阅读排行分布式锁是分布式存储系统的重要组件,锁协议的性能对系统整体的性能有关键性影响。远程直接内存访问(remote direct memory access,RDMA)是一种新兴的数据中心网络技术,它支持单边网络通信原语,可以降低系统CPU开销,同时具备低延迟、高吞吐的性能特性,为设计高速分布式锁协议提供了新机遇。然而,设计基于RDMA的分布式锁协议面临诸多挑战。着重在保证高性能的前提下解决扩展性和公平性挑战,提出一种RDMA网络中的高性能分布式锁协议FeLock,它利用多种类型的RDMA网络通信原语,使客户端不仅能与服务端通信加解锁,还能与其他客户端直接通信以移交锁所有权,同时实现了高性能、公平性和性能的扩展性。具体地,为保证高性能,FeLock引入了节点粒度锁管理机制,缩减锁协议在关键路径上的网络往返次数。为实现扩展性,FeLock引入了轮转移交机制,将所有节点排成1个环,客户端按照其在环中的顺序依次移交锁的所有权。为实现公平性和避免客户端饥饿,FeLock引入了节点信用机制,限制节点连续加锁的次数,避免其他节点上的客户端无法加锁。实验显示,FeLock相比于现有单边RDMA锁协议(如DSLR)表现出相似或更高的性能,并且具有更好的公平性和扩展性。在3~120个客户端的环境下,FeLock的吞吐量是DSLR的1.01~7.51倍,公平性提升至多2.24倍。
多模态会话情绪识别(multimodal emotion recognition in conversations,MERC)已成为人机智能交互的研究热点,目前被广泛应用于情感对话机器人及对话推荐等多个场景。在多模态会话场景中识别抽象的情感语义是困难的,大多现有研究利用对比学习来提取判别特征,其尽管约束了类内特征的一致性,但损害了精细的多样性表征,导致模型泛化性降低,尤其不利于少类样本的学习。此外,目前的会话上下文学习多建模固定窗口的语境依赖,忽略了会话信息流的动态互相关。为了解决上述限制,提出对抗软对比调制动态图学习(adversarial soft-contrast modulated dynamic graph learning,ASDG)方法。具体地:首先根据会话场景中说话人的话语数量构建话语图实现在各自模态内动态地建模话语的会话依赖范围,以精准地提取丰富的语境信息;其次,设计对抗性软对比训练机制,通过在不同模态特征提取器的隐藏层中添加扰动生成对抗样本来扩展类样本空间,并使用软对比学习在原始样本和对抗样本上最大化类扩展样本的标签语义一致性以增强模型学习的判别性与鲁棒性;最后,构建针对不同模态的双流图学习策略,以协同地促进各模态会话数据的互补融合。在IEMOCAP和MELD的多模态会话基准数据集上进行广泛的实验,结果表明提出的方法与目前先进的方法相比,在MERC任务上取得了具有竞争力的效果。
深度神经网络在很多应用领域取得了显著成功。然而,近年来的研究表明,它们容易受到对抗攻击的威胁。尤其是有目标的对抗攻击,能够精确控制未知模型的输出,对数据隐私和系统安全构成严重挑战。生成式攻击方法因其高效生成对抗样本的能力,近年来逐渐应用于有目标攻击的研究中。然而,现有的生成式攻击方法通常针对单一目标类别生成对抗样本,在多目标任务中表现出计算效率低下、灵活性不足和扩展性有限等问题。针对这些不足,提出了一种基于双重信息的多目标生成式攻击(multi-target generative attack based on dual-information,MTGA-DI)方法。该方法通过设计一个条件生成模型,充分融合目标类别的语义和视觉信息,不仅具备多目标攻击能力,还显著提升了对抗样本的迁移性和鲁棒性。实验结果表明,与现有多目标攻击方法相比,MTGA-DI在标准训练模型和鲁棒模型上的性能更优,在应对基于输入预处理的防御模型时也展现出更强的适应能力。
多模态推荐系统旨在提供更为精准和个性化的推荐服务。然而,现有研究仍存在以下问题:1)特征失真。由于输入的嵌入均由小型预训练语言模型和深层卷积神经网络等模型进行处理,导致得到的特征表示不准确。2)编码视角单一。目前模型的多模态编码层只考虑在单一的记忆或扩展视角进行编码,造成信息缺失。3)多模态对齐效果欠佳。不同模态嵌入分布在不同空间中,需将其映射至同一空间以实现对齐。而现有方法通过简单的行为信息乘积无法捕捉模态之间的复杂关系,导致多种模态无法精确对齐。基于上述问题,提出了一个新颖的模型DPRec。该模型同时考虑了记忆与扩展的双视角编码,并引入超图进行多级精准跨模态对齐。所提模型在3个真实数据集上进行了扩展实验,实验结果验证了所提模型的有效性。
人工智能的蓬勃发展,对医疗健康、生物信息、金融服务等各领域产生深远影响。人工智能应用的主要范式是构建机器学习模型,探索数据中的规则和模式,以用于推理和决策。人工智能系统的有效性和效率取决于2个关键方面:其一是模型方面(以模型为中心),包括增强网络结构,如RNN到LSTM的转变、模型超参数调优等;其二是数据方面(以数据为中心),如标准化数据格式、增大数据量、减少数据噪声等。一直以来,调试人工智能系统主要侧重于优化模型。然而,以社交网络和电子商务为代表的数字化时代的到来产生庞大且多样的数据,使得以模型为中心的调试已无法满足人们对人工智能系统的需求。因此,研究界和工业界将注意力从模型转向数据,以弥补这一差距。为此,“数据调试”(data debugging)应运而生。与优化模型不同,数据调试侧重检查数据,即理解错误数据在机器学习管道的各阶段对下游任务的影响,进而调试相应错误以提高模型性能。基于此,在全面调研数据调试相关工作的基础上,首先,提出数据调试研究框架,根据数据调试方法与机器学习管道的交互,将现有方法分为封闭式数据调试、浸入式数据调试和混合式数据调试3类。接着,详细概述本领域的相关工作。然后,对数据调试方法进行实验评估,同时总结该研究领域常用的数据集和评价指标。最后,指出数据调试面临的挑战及未来发展方向。
社交推荐系统旨在探索社交网络用户社交标签背后的协同信息,为用户提供个性化推荐。然而,社交网络中大量的用户之间没有显式社交关系,但他们却共享相同的项目历史交互行为。以往研究者主观上期望通过复杂元路径挖掘用户间的高阶隐式社交特征,客观上却降低了模型的实用性。而且,高阶隐式社交特征中的噪声较大,根据特征拼接或深度学习的方式与显式社交特征融合后反而会降低模型的适应能力。近年来,生成式对抗网络(GAN)为数据增强提供了有力的支持,但其复杂的结构令模型收敛困难,导致其应用于社交推荐场景时使得模型整体效率不高。基于此,提出一种社交特征自适应融合的生成式对抗网络推荐模型AFS-GAN(generative adversarial networks recommender systems for adaptive fusion of social features)。首先,采用2个简单元路径分别提取用户的1阶显式社交特征和2阶隐式社交特征,以消除研究者主观判断的不利影响,提高模型的实用性;其次,设计自适应因子灵活地融合显示和隐式社交特征,充分体现用户社交行为的多样性,提升推荐的适应能力;最后,在生成器中采用直通Gumbel Softmax加速生成伪项目,在判别器中采用四元BPR(Bayesian personalized ranking)损失函数直接最大化判别损失,既简化了模型,又提升了其收敛速度,从而整体上提高了模型的效率。在4个基准推荐数据集上与8种目前较先进的社交推荐模型进行了广泛的比较,实验结果表明,所提方法在Precision,Recall,NDCG这3个指标表现卓越。
近年来,自监督单目深度估计方法取得了显著的性能提升,但在复杂的室内场景生成结构化深度图时性能明显下降,为此,提出局部特征引导知识蒸馏的自监督单目深度估计方法LoFtDepth改进训练过程。首先,使用预训练的深度估计网络预测结构化的相对深度图作为深度先验,从中提取局部特征作为边界点引导局部深度估计细化,减少深度无关特征的干扰,将深度先验中的边界知识传递到自监督深度估计网络中。同时,引入逆自动掩模加权的表面法线损失,通过对齐自监督网络预测的深度图和深度先验在无纹理区域的法线方向来提升深度估计精度。最后,根据相机运动的连续性,对相机位姿残差估计施加位姿一致性约束以适应室内场景相机位姿的频繁变化来减小训练误差和提升模型性能。主要的室内公开数据集上的实验结果表明,LoFtDepth性能提升显著,将相对误差降至0.121,且生成的深度图具有更高的全局准确度和良好的结构特征。
在图像重建领域,传统的全变分(total variation,TV)会导致重建图像出现阶梯效应和对比度损失。针对此问题,利用非凸罚函数对TV进行改进并引入后向扩散处理机制,基于此,提出一种基于弹性全变分的图像重建模型。首先,为了克服重建图像的阶梯效应,用变形
现代区块链数据规模持续增长,节点存储压力不断上升。主流区块链系统通常采用基于LSM-Tree的键值存储引擎作为持久化层,其特性是通过合并操作维护键值在同一层级的有序性。然而,区块链数据具有显著的异构特征,包含大量结构不一与无序的键类型,使得存储引擎频繁触发合并操作,带来读写放大现象和I/O效率下降等问题。针对上述问题,提出了AppendChain,在不改变以太坊执行语义的前提下,重新组织数据在存储引擎中的写入路径与存储布局,实现3项优化:1)类型分离。将异构键类型划分至独立的列族,最小化键空间重叠。2)大值分离。将大值剥离到外部Blob文件存储,避免在合并过程中的重写。3)排序MPT。通过引入树结构感知、顺序对齐的键编码,增强状态键的局部性。AppendChain在Go-Ethereum(Geth)的基础上实现,并集成了RocksDB,修改了存储栈而未改变以太坊的共识与溯源功能。在主网工作负载上的实验评估表明,与Geth相比,AppendChain将存储引擎吞吐量(OPS)提升了28倍,将写放大率降低约为94.24%,将合并操作次数与耗时分别降低了98.75%与72.19%,在高吞吐量交易工作负载下显著提高了读写效率。该方案显著提升了区块链全节点的存储性能。
近年来,大语言模型(large language models,LLMs)在自然语言处理(natural language processing,NLP)等领域取得了显著进展,展现出强大的语言理解与生成能力。然而,在实际应用过程中,大语言模型仍然面临诸多挑战。其中,幻觉(hallucination)问题引起了学术界和工业界的广泛关注。如何有效检测大语言模型幻觉,成为确保其在文本生成等下游任务可靠、安全、可信应用的关键挑战。该研究着重对大语言模型幻觉检测方法进行综述:首先,介绍了大语言模型概念,进一步明确了幻觉的定义与分类,系统梳理了大语言模型从构建到部署应用全生命周期各环节的特点,并深入分析了幻觉的产生机制与诱因;其次,立足于实际应用需求,考虑到在不同任务场景下模型透明度的差异等因素,将幻觉检测方法划分为针对白盒模型和黑盒模型2类,并进行了重点梳理和深入对比;而后,分析总结了现阶段主流的幻觉检测基准,为后续开展幻觉检测奠定基础;最后,指出了大语言模型幻觉检测的各种潜在研究方法和新的挑战。