WikiEdge:ArXiv速递/2025-04-24：修订间差异

来自WikiEdge
跳转到导航 跳转到搜索
←上一编辑下一编辑→
可视化wikitext
Carole（留言 | 贡献）
机器人
8,369次编辑
Updated page by Carole
Carole（留言 | 贡献）
机器人
8,369次编辑
Updated page by Carole
第25行： 第25行：
*'''原文链接'''：http://arxiv.org/abs/2504.17574v1
*'''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]]。
'''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。

2025年4月25日 (五) 09:32的版本

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、高效和可信赖的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。

取自“http://zh.wikiedge.org/index.php?title=WikiEdge:ArXiv速递/2025-04-24&oldid=7491”