浅谈英语语法及其分类(英文)

当代英语语法流派可以粗略地分为三大类:规定性语法、描述性语法和解释性语法。本文简单介绍了各类语法的起源、基本概念及其主要特点,并提出了作者对怎样正确对待传统语法的观点。     

基于可解释神经网络的非常规储层参数建模范式

机器学习在非常规油气储层参数建模中起着越来越重要的作用,然而其特有的“黑盒”结构导致储层参数预测结果缺乏专业领域知识支撑。针对这一问题,提出一种基于可解释神经网络(INN)的储层参数建模范式。该模型以泛函网络结构为框架,通过可视化子网络基函数及其系数,一定程度上能展示模型的可解释性。最后,以松辽盆地青山口组青一段页岩油储层脆性指数建模为例进行模型验证。结果表明,与ELM、SVM、BP等传统的机器学习模型相比,所提出的INN储层参数模型不仅具有可解释性,且预测结果与实际值的均方根误差最小(5.2%～6.31%),相关系数最高(0.75～0.87)。     

面向图像数据的对抗鲁棒性综述

神经网络的脆弱性是深度学习方法中的关键挑战之一,获得鲁棒的深度神经网络是网络安全和深度学习的共同目标。然而单一学科得参与并不能有效解决当前面对抗鲁棒性面临的复杂问题。该文章旨在引起诸多学科对对抗鲁棒性研究的兴趣,包括认知科学、人类科学和社会科学。本综述从四个方面总结了对抗性鲁棒性,分别是：对抗攻防、对抗性脆弱的原因、泛化和评估。其次,提出了三个较为重要的研究方向以及一些开放性问题。解决对抗脆弱性问题需要多学科参与,对抗鲁棒性研究发展需要深度学习模式向开放转变。     

基于深度学习的司法判决预测算法研究

司法判决预测任务指的是根据真实的案情描述文本来预测案件的判决结果,有助于司法专业人士高效的工作,在智能司法方面具有广阔的应用前景。在实践中,易混淆罪名和少样本罪名的判别问题是目前的两大难点,普通模型很容易在上述问题上出现误判。为使易混淆罪名得到更好的区分,结合BERT（Bidirectional Encoder Representations from Transformer）和双向门控循环单元（Bidirectional Gated Recurrent Unit, BiGRU)深度学习网络,提出BGAAT（BERT BiGRU Attribute Self-Attention）网络模型。该模型引入具有区分性的罪名属性标签,通过注意力机制分别抽取属性特征与上下文特征,使用注意力分布对可解释性进行描述。为使少样本罪名更好的被识别,引入罪名分类权重,使模型在少样本罪名分类取得了更高的F1值。最后在真实的司法判决数据集上进行了实验,证明了所提出模型在该任务上有良好表现。     

一种理解西方人类学发展的历史视角

仔细考察了16世纪和19世纪具体历史事件的相关性。在这些具体的历史事件中,一种对异族异群体的体验产生出了一种人类学的视角。如此一种视角在辩证意义上是受19世纪中期日益变得清晰的生物学意义上的种族观点所影响的。这样一种文化的视角在争议中渐成支配,并在解释和评论哲学和心理学议题的兼容性方面取得其基础性的地位。     

一种可解释性泛化矩阵分解推荐算法

可解释性矩阵分解解决了概率矩阵分解缺乏可解释性的问题,然而概率矩阵分解假设评分数据是服从正态分布的,这与实际场景有一定的偏差.针对该问题,提出一种可解释性泛化矩阵分解推荐算法.首先采用一种新型的变换函数使原始评分近似服从正态分布,然后通过可解释性矩阵分解获得预测评分,最后利用对应的逆变换函数将预测评分映射回原始评分区间...     

基于自动编码特征的汉语解释性意见句识别

提出一种基于自动编码特征的汉语解释性意见句识别的分类方法。首先从汽车和手机两个领域的产品评论中构造一个解释性意见语料库, 然后采用分类的方法进行解释性意见句识别。特别地, 采用自动编码技术表示和学习解释性意见句分类的词向量特征。最后, 在支持向量机框架下通过实验优选解释性词向量 维度, 并与一些传统特征表示方法进行比较。实验结果表明, 与传统的卡方、信息增益和TF-IDF及其组合方法相比, 自动编码特征的引入能有效提升汉语解释性意见句识别性能。     

《纽约时报》视野中的中国“苹果”简

《纽约时报》发表的有关”苹果”iPhone引发电子经济（iEconomy）的九篇系列报道．一举拿下了2013年的普利策解释性报道奖。”苹果”为什么选择中国作为其全球产业链的核心7这是偶然还是必然？     

基于依存关系图的汉语话语标记可解释性识别研究

自然口语中话语标记的研究对言谈互动、话语理解、情感分析、人机对话和口语机器翻译具有重大意义.为实现话语标记的自动识别，该文基于依存语法理论，分析判定话语标记的句法依存关系、语义依存关系、话轮位置以及共现成分的语义与功能信息.针对人工智能深度学习方法缺乏原理和语义上的解释性问题，运用朴素贝叶斯、决策树、大规模线性支持向量机以及贝叶斯网络四种解释性强的机器学习方法，对话语标记进行识别对比实验.研究结果表明，贝叶斯网络识别准确率可达92.3%,验证了该研究结论的可行性和有效性.     

基于自适应温度改进的可解释方法及实验验证

针对教师-学生网络存在的超参数温度控制效率低、时间开销大的问题,提出了一种基于自适应温度的小教师网络辅助训练的可解释模型.在原有教师-学生模型结构的基础上,首先,说明超参数温度只与学生模型的训练收敛速度相关;然后,加入小教师模型结构,节约了解释模型的训练时间.在图像分类的验证实验中,解释模型在cifar-100图像数据...