国产欧美va欧美va香蕉在线观看,日韩va亚洲va欧美va久久,欧美日韩中文国产va另类电影

基于ERNIE-CAB-CNN的稀土專利文本分類模型[EDA與制造][工業(yè)自動化]

針對稀土專利文本專業(yè)性強的特點以及現(xiàn)有的文本分類方法存在的不足，鑒于類別注意力在計算機視覺領域的廣泛應用和取得的良好效果，提出了一種用于文本分類的類別注意力模塊（Category Attention Module，CAB），并結合預訓練模型ERNIE和卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，CNN）構建了一個用于稀土專利文本分類的創(chuàng)新模型ERNIE-CAB-CNN。模型使用ERNIE對專利文本進行向量化，得到語義信息更加豐富的向量表示后，通過CAB為文本中各個類別的重要特征賦予較高權值，使模型可以更準確地區(qū)分不同類別的特征。最后用CNN進一步提取文本中其他關鍵局部特征，得到的最終文本向量表示用于分類。通過Patsnap專利數(shù)據(jù)庫官方網(wǎng)站檢索下載稀土專利數(shù)據(jù)構建數(shù)據(jù)集進行實驗，實驗結果表明，稀土專利文本分類模型ERNIE-CAB-CNN在測試集上分類的準確率、精確率、F1分數(shù)分別為82.68％、83.2％、82.06％，取得了良好的分類效果。

發(fā)表于：1/20/2025 3:36:00 PM

基于動態(tài)自適應計算引擎的MobileNetV3網(wǎng)絡加速器設計[模擬設計][工業(yè)自動化]

現(xiàn)有面向高效輕量化MobileNetV3網(wǎng)絡的加速方法通常采用高度定制的計算引擎進行模型計算，從而限制了加速器的可擴展性使其僅適用于小型網(wǎng)絡或資源豐富的硬件平臺。針對此問題，提出了基于動態(tài)自適應計算引擎的MobileNetV3網(wǎng)絡加速器。首先，設計了局部感知區(qū)域卷積的流水線推理架構實現(xiàn)特征、權重的高度并行處理和緩沖調(diào)度。其次，提出全局自適應的點卷積方法優(yōu)化點卷積，并結合空間探索獲得最優(yōu)的參數(shù)配置以實現(xiàn)最大計算并行性。此外，加速器可以根據(jù)模型參數(shù)變化動態(tài)配置以適應不同場景。實驗結果顯示加速器推理速度為8 F/s，是現(xiàn)有方法速度的2.7倍。

發(fā)表于：1/20/2025 3:23:30 PM

基于深度學習的植物病害圖像識別算法綜述[人工智能][其他]

植物病害對農(nóng)業(yè)生產(chǎn)和糧食安全構成嚴重威脅，及時準確地識別和處理成為關鍵步驟。綜述了深度學習在植物病害識別中的應用現(xiàn)狀、挑戰(zhàn)及未來發(fā)展方向。首先介紹了植物病害的重要性和傳統(tǒng)識別方法的局限性，然后探討了深度學習技術的優(yōu)勢及其在植物病害識別中的應用前景，特別是YOLO系列模型在植物病害實時檢測中的應用。同時對比了常見的深度學習算法在植物病害識別中的性能，以及對數(shù)據(jù)集多樣性、實時性和災難性遺忘等挑戰(zhàn)進行了分析。最后，提出了持續(xù)學習和模型更新的重要性，并展望了未來研究方向。

發(fā)表于：1/20/2025 3:09:00 PM

個人信息保護負責人履職困境和規(guī)制策略研究[其他][信息安全]

個人信息保護負責人集監(jiān)督、代表和信息功能為一體，但作為組織成員過度依賴企業(yè)組織設計且缺乏決策權限，導致上述功能無法得到發(fā)揮。為了保障個人信息保護負責人獨立履職，使個人信息保護成為企業(yè)內(nèi)生機制，國家應當進一步要求企業(yè)將組織義務轉化為有約束力的實施方案提交給監(jiān)管機關，后者可以據(jù)此對個人信息保護負責人的監(jiān)督能力進行審查，必要時采取制裁措施。對于個人信息保護負責人行政法律責任的承擔，應當根據(jù)個人信息保護負責人履職過程中的實際權限大小、是否窮盡可行手段防止違法行為進行綜合判斷。

發(fā)表于：12/26/2024 3:44:51 PM

多元規(guī)制視角下消費者個人信息權益的反壟斷法保護[其他][信息安全]

消費者個人信息已與價格同等重要，共同構成消費者福利的主要內(nèi)容。當前平臺企業(yè)過度利用或侵害消費者個人信息增強自身競爭優(yōu)勢的現(xiàn)象普遍。既有的“個人本位”與“國家本位”路徑不足以規(guī)制消費者個人信息被違規(guī)收集、非法濫用等行為。除了對個人信息進行專門立法保護外，亦應引入反壟斷法保護，實現(xiàn)對個人信息保護的補充與強化。可將侵犯消費者個人信息的壟斷行為類型化為以個人信息聚合為目的的經(jīng)營者集中、算法價格歧視、算法合謀行為。通過多元共治，強化平臺經(jīng)營者的社會責任，促進消費者個人信息的有序共享，實現(xiàn)個人信息保護與數(shù)據(jù)經(jīng)濟市場發(fā)展的動態(tài)平衡。

發(fā)表于：12/26/2024 3:26:32 PM

生成式人工智能數(shù)據(jù)跨境流動的安全風險及治理范式[人工智能][信息安全]

發(fā)表于：12/26/2024 2:50:00 PM

互聯(lián)網(wǎng)公開數(shù)據(jù)爬取行為的反不正當競爭規(guī)制研究[其他][信息安全]

關于公開數(shù)據(jù)爬取的規(guī)制路徑學界沒有達成共識，立法上也沒有關于數(shù)據(jù)的權屬規(guī)定，司法界亦只能依據(jù)《反不正當競爭法》來兜底裁判。但反不正當競爭法在立法與司法上都存在問題，具體而言，一般條款的不確定性導致其極易被濫用，互聯(lián)網(wǎng)專條也無法適用到公開數(shù)據(jù)的爬取行為上，司法實踐中缺乏統(tǒng)一的裁判標準，賠償金額也缺乏量化標準。對此，可以從立法和司法兩個層面進行完善，以期更好地適用《反不正當競爭法》對互聯(lián)網(wǎng)公開數(shù)據(jù)爬取行為予以規(guī)制。具體而言，在立法上，增設公開數(shù)據(jù)不正當競爭的行為類型；在司法上，完善裁判思路和賠償金額的計算標準。

發(fā)表于：12/26/2024 2:30:21 PM

數(shù)據(jù)要素下的數(shù)據(jù)安全合規(guī)風險與對策建議[其他][信息安全]

隨著數(shù)據(jù)流通交易市場活動日趨頻繁，數(shù)據(jù)安全合規(guī)的重要性日益突出。數(shù)據(jù)安全合規(guī)不僅是數(shù)字經(jīng)濟發(fā)展的關鍵所在，更與國家和地區(qū)的安全發(fā)展緊密相關。然而，受多重復雜因素的影響，當前數(shù)據(jù)安全合規(guī)管理仍然面臨著缺乏有效監(jiān)管機制的問題。分析總結國內(nèi)數(shù)據(jù)安全合規(guī)體系建設現(xiàn)狀和存在的問題，借鑒歐美在數(shù)據(jù)安全合規(guī)體系構建的經(jīng)驗，提出構建數(shù)據(jù)安全合規(guī)管理體系的建議，通過完善數(shù)據(jù)分類分級管理、建立監(jiān)督管理規(guī)則、強化數(shù)據(jù)流通管理要求、加強流通基礎設施建設和安全保障等多重機制，進一步完善數(shù)據(jù)安全合規(guī)管理，為經(jīng)濟社會的快速發(fā)展提供堅實的支撐。

發(fā)表于：12/26/2024 2:15:59 PM

數(shù)據(jù)資產(chǎn)登記平臺建設的現(xiàn)狀研究與對策建議[其他][信息安全]

數(shù)據(jù)資產(chǎn)登記平臺是面向數(shù)據(jù)要素市場提供數(shù)據(jù)產(chǎn)權登記、流通憑證等多方位服務的重要載體，有利于高質(zhì)量數(shù)據(jù)資產(chǎn)的集聚，為建立一體化數(shù)據(jù)要素交易市場、提升數(shù)字經(jīng)濟發(fā)展能級提供強力支撐。通過文獻分析和現(xiàn)狀分析，歸納總結了數(shù)據(jù)資產(chǎn)登記平臺面臨登記客體規(guī)范、數(shù)據(jù)關聯(lián)、互聯(lián)互通、安全風險、溯源取證等方面的挑戰(zhàn)，并從制度管理機制、跨鏈交互技術、平臺生態(tài)系統(tǒng)三個維度提供平臺建設對策，以期為數(shù)據(jù)資產(chǎn)登記確權工作推進提供堅實的依據(jù)。

發(fā)表于：12/26/2024 1:55:38 PM

基于多頭卷積殘差連接的文本數(shù)據(jù)實體識別[人工智能][其他]

為構建工作報告中的文本數(shù)據(jù)關系型數(shù)據(jù)庫，針對非結構化文本數(shù)據(jù)中有效信息實體提取問題以及傳統(tǒng)網(wǎng)絡在提取信息時特征丟失問題，設計了一種基于深度學習的實體識別模型RoBERTa-MCR-BiGRU-CRF，首先利用預訓練模型RoBERTa作為編碼器，將訓練后的詞向量輸入到多頭卷積殘差網(wǎng)絡層MCR擴充語義信息，接著輸入到門控循環(huán)BiGRU層進一步提取上下文特征，最后經(jīng)過條件隨機場CRF層解碼進行標簽判別。經(jīng)過實驗，模型在工作報告數(shù)據(jù)集上F1值達到96.64%，優(yōu)于其他對比模型；并且在數(shù)據(jù)名稱實體類別上，F(xiàn)1值分別比BERT-BiLSTM-CRF和RoBERTa-BiGRU-CRF提高了3.18%、2.87%，結果表明該模型能較好地提取非結構化文本中的有效信息。

發(fā)表于：12/25/2024 5:28:01 PM