随着人工智能技术的快速发展,自动化决策算法逐渐进入公共领域并越来越多地影响到社会公益与个人权益。而相应的算法风险如算法歧视、算法偏见、算法垄断等不断出现,进而引发了算法治理的切实需求。面对自动化决策使用者与用户之间信息、技术的不对称地位,传统法律资源不敷适用,对自动化决策用户保护之权利的不足成为算法解释权的必要性基础。作为算法治理的重要手段,算法解释权的价值在于对算法的“黑盒”构建“适度透明性”,矫正开发者与用户之间的信息不对称,并且再平衡双方畸形的分配风险负担,成为规制自动化决策使用者、保障用户权益必不可少的制度配置,因此算法解释权研究成为国内外学界与司法实践共同关注的焦点。而在现行法视野下,算法解释权制度存在适格主体过于狭窄,保护范围不够全面,权利内容尚需明确等问题。对此,在解构算法解释权的基础上,从全算法开发流治理与分级分类解释框架的视角对算法解释权制度进行重构。通过全算法开发流治理的建构,对算法解释权的主客体进行适度扩张;通过分级分类解释框架的构筑,结合个案视角明确算法解释权的内容与边界,以此兼顾算法的个性与共性,平衡算法解释的效率与用户权益的保护,全面保障自动化决策中的各方权利主体利益,为数字经济发展赋能。

长久以来,流域的整体性与权威碎片化致使我国流域水资源治理成本甚高,向网络治理转型成为近些年流域研究的关注热点并形成广泛共识。强调协调策略的RNAO(Restricted Network Administration Organization)网络结构,相较于西方学者提出的3种传统方案,更符合流域水资源治理本土化的实践需要,而针对RNAO的更为一般化的治理理论则是其理论发展方向。首先,梳理了流域水资源治理“传统-网络-超网络”模式的三维进阶逻辑;其次,将RNAO与“社会-生态”系统理论加以融合,创新地提出了“RNAO-生态”规模匹配的流域超网络治理模式,详细分析了“组织网、行为网、生态网”三层子网的复杂互动机理,从而初步形成了对RNAO的一般性理论构建;最后,针对“联合河长制”与“黑河流域水资源治理”两个案例,分析了RNAO与“RNAO-生态”在中国流域治理实践中的应用现状,并给出未来流域治理网络化转型的相关政策建议和可能的学术议题。

如今越来越多的人通过社交网络传播信息,在线社交网络逐渐改变了人们交换信息的方式,因此基于在线社交网络研究信息传播效果的影响因素受到众多研究人员的关注,尤其是网络结构对信息传播效果的影响。以往研究大都强调某种网络统计量对信息传播效果的影响,但各个网络统计量之间相互耦合的现象是客观存在的,某种网络统计量的改变可能导致其他网络统计量同步改变,从而可能影响最终的传播效果。提出一个解耦的零模型框架,通过零模型解耦不同网络统计量间的耦合作用,然后使用SIR传播模型仿真实验来分析网络统计量在没有耦合作用下对信息传播效果的影响,最后使用线性阈值模型仿真实验验证SIR模型的实验结论在社会强化中的适用性。通过Facebook和Twitter实证网络的传播模型仿真实验表明:网络的平均最短路径是影响信息传播速度和信息传播范围的主要因素,聚类系数是影响信息传播范围的次要因素。

在计算社会科学研究中,受传染病启发的传播模型被广泛用于模拟虚假信息传播,但传统的传染病模型不区分个体间的差异。现实世界中,个体间的差异有助于理解虚假信息如何在个体间传播,这对于探究社交网络中虚假信息的传播规律、抑制虚假信息的传播具有重要意义。文中基于信息风险感知理论,利用在线社交用户的情绪、知识水平、信任度和媒体的接触数量等对传播个体的差异加以区分,构建更加符合现实的虚假信息点对点传播模型。在传播过程中,个体间的差异表现为不同的传播概率,高传播概率的个体更容易转化为传播状态,同时使用人工标注的Facebook数据集进行仿真模拟来研究虚假信息的传播规律。结果发现,相比平均概率传播系统,在点对点传播模式下传播虚假信息的时间跨度更长,波及范围更广。此外,通过控制高传播概率节点,能够实现对虚假信息传播的事前控制,且其相比随机控制、控制高影响力节点的方法取得了更好的效果,但依次增加节点控制比例并未按照预想得到更好的控制效果,出现了“反常识”的特征。

生物标志物识别是实现“精准医疗”的一大基础,其对复杂疾病诊断、判断疾病分期及评价新药或新疗法在目标人群中的安全性和有效性具有重要作用。作为生物标志物智能识别关键技术,环状RNA与疾病关联预测是深入评测和衡量被试个体生物学过程、病理学过程及干预病理学反应的关键,是践行“精准医疗”的有效手段和途径之一。文中对基于生物大数据挖掘的环状RNA-疾病关联预测计算模型进行了全面梳理和展望。具体地,首先从环状RNA的研究背景、理化特性、功能等方面探讨了环状RNA与疾病之间的关系;然后调研了环状RNA和疾病公共数据库资源;接着从智能计算的角度梳理了环状RNA-疾病关联预测的4类计算方法,并分析了其优势与不足;最后讨论了环状RNA-疾病关联预测问题目前面临的挑战和未来可能的研究方向。

基于Wi-Fi感知的非接触式身份识别技术快速发展,在智能安防、人机交互领域展现出较好的应用潜力。研究发现,现有的轻量级身份识别模型在近距离场景下,识别准确率会随信号收发端距离的缩短而大幅下降。为此,提出了一种基于Wi-Fi感知的近距离非接触式身份识别方法WiDoor。在数据采集阶段,该方法借助菲涅尔传播模型对接收端天线部署方案进行优化,并重构多天线步态信息以获得更完整的步态特征;在身份识别阶段,使用串联卷积模块和多分支多尺度卷积模块相结合的轻量级卷积模型,在降低计算复杂度的同时保持了较高的识别准确率。实验结果显示,WiDoor在收发端间距为1 m的10人数据集上识别准确率高达99.1%,且内置模型的参数量仅为同精度模型的2%,相比同类方法具有明显的优势。

批量矩阵计算问题广泛存在于科学计算与工程应用领域。随着性能的快速提升,GPU已成为解决这类问题的重要工具之一。矩阵特征值分解属于双边分解,需要使用迭代算法进行求解,不同矩阵的迭代次数可能不同,因此,在GPU上设计批量矩阵的特征值分解算法比设计LU分解等单边分解算法更具挑战性。文中针对不同规模的矩阵,基于Jacobi算法设计了相应的批量厄米矩阵特征值分解GPU算法。对于共享内存无法存储的矩阵,采用矩阵“块”操作技术提升计算强度,从而提高GPU的资源利用率。所提算法完全在GPU上运行,避免了CPU与GPU之间的通信。在算法实现上,通过kernel融合减少了kernel启动负载和全局内存访问。在V100 GPU上的实验结果表明,所提算法优于已有工作。Roofline性能分析模型表明,文中给出的实现已接近理论上限,达到了4.11TFLOPS。

容器技术在云计算行业已得到普遍使用,主要用于服务软件环境的快速移植和自动化部署。随着高性能计算、大数据、人工智能技术的深度融合,高性能计算系统的应用软件依赖和配置日益复杂,超算中心对用户自定义软件栈的需求越来越强烈。因此,容器技术在高性能计算系统的应用环境下也发展出多种实现软件,以满足用户自定义软件栈等实际需求。文中总结了容器技术的发展历史,阐述了容器在Linux平台的技术原理,分析并评价了于适用高性能计算系统的容器实现软件,最后展望未来面向高性能计算系统的容器技术研究方向。

发展新一代的类脑智能,需要综合考虑形成自然智能的结构、功能和行为等研究,偏颇任一方向都是不全面的,难以完全触及智能的本质。文中基于神经系统的结构仿真、认知系统的功能模仿和自然智能的行为模拟,定义了类脑心智计算(BMC)的基本概念,提出了BMC的假设、模型和框架,研究了BMC的前沿理论。在大脑机制、心智模式和行为控制上,分析了当前BMC研究的技术路线、核心算法和关键技术,综述了BMC的复杂系统和工程应用现状。结合智能科学、神经科学、认知科学、信息科学和计算数学等多学科的交叉融合特征,进一步讨论了BMC的科研范式和跨学科建设问题。BMC研究将有望在新一代类脑智能的科学理论、技术创新和工程系统上取得重大突破。