WikiEdge:ArXiv速递/2025-04-24
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。
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。