联邦学习安全与隐私保护综述

联邦学习是一种新型的分布式学习框架，它允许在多个参与者之间共享训练数据而不会泄露其数据隐私。但是这种新颖的学习机制仍然可能受到来自各种攻击者的前所未有的安全和隐私威胁。本文主要探讨联邦学习在安全和隐私方面面临的挑战。首先，本文介绍了联邦学习的基本概念和威胁模型，有助于理解其面临的攻击。其次，本文总结了由内部恶意实体发起的3种攻击类型，同时分析了联邦学习体系结构的安全漏洞和隐私漏洞。然后从差分隐私、同态密码系统和安全多方聚合等方面研究了目前最先进的防御方案。最后通过对这些解决方案的总结和比较，进一步讨论了该领域未来的发展方向。     

结合图像局部信息的高斯混合型图像分割框架

针对现有的基于判别型或聚类型的图像，用分割方法无法处理被噪声污染的图像的现状，提出一种新的两步式图像分割框架。该框架首先利用图像的局部信息重塑图像的灰度直方图，增强了像素的类间散布性和类内紧凑性，然后将现有的基于判别型或基于聚类型图像分割方法在重塑图像上执行，从而提高了现有图像分割算法的有效性和鲁棒性。文中用典型的聚类型方法高斯混合模型来说明该框架的可行性。由于框架的两个步骤具有独立性．因此可推广到现有的其他基于像素或直方图的方法。在人工和真实图像上的实验结果证明，这种两步图像分割框架可以获得有效且鲁棒的图像分割结果。     

SoftBase查询优化器的设计与实现

查询优化是数据库系统中一个必不可少的模块，本文在当前查询优化技术发展的基础上讨论了SoftBase数据库的查询优化器的设计和实现，给出了SAoftBase数据库查询优化处理的一般过程，并着重探讨了查询优化的两个主要模块，查询重写和基于代价评估的计划优化。在计划优化模块中，详细讨论了存取路径的选择和代价评估的计算方法，最后对测试结果进行了分析，结果表明优化后的SoftBase查询效率比原系统有了明显的提高。     

基于SyncML的安全数据同步SDSXS-API

为解决移动数据库及其应用程序数据同步时的安全性、可靠性和完整性，在移动数据同步交换标准规范——Sync ML协议的基础上，提出并实现了安全数据同步交换服务应用程序接口（SDSXS—API），为移动数据库系统及其应用程序提供了统一的数据同步交换的调用平台，既保证了移动环境下数据传送与交换的可靠性和完整性，又保证了系统数据传送的安全性。     

元强化学习综述

元强化学习是指自动从一组相关任务中学习强化学习所需归纳偏置的相关理论和方法,对于提高强化学习算法在困难场景下的样本效率和泛化能力具有重要用途。本文提出一种新的元强化学习框架,指出设计和分析一个元强化学习算法需要同时考虑学习经验（相关任务）、归纳偏置及学习目标3个独立因素及这3个因素之间的依赖关系。在此基础上对该领域的研究现状进行了分析和总结,特别对近年来元强化学习若干文献进行了分析和归类,并详细阐述了几种代表性算法的原理及各自特点。本文还对元强化学习常用的实验环境和性能评价方法进行了介绍,对该领域的不足和未来的发展方向进行了讨论和分析。     

两种基于图论的聚类算法改进(英文)

近年来,基于图论的聚类算法被广泛地应用在数据聚类和图像分割之中。聚类任务主要是挖掘一组给定数据隐含的分布规律和结构信息,而图像分割则是将一幅图像划分为若干互不交迭区域的过程。主要讨论两种比较流行的基于图论的聚类算法,即基于有向树的数据聚类算法和基于最小生成树的图像分割算法。创新在于:(1)改进基于有向树的数据聚类算法,将其应用于图像分割;(2)改进基于最小生成树的图像分割算法,将其应用于数据聚类。在人工数据和实际图像数据上的实验结果表明,改进的有向树算法可以很好地分割图像并保留图像中足够的细节,而改进的最小生成树聚类算法能比较好地聚类具有流形结构的人工数据。     

航空电子系统功能综合的收益分析研究

综合化航空电子系统是根据应用的需求,基于已有的能力,采用综合技术,实现面向应用的任务合成,提升应用效能;面向能力的功能综合,提升能力品质;面向物理的操作模式综合,提升资源效率。功能综合的过程本质上是一个系统设计的过程,是依据物理架构,在不同功能组合中进行收益分析比较,选择收益较大的一种功能架构,本文基于分布式模块化航空电子物理架构(DIMA),提出基于系统工程的功能综合设计方法,并提出了相应的功能综合收益评价指标,以综合探测为例对提出的方法进行了验证。     

一类增量式支持向量机的分析

针对训练数据发生增量改变时,标准一类支持向量机的批处理算法需要重新进行训练,不适合在线增量环境学习的问题,提出一种详细的增量式标准一类分类向量机算法,并通过理论分析对该算法的可行性和有限收敛性进行了证明,确保该算法的每步调整都是可靠的,并确保该算法通过有限步调整最终收敛到问题的最优解。在标准数据集上的实验结果验证了理论分析的正确性。