分布存储并行机上的自动数据布局优化模型

在分布式并行机上,数据布局的质量极大的影响着应用程序的执行性能,以往的研究一般将自动数据布局优化问题近似分解为数据对准优化和数据分布优化两步来解决,且对两者的结合只研究了一维的情况,在相关研究工作的基础上,在多维情况下将数据对准优化和数据分布优化结合在一个模型当中,提出了一个数据对准优化与数据分布优化统一的多维静态数据布局模型,避免了采用启发式策略,从而更加精确地描述了自动数据布局优化问题,同时给     

大数据时代中的去匿名化技术及应用

首先通过案例说明隐私保护的重要性,然后介绍隐私保护中常用的匿名化方法,并针对评分推荐系统、社交网络和博客分别介绍有效的去匿名化方法。表明在大数据时代下虽然数据的公开有利于学术研究,但是也需要加强考虑隐私保护的问题。     

曙光1000上矩阵乘积算法的性能分析

矩阵乘积算法在科学计算中应用十分广泛,文中给出了典型矩阵乘积算法在曙光１０００上的性能比较和分析,并针对ＳＵＭＭＡ算法研究了分块尺寸对基通信性能的影响,指出分块尺寸是影响其通信性能的一个重要因素,原算法并没有给出其分块尺诉具体选取方法,文中通过和实验的分析提出了一个选取最优分块尺寸的标准,实验结果显示ＳＵＭＭＡ算法按文中的标准选取最优分块尺寸后性能得到大幅芳中达机器峰值的５０．７％     

随机竞争策略在Monte Carlo算法中的性能分析

随机算法在组合优化问题中具有广泛的应用,Ｌａｓ Ｖｅｇａｓ算法和Ｍｏｎｔｅ Ｃａｒｌｏ算法是主要的两类随机算法,随机算法的性能和稳定性常常得不到保证,以往的研究针对Ｌａｓ Ｖｅｇａｓ算法提出了一种有效的性能改进策略－随机竞争策略,但其在Ｍｏｎｔｅ Ｃａｒｌｏ算法中的准确尚未被研究。文中研究了随机竞争策略对Ｍｏｎｔｅ Ｃａｒｌｏ算法性能和稳定性的影响,分析了使其效率大于１的条件,在求解ＴＳＰ问题时的     

我院2007年急诊不合理用药处方分析

目的 了解我院急诊患者合理用药情况,促进合理用药. 方法随机抽取我院2007年急诊处方25500张.根据药品说明书、文献资料,药物学以及临床药理学知识,对不合理用药处方进行分析.结果 不合理处方占所处方的4.2%,其中抗菌物不合理处方占41.6%.不合理用药主要反映在给药方案不当.重复用药、剂量.溶媒.药理拮抗.配伍禁忌以及毒性相加等方面. 结论不合理用药严重影响药物疗效,应切实采取措施.从根本上解决不合理用药问题.     

随机算法重启策略的构造及其在TSP中的应用

NP难解问题是计算机算法和理论界长期研究的课题。在求实NP难解问题时，随机算法的性能往往很不稳定。在以往的实验中，人们发现基于重启的优化方法可以提高Las Vegas算法的性能和稳定性。尽管它的思想比较直观，但对它的性能进行理论分析却并不容易，这在很大程度上限制了其应用。该文使用连续概率分布对算法性能分布建模，针对Las Vegas算法提出了一种高效的重启策略构造方法。该文从平均性能和稳定性两个角度分析了该方法的效率，同时通过将其应用于求解大规模旅行商问题（TSP）显示了其应用价值。     

LAPACK的自动并行化工具研究

§１．引言 串行程序的自动并行化是当今高性能计算领域的一个重要研究热点，也是自有高性能并行计算机以来人们梦寐以求的一个目标．在并行计算机硬件技术高速发展的今天，国外已有万亿次，四万亿次超大规模并行计算机问世，这为一批急需解决的大型科学工程计算问题提供了有利的物资基础．但是相比之下并行算法，并行软件技术，并行开发环境和支持工具的严重滞后，大大影响了并行机的应用效率与市场推广．目前国内外各大并行机公司与应用部门都在加大力度投入大量人力、物力、财力加速并行软件的开发，其中包括把现有大量成熟的串行软件移…     

推荐系统中物品召回技术的研究进展

信息技术的快速发展导致信息过载.推荐系统是解决信息过载最有效的方式之一.近年来,深度学习的快速发展也带动了推荐系统的进步,各种深度推荐算法层出不穷.然而由于候选物品数量巨大且用户兴趣动态变化,深度推荐算法的推荐复杂度巨大,难以在实际系统中单独使用.在深度推荐技术发展的同时,物品召回技术(也称近似搜索技术)也有了较大的发展与进步.本文先介绍基于距离最小化的物品召回的研究进展,再从向量索引、局部敏感哈希、哈希学习、向量量化四个方面来深入探讨基于内积最大化的物品召回技术的研究进展.     

大模型道德价值观对齐问题剖析

探讨了以大语言模型（large language model,LLM）为代表的大模型（big model）时代人工智能（artificial intelligence, AI）发展面临的新挑战:道德价值观对齐问题.大模型的崛起极大地提升了AI理解、生成和控制信息与内容的能力，从而赋能了丰富的下游应用.然而，随着大模型成为与人类生活方方面面深度交融的基础，其内在的道德价值观和潜在的价值倾向对人类社会带来不可预测的风险.首先对大模型面临的风险和挑战进行了梳理，介绍了当下主流的AI伦理准则和大模型的局限性对应的道德问题.随后提出从规范伦理学的角度重新审视近年来不断提出的各类规范性准则，并倡导学界共同协作构建统一的普适性AI道德框架.为进一步探究大模型的道德倾向，基于道德基础理论体系，检验了当下主流大语言模型的道德价值倾向，梳理了现有的大模型对齐算法，总结了大模型在道德价值观对齐上所面临的独特挑战.为解决这些挑战，提出了一种新的针对大模型道德价值观对齐的概念范式，从对齐维度、对齐评测和对齐方法 3个方面展望了有潜力的研究方向.最后，倡导以交叉学科为基础，为将来构建符合人类道德观的通用AI迈出了...     

基于深度学习的个性化新闻推荐

由于网络上每天有海量的新闻报道产生,新闻推荐已经成为减轻用户信息负载、实现个性化新闻信息获取的重要途径,并被广泛用于新闻网站和新闻APP中以提升用户体验.不同于传统的商品推荐,在新闻推荐中新的新闻文章产生速度很快,而且新闻的语义信息需要结合整体新闻文本去理解,给传统的基于ID和基于特征的推荐算法带来了很大的挑战.此外,用户的新闻阅读兴趣存在高度多样性和动态性的特点,使得准确的用户建模变得非常困难.本文介绍了一些基于深度学习的个性化新闻推荐算法,并探讨了新闻推荐未来的一些可行的方向.