查看“WikiEdge:ArXiv速递/2025-04-24”的源代码

== 摘要 ==
* '''原文标题'''：Design and benchmarking of a two degree of freedom tendon driver unit for cable-driven wearable technologies
* '''中文标题'''：二自由度肌腱驱动单元的设计与性能评估——面向缆驱可穿戴技术
* '''发布日期'''：2025-04-24 16:49:21+00:00
* '''作者'''：Adrian Esser, Chiara Basla, Peter Wolf, Robert Riener
* '''分类'''：eess.SY, cs.SY
*'''原文链接'''：http://arxiv.org/abs/2504.17736v1
'''中文摘要'''：[[外骨骼服]]作为刚性[[外骨骼]]的替代方案近年来得到发展，并日益应用于[[临床]]和[[家庭环境]]中[[上肢]]与[[下肢]]治疗与辅助。虽然已开发出多种[[线驱动]]外骨骼服，但其[[机电设计]]与[[性能]]的公开研究甚少。为此，本文针对线驱动可穿戴外骨骼服提出一种[[二自由度]][[肌腱驱动单元]]（TDU）的全面设计与性能分析。研究详细阐述了TDU功能基准测试方法：[[静态扭矩]]输出测试对比指令扭矩与实测扭矩；[[速度控制]]测试评估不同速度下的衰减与[[相位偏移]]；[[噪声测试]]量化穿戴者感知的TDU运行声响；[[热应力]]测试记录[[冷却性能]]以确保高负载安全运行；[[电池续航]]测试评估不同负载条件下的持续运行时间。为验证测试方案，本文推出模块化线驱动TDU系统，其[[电机]]、[[滑轮]]和[[传感器]]等组件可根据应用需求灵活调整。通过分享详细[[方法论]]与性能数据，本研究旨在提供可复用的TDU设计方案，并为研究人员和工程师提供系统化记录TDU设计性能的参考框架。

== 摘要 ==
* '''原文标题'''：Federated Learning: A Survey on Privacy-Preserving Collaborative Intelligence
* '''中文标题'''：联邦学习：隐私保护协同智能综述
* '''发布日期'''：2025-04-24 16:10:29+00:00
* '''作者'''：Edward Collins, Michel Wang
* '''分类'''：cs.LG, cs.AI
*'''原文链接'''：http://arxiv.org/abs/2504.17703v1
'''中文摘要'''：[[联邦学习]]（FL）已成为[[分布式机器学习]]领域的变革性范式，它允许多个[[客户端]]（如[[移动设备]]、[[边缘节点]]或[[组织]]）在不集中敏感数据的情况下协作训练共享[[全局模型]]。这种[[去中心化]]方法解决了[[数据隐私]]、[[安全性]]和[[监管合规性]]方面日益增长的担忧，使其在[[医疗保健]]、[[金融]]和[[智能物联网系统]]等领域特别具有吸引力。本综述对联邦学习进行了简明而全面的概述，从其核心[[架构]]和[[通信协议]]开始。我们讨论了标准FL[[生命周期]]，包括[[本地训练]]、[[模型聚合]]和[[全局更新]]。特别强调了关键的技术挑战，如处理[[非独立同分布]]（non-IID）数据、缓解[[系统异构性]]和[[硬件异构性]]、减少[[通信开销]]，以及通过[[差分隐私]]和[[安全聚合]]等机制确保[[隐私]]。此外，我们探讨了FL研究的新兴趋势，包括[[个性化联邦学习]]、[[跨设备联邦学习]]与[[跨孤岛联邦学习]]设置，以及与其他范式（如[[强化学习]]和[[量子计算]]）的集成。我们还重点介绍了实际应用，并总结了FL研究中常用的[[基准数据集]]和[[评估指标]]。最后，我们概述了开放的研究问题和未来方向，以指导[[可扩展性|可扩展]]、[[高效性|高效]]和[[可信赖系统|可信赖]]的FL系统的开发。

== 摘要 ==
* '''原文标题'''：RAGAT-Mind: A Multi-Granular Modeling Approach for Rumor Detection Based on MindSpore
* '''中文标题'''：基于MindSpore的多粒度建模谣言检测方法RAGAT-Mind
* '''发布日期'''：2025-04-24 14:03:53+00:00
* '''作者'''：Zhenkai Qin, Guifang Yang, Dongze Wu
* '''分类'''：cs.CL, cs.CY
*'''原文链接'''：http://arxiv.org/abs/2504.17574v1
'''中文摘要'''：随着[[虚假信息]]在[[社交媒体平台]]持续扩散，有效[[谣言检测]]已成为[[自然语言处理]]领域的紧迫挑战。本文提出[[RAGAT-Mind]]——一种基于[[MindSpore]][[深度学习框架]]的[[中文]][[谣言检测]][[多粒度建模]]方法。该模型整合了[[TextCNN]]用于[[局部语义]]提取、[[双向GRU]]用于[[序列]][[上下文学习]]、[[多头自注意力机制]]用于[[全局依赖]]聚焦，以及[[双向图卷积网络]]([[BiGCN]])用于[[词共现图]]的[[结构化表征]]。在[[微博]][[谣言数据集]]上的实验表明，[[RAGAT-Mind]]实现了99.2%的[[准确率]]和0.9919的[[宏观F1值]]，验证了[[层次化]][[语言特征]]与[[图式语义]][[结构]]结合的[[有效性]]。该模型还展现出强大的[[泛化能力]]和[[可解释性]]，凸显了其在[[现实场景]]中的[[实用价值]]。

== 摘要 ==
* '''原文标题'''：Reconstructions of electron-temperature profiles from EUROfusion Pedestal Database using turbulence models and machine learning
* '''中文标题'''：基于湍流模型和机器学习的EUROfusion基座数据库电子温度剖面重建
* '''发布日期'''：2025-04-24 12:25:10+00:00
* '''作者'''：L. -P. Turica, A. R. Field, L. Frassinetti, A. A. Schekochihin, JET Contributors, the EUROfusion Tokamak Exploitation Team
* '''分类'''：physics.plasm-ph
*'''原文链接'''：http://arxiv.org/abs/2504.17486v1
'''中文摘要'''：本研究利用[[EUROfusion]]基座数据库中的[[等离子体]]剖面数据，重点关注[[H-mode]] [[ELMy]] [[JET]] [[ITER-Like-Wall]]（[[ILW]]）放电边缘区域的[[电子温度]]和[[电子密度]]剖面。我们以放电的[[密度剖面]]和[[工程参数]]作为输入，对[[电子温度基座]]进行系统性预测。
首先提出一种[[机器学习算法]]：在输入参数多于[[理论建模]]且使用数据库80%数据作为[[训练集]]时，能重构剩余20%[[温度剖面]]（误差控制在实验值的20%以内），包括对[[基座宽度]]和[[位置]]的精确估计。预测中最重要的工程参数是[[磁场强度]]、[[粒子加料速率]]、[[等离子体电流]]和[[靶板位形]]，这证实了利用大型数据库实现精确基座预测的潜力。
其次采用[[理论方法]]，假设[[密度梯度]]（[[R/L_ne]]）与[[温度梯度]]（[[R/L_Te]]）存在局域[[幂律关系]]：[[R/L_Te]]=A([[R/L_ne]])^α（α≈0.4）在[[陡梯度区]]拟合良好。当对各基座独立拟合A和α时，会出现适用于[[JET-C]]数据的[[线性关联]]。当α=1时，A≡[[η_e]]（[[平板ETG理论]]中[[湍流]]的已知控制参数），实测陡梯度区的[[η_e]]值远超[[平板ETG稳定性阈值]]，暗示存在[[非线性阈值偏移]]或[[超临界湍流态]]。
最后测试了基于[[回旋动理学模拟]]的[[热通量标度律]]，并提供重构[[JET-ILW]]基座的最佳拟合参数。这些模型需要额外[[实验输入]]才能达到[[机器学习]]重构的精度。

== 摘要 ==
* '''原文标题'''：Machine Learning-Based Design and Monte Carlo Simulation of a Neutron Beam Shutter for Cyclotron-Based Neutron Sources
* '''中文标题'''：基于机器学习的回旋加速器中子源中子束快门设计与蒙特卡洛模拟
* '''发布日期'''：2025-04-24 07:21:25+00:00
* '''作者'''：Li-Fang Chen, Sheng-Long Jeng, Cheng-Si Tsao, Jyh-Shen Tsay
* '''分类'''：physics.ins-det
*'''原文链接'''：http://arxiv.org/abs/2504.17319v1
'''中文摘要'''：本研究提出了一种结合[[蒙特卡洛模拟]]（[[MCNP]]）与[[机器学习]]技术的[[中子束快门]]创新设计方法，旨在提升[[屏蔽性能]]并加速[[设计流程]]。目标设施为[[紧凑型中子科学平台]]，其中子由[[回旋加速器]]质子束轰击[[靶材]]产生，系统包含[[热中子]]和[[快中子]]束线。[[热中子束线]]上安装的[[快门]]用于降低[[维护]]期间的[[职业辐射暴露]]。
研究通过[[MCNP]]模拟了200种不同[[材料序列]]的[[中子快门]]构型，利用生成的[[数据集]]训练[[全连接神经网络]]以预测[[屏蔽]]下游[[中子通量]]。该模型随后应用于1,000种随机生成的[[屏蔽构型]]，实现快速[[通量预测]]与[[性能排序]]。筛选出预测[[通量]]最低的20种设计后，通过[[MCNP]]模拟进行二次验证。
结果表明：最优设计将[[快门]]入口处5.61×10^9 n/cm²·s的[[中子通量]]降至出口处4.96×10^5 n/cm²·s，实现四个数量级的[[衰减]]。这些发现证实[[机器学习]]技术能有效降低[[模拟成本]]并辅助识别高性能[[屏蔽构型]]，展现了[[数据驱动方法]]在[[中子]]系统设计中的巨大潜力。

== 摘要 ==
* '''原文标题'''：DTECM: Digital Twin Enabled Channel Measurement and Modeling in Terahertz Urban Macrocell
* '''中文标题'''：DTECM：太赫兹城市宏蜂窝中数字孪生赋能的信道测量与建模
* '''发布日期'''：2025-04-24 15:40:57+00:00
* '''作者'''：Yuanbo Li, Ziming Yu, Chong Han
* '''分类'''：cs.IT, math.IT
*'''原文链接'''：http://arxiv.org/abs/2504.17673v1
'''中文摘要'''：摘要：本研究针对[[太赫兹]]城市宏蜂窝([[THz]] [[UMa]])场景，通过结合[[射线追踪]]、[[计算机视觉]]([[CV]])和[[统计方法]]开展了大规模[[信道测量]]并建立了精确[[信道模型]]。具体而言，在220[[GHz]]频段实施了传输距离达410米的实测，并实现[[纳秒]]级绝对[[时间同步]]。基于测量结果详细分析了[[传播现象]]，对[[信道特性]]进行量化计算与[[统计建模]]。进一步提出[[数字孪生]]使能信道模型([[DTECM]])，采用混合方式生成[[太赫兹信道响应]]：主径通过[[射线追踪]]与[[CV]]技术确定性生成，除[[射线追踪]]确定的[[路径增益]]外，基于[[全景图像]]提取的[[植被信息]]精确建模附加[[叶簇损耗]]；为保持[[DTECM]]的低[[计算复杂度]]，非主径采用统计方式生成。数值结果表明，相较传统[[统计信道模型]]，[[DTECM]]将[[路径损耗]]建模误差从14[[dB]]降至4[[dB]]，展现出显著优势。此外，基于[[DTECM]]的初步[[链路性能]]评估表明，[[太赫兹]][[UMa]]具有可行性，但需高[[天线增益]]与[[覆盖扩展技术]]以实现高频[[谱效率]]与广覆盖。