3181.
近年来,移动边缘计算(Mobile Edge Computing, MEC)技术的持续发展和应用成功地应对了随着终端用户数量急剧增加而导致网络边缘数据量爆炸性增长的用户服务需求.然而,如何实时优化分配这些服务器给不同用户仍然是一个亟待解决的紧迫问题.本文专注于多用户多MEC服务器… … 相似文献
袁晓铭;田汉森;赵哲宇;徐小华;毕远国 《小型微型计算机系统》2025,46(3):724-734
3182.
3183.
传统的Raft共识算法在私有链中因其简洁和崩溃容错而得到广泛应用,但无法解决拜占庭节点恶意行为导致的诸多问题。在深入分析现有研究成果的基础上,提出了一种基于Raft的增强拜占庭和崩溃容错的共识算法：S-Raft(Stability-Raft),以解决拜占庭节点在选举中伪造身份、投… … 相似文献
王壮;徐成;代松银;刘宏哲;李学伟 《计算机应用研究》2025,(3):687-692
3184.
现有说话人确认方法中用于提取帧级特征的时延神经网络(TDNN)存在两个问题,一是缺少对局部频率特征的建模能力,二是多层特征融合方式无法对高层和低层特征之间的复杂关系进行有效建模。因此,提出一种新的前端模型以及一种新的多层特征融合方式。在前端模型中,通过将输入特征图划分为多个子频带… … 相似文献
3185.
3186.
火焰光场图像在形成过程中夹杂的辐射噪声和成像噪声会降低火焰温度场3维重建精度,该文提出一种基于改进U型网络(UNet)的降噪模型,该模型针对辐射噪声和成像噪声的特性以及复杂火焰图像的纹理信息设计了背景净化模块和边缘信息优化模块。通过密集卷积操作对图像背景层进行特征提取,着重净化夹… … 相似文献
单良;孙健;洪波;孔明 《电子与信息学报》2025,47(3):792-802
3187.
3188.
现有的命名实体识别方法需要大量训练数据,在小样本场景下容易过拟合.针对该问题,提出一种基于预训练模型掩码预测的方法,引入上下文信息改善模型泛化能力.首先使用两路BERT(Bidirectional Encoder Representation from Transformers)… … 相似文献
曾鹏武;谢志鹏 《小型微型计算机系统》2025,46(3):513-519
3189.
3190.
3191.
随着人工智能的迅猛发展,新型算子与硬件不断涌现,算子库的开发和维护面临着巨大的挑战,仅仅依靠手工优化已无法满足AI模型性能提升的需求。Ansor是一种基于TVM的算子自动调度技术,可以针对不同的后端搜索深度学习模型或算子的最佳调度方案,生成高性能代码而无需用户手动定义模板,但其巨… … 相似文献
韩林;王一帆;李嘉楠;高伟 《计算机科学》2025,(3):268-276
3192.
3193.
随着互联网的兴起;各式各样的数据急速增长;如何高效地利用这些样本数据成为数据挖掘领域的重要问题。多标签分类任务作为机器学习与数据挖掘领域的重要任务;旨在为样本标注多个标签类别。目前的方法大多仅对特征分支进行嵌入表示学习;并未考虑到特征和标签之间的语义关联性;缺乏对特征嵌入空间的有… … 相似文献
孙宏健;徐鹏宇;刘冰;景丽萍;于剑 《计算机科学与探索》2025,19(3):714-723
3194.
3195.
图神经网络已经成功应用于各种与图相关的任务中.以有监督的方式训练一个图神经网络需要大量标签,而现实世界中受到成本制约难以获取大量标签,因此在小样本学习或半监督学习场景的标签就更为稀少.为了克服这个问题,许多方法通过标签传播的方法来估计标签,但通常会受到图上连接性和同质性假设的限制… … 相似文献
徐祖豪;陈鑫龙;李进;黄益颂;傅仰耿 《小型微型计算机系统》2025,46(3):542-551
3196.
3197.
由于Transformer模型基于全连接注意力机制;导致在求解经典旅行商问题（TSP）时;计算复杂度较高并且GPU内存使用量过大。针对此问题;提出了一种基于图卷积嵌入层和多头局部自注意力机制的GCN-Pointransformer模型。使用图卷积嵌入方式从输入数据中进行空间特征学… … 相似文献
邱云飞;刘一菲;于智龙;金海波 《计算机科学与探索》2025,19(3):657-666
3198.
诗歌自动写作研究是自然语言生成的一个重要研究领域,被认为是极具挑战且有趣的任务之一。该文提出一种基于预训练及控制码的藏文律诗生成方法。在藏文预训练语言模型上进行微调后,生成质量显著提升;同时引入控制码后,在很大程度上确保了扣题程度,即关键词在生成诗作中的平均覆盖率居高。此外,在生… … 相似文献
色差甲;慈祯嘉措;才让加;华果才让 《中文信息学报》2025,39(3):42-48
3199.
3200.
关于我们 |
广告服务 |
商务洽谈 |
联系我们 |
免责条款 |
隐私声明 |
网站导航
网站版权所有：中国科学院软件研究所 京ICP备09084417号-9
地址：北京海淀区中关村南四大街4号 邮编：100190 电话：010-62562563 E-mail ： cj_mail@jscas.ac.cn
本系统由:北京勤云科技发展有限公司提供技术支持
网站版权所有：中国科学院软件研究所 京ICP备09084417号-9
地址：北京海淀区中关村南四大街4号 邮编：100190 电话：010-62562563 E-mail ： cj_mail@jscas.ac.cn
本系统由:北京勤云科技发展有限公司提供技术支持
