WikiEdge:ArXiv速遞/2025-04-24

摘要

• 原文標題：Design and benchmarking of a two degree of freedom tendon driver unit for cable-driven wearable technologies
• 中文標題：二自由度肌腱驅動單元的設計與性能評估——面向纜驅可穿戴技術
• 發布日期：2025-04-24 16:49:21+00:00
• 作者：Adrian Esser, Chiara Basla, Peter Wolf, Robert Riener
• 分類：eess.SY, cs.SY
• 原文鏈接：http://arxiv.org/abs/2504.17736v1

中文摘要：外骨骼服作為剛性外骨骼的替代方案近年來得到發展，並日益應用於臨床和家庭環境中上肢與下肢治療與輔助。雖然已開發出多種線驅動外骨骼服，但其機電設計與性能的公開研究甚少。為此，本文針對線驅動可穿戴外骨骼服提出一種二自由度肌腱驅動單元（TDU）的全面設計與性能分析。研究詳細闡述了TDU功能基準測試方法：靜態扭矩輸出測試對比指令扭矩與實測扭矩；速度控制測試評估不同速度下的衰減與相位偏移；噪聲測試量化穿戴者感知的TDU運行聲響；熱應力測試記錄冷卻性能以確保高負載安全運行；電池續航測試評估不同負載條件下的持續運行時間。為驗證測試方案，本文推出模塊化線驅動TDU系統，其電機、滑輪和傳感器等組件可根據應用需求靈活調整。通過分享詳細方法論與性能數據，本研究旨在提供可復用的TDU設計方案，並為研究人員和工程師提供系統化記錄TDU設計性能的參考框架。

摘要

• 原文標題：Federated Learning: A Survey on Privacy-Preserving Collaborative Intelligence
• 中文標題：聯邦學習：隱私保護協同智能綜述
• 發布日期：2025-04-24 16:10:29+00:00
• 作者：Edward Collins, Michel Wang
• 分類：cs.LG, cs.AI
• 原文鏈接：http://arxiv.org/abs/2504.17703v1

中文摘要：聯邦學習（FL）已成為分布式機器學習領域的變革性範式，它允許多個客戶端（如移動設備、邊緣節點或組織）在不集中敏感數據的情況下協作訓練共享全局模型。這種去中心化方法解決了數據隱私、安全性和監管合規性方面日益增長的擔憂，使其在醫療保健、金融和智能物聯網系統等領域特別具有吸引力。本綜述對聯邦學習進行了簡明而全面的概述，從其核心架構和通信協議開始。我們討論了標準FL生命周期，包括本地訓練、模型聚合和全局更新。特別強調了關鍵的技術挑戰，如處理非獨立同分布（non-IID）數據、緩解系統異構性和硬件異構性、減少通信開銷，以及通過差分隱私和安全聚合等機制確保隱私。此外，我們探討了FL研究的新興趨勢，包括個性化聯邦學習、跨設備聯邦學習與跨孤島聯邦學習設置，以及與其他範式（如強化學習和量子計算）的集成。我們還重點介紹了實際應用，並總結了FL研究中常用的基準數據集和評估指標。最後，我們概述了開放的研究問題和未來方向，以指導可擴展、高效和可信賴的FL系統的開發。

摘要

• 原文標題：RAGAT-Mind: A Multi-Granular Modeling Approach for Rumor Detection Based on MindSpore
• 中文標題：基於MindSpore的多粒度建模謠言檢測方法RAGAT-Mind
• 發布日期：2025-04-24 14:03:53+00:00
• 作者：Zhenkai Qin, Guifang Yang, Dongze Wu
• 分類：cs.CL, cs.CY
• 原文鏈接：http://arxiv.org/abs/2504.17574v1

中文摘要：隨着虛假信息在社交媒體平台持續擴散，有效謠言檢測已成為自然語言處理領域的緊迫挑戰。本文提出RAGAT-Mind——一種基於MindSpore深度學習框架的中文謠言檢測多粒度建模方法。該模型整合了TextCNN用於局部語義提取、雙向GRU用於序列上下文學習、多頭自注意力機制用於全局依賴聚焦，以及雙向圖卷積網絡(BiGCN)用於詞共現圖的結構化表徵。在微博謠言數據集上的實驗表明，RAGAT-Mind實現了99.2%的準確率和0.9919的宏觀F1值，驗證了層次化語言特徵與圖式語義結構結合的有效性。該模型還展現出強大的泛化能力和可解釋性，凸顯了其在現實場景中的實用價值。

摘要

• 原文標題：Reconstructions of electron-temperature profiles from EUROfusion Pedestal Database using turbulence models and machine learning
• 中文標題：基於湍流模型和機器學習的EUROfusion基座數據庫電子溫度剖面重建
• 發布日期：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
• 分類：physics.plasm-ph
• 原文鏈接：http://arxiv.org/abs/2504.17486v1

中文摘要：本研究利用EUROfusion基座數據庫中的等離子體剖面數據，重點關注H-mode ELMy JET ITER-Like-Wall（ILW）放電邊緣區域的電子溫度和電子密度剖面。我們以放電的密度剖面和工程參數作為輸入，對電子溫度基座進行系統性預測。 首先提出一種機器學習算法：在輸入參數多於理論建模且使用數據庫80%數據作為訓練集時，能重構剩餘20%溫度剖面（誤差控制在實驗值的20%以內），包括對基座寬度和位置的精確估計。預測中最重要的工程參數是磁場強度、粒子加料速率、等離子體電流和靶板位形，這證實了利用大型數據庫實現精確基座預測的潛力。 其次採用理論方法，假設密度梯度（R/L_ne）與溫度梯度（R/L_Te）存在局域冪律關係：R/L_Te=A(R/L_ne)^α（α≈0.4）在陡梯度區擬合良好。當對各基座獨立擬合A和α時，會出現適用於JET-C數據的線性關聯。當α=1時，A≡η_e（平板ETG理論中湍流的已知控制參數），實測陡梯度區的η_e值遠超平板ETG穩定性閾值，暗示存在非線性閾值偏移或超臨界湍流態。 最後測試了基於迴旋動理學模擬的熱通量標度律，並提供重構JET-ILW基座的最佳擬合參數。這些模型需要額外實驗輸入才能達到機器學習重構的精度。

摘要

• 原文標題：Machine Learning-Based Design and Monte Carlo Simulation of a Neutron Beam Shutter for Cyclotron-Based Neutron Sources
• 中文標題：基於機器學習的回旋加速器中子源中子束快門設計與蒙特卡洛模擬
• 發布日期：2025-04-24 07:21:25+00:00
• 作者：Li-Fang Chen, Sheng-Long Jeng, Cheng-Si Tsao, Jyh-Shen Tsay
• 分類：physics.ins-det
• 原文鏈接：http://arxiv.org/abs/2504.17319v1

中文摘要：本研究提出了一種結合蒙特卡洛模擬（MCNP）與機器學習技術的中子束快門創新設計方法，旨在提升屏蔽性能並加速設計流程。目標設施為緊湊型中子科學平台，其中子由回旋加速器質子束轟擊靶材產生，系統包含熱中子和快中子束線。熱中子束線上安裝的快門用於降低維護期間的職業輻射暴露。 研究通過MCNP模擬了200種不同材料序列的中子快門構型，利用生成的數據集訓練全連接神經網絡以預測屏蔽下游中子通量。該模型隨後應用於1,000種隨機生成的屏蔽構型，實現快速通量預測與性能排序。篩選出預測通量最低的20種設計後，通過MCNP模擬進行二次驗證。 結果表明：最優設計將快門入口處5.61×10^9 n/cm²·s的中子通量降至出口處4.96×10^5 n/cm²·s，實現四個數量級的衰減。這些發現證實機器學習技術能有效降低模擬成本並輔助識別高性能屏蔽構型，展現了數據驅動方法在中子系統設計中的巨大潛力。