船工作间火灾实例照片验证模型的有效性。结果表明,相较于传统感烟探测器,该模型可提前83 s预警;相较于其他智能算法,该模型可提升烟雾识别准确率。该方法可以更快速识别船舶烟雾,避免重大灾难性火灾事故的发生,可作为船舶智能监控手段。     

基于YOLOv3及迁移学习的河道船舶目标检测算法

为加强对河道监控视频图像中散体物料采运船舶的监测和跟踪,从而辅助实现智能、高效的河道采砂监管和散体物料调度,基于You Only Look Once version 3（YOLOv3）算法及迁移学习提出一种河道散体物料船舶目标检测算法。首先使用COCO数据集训练初始的YOLOv3算法,得到模型的预训练权重;然后对从广西重要河道周围监控设备采集的采砂运砂船舶影像数据进行图像处理,得到高质量船舶数据集;最后以此数据集为驱动,利用迁移学习得到的预训练权重来训练针对河道采砂船等重点目标的YOLOv3检测模型。该模型采用Darknet-53作为主干网络,并融合了多尺度的特征图,从而实现对小、中、大等各类目标的检测。实验结果表明：该算法在测试集上的平均精度和检测速度分别达到98.00%和17.78 fps,对提高河道采砂监管效能和实现散体物料智能调度具有现实意义。     

计算机信息技术教学中学习迁移理论的应用

通过分析学习迁移的形成过程,指出影响学习迁移的主要因素,根据迁移现象的特点,结合计算机信息技术教学的实际,阐述教师在教学中应该如何有效地应用学习迁移理论组织教学,以此来提高教师的授课质量和学生的学习效率.     

一种基于迁移学习的学习资源推荐方法

移动互联网技术的飞速发展和智能终端设备的广泛普及为支持泛在学习(U-Learning)提供了可能.泛在学习是一种随时随地都能发生的在线学习.当前,互联网涌现了一大批可供学习的平台和资源,类似平台包括网易云课堂、Coursera、知乎网、简书网等.手动检索和个性化推荐是在线学习系统提供给用户获取学习资源的常用方式.个性化推荐因其能主动建模学习者偏好,为学习者提供个性化的学习资源推荐服务而受到了广泛关注并成为在线学习领域的研究热点.本文在传统协同过滤个性化推荐系统的基础上提出一种基于迁移学习的学习资源的推荐方法,该方法从已有的数据中学习知识,然后迁移到目标任务中,解决了目标任务中数据过少从而导致学习特征的能力不足的问题.     

基于深度学习的行为检测方法综述

行为检测在自动驾驶、视频监控等领域的广阔应用前景使其成为了视频分析的研究热点。近年来,基于深度学习的方法在行为检测领域取得了巨大的进展,引起了国内外研究者的关注,对这些方法进行了全面的梳理和总结,介绍了行为检测任务的详细定义和面临的主要挑战;从时序行为检测和时空行为检测2个方面对相关文献做了细致地分类,综合分析了每一类别中不同研究方法的思路和优缺点,并阐述了基于弱监督学习、图卷积神经网络、注意力机制等新兴研究话题的相关方法;介绍了行为检测领域常用的数据集以及性能评估指标,在这些数据集上比较了几种典型方法的性能;总结了当前行为检测方法需要解决的问题以及进一步发展的研究方向。     

深度神经网络内部迁移的信息几何度量分析

使用深度神经网络处理计算机视觉问题时,在新任务数据量较少情况下,往往会采用已在大数据集上训练好的模型权值作为新任务的初始权值进行训练,这种训练方式最终得到的模型泛化能力更好.对此现象,传统解释大多只是基于直觉分析而缺少合理的数学推导.本文将深度神经网络这种网络结构不变下层间的学习转为深度神经网络内部的迁移能力,并将学习过程变化形式化到数学表达式.考虑数据集对训练过程带来的影响,利用信息几何分析方法,确定不同数据集流形之上的度量和联络,实现不同数据集之间的嵌入映射,同时将参数空间的变化也放入流形空间,探究其对学习过程的共同影响,最终实现对这种内部迁移现象的数学解释.经过分析和实验验证可得内部迁移过程其实是一种能使网络可以在更广空间进行最优搜索的变化,有利于模型可以在学习过程中获得相对的更优解.     

基于深度学习的交通标志检测方法研究

提出了一种基于Faster R-CNN深度学习框架的交通标志检测方法,使用VGG16卷积神经网络自动提取交通标志图像特征,并将卷积特征图传入区域建议网络(RPN)中进行前景目标筛选及回归目标边框,将建议区域框映射到特征图上,经过RoI池化层后输出固定大小的建议框,利用分类网络对建议区域进行具体的类别判断,并精确回归目标的边框。并将算法在德国交通标志数据集GTSDB进行了实验验证,实验结果表明了所提出算法的有效性,该方法对不同光照、遮挡、标志模糊等具有鲁棒性。     

基于深度学习的低成本堆叠物料定位系统

针对堆叠物料无序分拣中传统定位方法硬件成本高、检测精度低等问题,设计了一种基于深度学习的堆叠物料定位系统.以单目光学相机采集得到的图像作为输入数据,利用单阶段检测算法得到候选目标,采用卷积神经网络进行目标筛选,最后对筛选后的目标感兴趣区域图像进行特征点回归,得到目标的类别、坐标和角度.堆叠物料定位系统由于无需昂贵的深度相机,且算法的鲁棒性较高,降低了硬件成本,提高了检测精度.在真实场景的测试结果显示,新系统的定位误差降低到了0.3 cm以内.     

抗结核治疗对肺结核患者血清中细胞因子的影响研究

目的：研究抗结核治疗对肺结核患者血清中细胞因子的影响。方法：选择肺结核患者70名作为研究对象,依据患者治疗情况将其划分成抗结核治疗组和对照组。结果：血清中细胞在治疗组中以胞质和胞膜为主呈淡棕黄色变化,在对照组中以胞质和胞膜为主呈棕黄、褐黄色变化。治疗组血清中的细胞因子和对照组相比差异具有非常显著性(P<0.01);治疗组血清中的细胞因子明显低于对照组,差异具有统计学意义(P<0.05)。抗结核治疗组血清中的细胞因子和对照组相比有非常显著性差异(P<0.01)。治疗组血清中的细胞因子mRNA表达结果明显低于对照组,差异具有统计学意义(P<0.05)。治疗组血清中细胞因子mRNA表达结果均低于对照组,差异无统计学意义(P>0.05)。血清中IFN-γ含量随菌量负荷的增加而增加,痰液中IFN-γ含量随菌量负荷的增加而降低,相关性存在统计学意义(P<0.01)。血清TNF-α含量随菌量负荷的增加而降低,血清中TNF-α含量随菌量负荷的增加而增加,相关性具有非常显著性(P<0.01)。血清中IL-10含量随菌量负荷的增加而增加,相关性具有非常显著性(P<0.01)。结论：抗结核治疗对肺结核患者血清中细胞因子具有重要作用。     

基于深度学习的恶意代码检测综述

恶意代码检测是网络空间安全领域的重要研究方向之一。在简要阐述恶意代码检测重大研究价值的基础上,结合国内外研究现状,总结了现有的基于深度学习的恶意代码检测技术及方法。首先,分别从静态、动态和混合检测方法多方面地梳理了传统检测技术,其次,分别从基于序列特征、图像可视化和数据增强的恶意代码特征提取方法出发,对基于深度学习的恶意代码分类识别方法进行了总结,最后,对基于深度学习的恶意代码特征提取与识别方向的技术难点和未来发展趋势进行了分析与展望。     

基于卷积神经网络和迁移学习的结构损伤识别

针对传统基于机器学习损伤识别方法手工提取特征适应性差、识别能力弱等问题,提出一种基于卷积神经网络和迁移学习的新颖、快速结构损伤识别方法.首先根据损伤特征向量特点,提出原始信号的分帧处理流程;其次考虑多传感器数据融合要求,建立多通道一维卷积神经网络结构损伤识别模型,给出模型的整体流程和网络参数;然后采集不同通道和不同噪声水平下,模拟不同位置程度损伤的15层框架数值模型加速度数据,进行损伤识别;最后将网络模型进行迁移学习,对7层框架模型试验进行损伤识别,并验证所提方法的可行性、准确性和计算复杂性.结果表明,该方法实现了特征自适应提取、损伤位置和损伤程度的精准识别,具有突出的计算效率.     

深度学习源代码缺陷检测方法

针对由于传统的源代码缺陷分析技术依赖于分析人员的对安全问题的认识以及长期经验积累造成的缺陷检测误报率、漏报率较高的问题,提出了一种深度学习算法源代码缺陷检测方法.该方法根据深度学习算法,利用程序源代码的抽象语法树、数据流特征,通过训练源代码缺陷分类器完成源代码缺陷检测工作.其依据的关键理论是应用深度学习算法及自然语言处理中的词嵌套算法学习源代码抽象语法树和数据流中蕴含的深层次语义特征和语法特征,提出了应用于源代码缺陷检测的深度学习一般框架.使用公开数据集SARD对提出的方法进行验证,研究结果表明该方法在代码缺陷检测的准确率、召回率、误报率和漏报率方面均优于现有的检测方法.      

基于深度小波自动编码器和极限学习机的轴承故障诊断

针对原始振动数据无监督特征学习问题,提出了一种深度小波自动编码器(deep wavelet automatic encoder,DWAE)与鲁棒极限学习机(extreme learning machine,ELM)相结合的滚动轴承的智能故障诊断方法。首先,利用小波函数作为非线性激活函数设计小波自动编码器从而有效地捕获信号特征。其次,利用多个小波自动编码器构造一个深度小波自动编码器来增强无监督特征学习能力。最后,采用鲁棒极限学习机作为分类器,对不同的轴承故障进行分类识别。用该方法对实验所得的轴承振动信号进行对比分析,结果验证了该方法能够在原始振动数据无监督特征学习的条件下该方法优于传统方法和标准深度学习方法。     

基于迁移学习的轴承剩余使用寿命预测方法

针对目前大多数基于人工智能的轴承剩余使用寿命(remaining useful life,RUL)预测方法不能很好地预测不同工况下轴承剩余寿命的问题,提出了一种基于迁移学习的寿命预测方法,对不同工况下的轴承进行剩余寿命预测.对采集的轴承原始振动信号进行傅里叶变换得到频域信号,以卷积神经网络和长短时记忆网络作为特征提取器...