亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

基于信息檢索的軟件缺陷定位方法是當前軟件缺陷定位領域中的一個研究熱點.該方法主要分析缺陷報告文本和程序模塊代碼，通過計算缺陷報告和程序模塊間的相似度，選取與缺陷報告相似度最高的若干程序模塊，將其推薦給開發人員.本文對近些年國內外研究人員在該綜述主題上取得的成果進行了系統的梳理和總結. 首先，給出研究框架并闡述影響方法性能的三個重要因素：數據源、檢索模型和場景應用；其次，依次對這三個影響因素的已有研究成果進行總結；然后，總結基于信息檢索的軟件缺陷定位研究中常用的性能評測指標和評測數據集；最后總結全文并對未來值得關注的研究方向進行展望。

在軟件開發過程中,軟件缺陷（software bug）難以避免.對需求理解的偏差、不合理的軟件開發過程,亦或 開發人員的疏忽,均有可能在軟件項目內引入軟件缺陷.這些含有缺陷的軟件產品在部署后,可能會產生無法預 測的行為或結果,甚至會對人們的生產和生活方式產生重大影響.當檢測到軟件內存在缺陷時,開發人員需要借 助軟件調試定位并修復缺陷.傳統的軟件調試方法主要借助手工調試,在可疑代碼處設置程序斷點,隨后重復執 行失敗的測試用例,并觀察程序斷點處的變量取值,不斷縮小可疑代碼的搜索范圍,直至定位到缺陷代碼.這種 方法完全通過人工的方式完成,存在缺陷定位代價高、對缺陷報告信息利用不充分、費時費力等問題.因此,研 究人員針對自動化軟件缺陷定位方法展開深入研究,試圖減輕開發人員負擔的同時,提高缺陷定位的效率與精度.

已有的缺陷定位方法按照是否需要執行測試用例,可分為兩類:動態缺陷定位方法和靜態缺陷定位方法[1]. 其中,動態缺陷定位方法通過搜集測試用例的執行行為和運行結果,重點對被測程序的內在結構進行分析,以確 定缺陷語句在被測程序內的可能位置;靜態缺陷定位方法通過分析缺陷報告和程序模塊的文本內容并提取特 征,基于特定模型確定可疑的程序模塊,并將其推薦給開發人員以輔助定位.動態缺陷定位方法基于測試用例的 覆蓋信息定位缺陷,通常可獲得比靜態缺陷定位方法更好的性能[2].然而在軟件維護階段,開發人員有時并不能 獲得足夠的測試用例[3],僅能搜集到缺陷報告的信息.靜態缺陷定位方法由于不需要搜集測試用例的執行信息, 不會受到程序規模和編程語言等因素的影響,具有缺陷定位代價低和方法可擴展性強等特點,也頗受關注.其 中,基于信息檢索的缺陷定位（Information Retrieval-based Bug Localization,簡稱 IRBL）是目前靜態缺陷定位 研究中的熱點,也是本綜述重點關注的研究問題. IRBL 可視為概念定位（concern localization）[4]或特征定位（feature localization）5]的一個特例.當需要定 位的概念或特征都為缺陷時,概念定位或特征定位又被稱為缺陷定位.

IRBL 輸入為一個缺陷報告,輸出為所有 與該缺陷報告所述缺陷相關的程序模塊.該問題在研究時面臨缺陷報告和程序模塊詞匯不匹配和表示方式差 異較大等問題,大部分研究人員從文本挖掘角度設計解決方案.為了對該研究問題進行系統的分析、總結和比 較,我們首先在 IEEE Explore、ACM Digital Library、Elsevier、Springer、CNKI 等學術論文數據庫中進行檢 索,檢索時采用的英文關鍵詞包括 bug localization、fault localization、information retrieval、bug localisation 等; 然后,通過人工審查的方式移除掉與綜述主題無關的論文,并通過查閱相關論文的參考文獻和相關研究人員發 表的論文列表來進一步識別出遺漏的論文;最終,我們篩選出與該研究問題直接相關的高質量論文共 87 篇（截 止到 2019 年 12 月）.

我們首先對每年發表的相關論文的累計總數進行統計,結果如圖 1 所示.不難看出,每年發表的論文數整體 上呈上升趨勢.在 2013 年之前,每年發表的論文數較少（介于 0 至 4 篇）.但在 2013 年之后,隨著公開的數據集 和共享的實驗代碼的不斷增多,針對 IRBL 方法的研究逐漸成為靜態軟件缺陷定位領域內的一個主流研究方 向.在最近 3 年,每年發表的論文總數平均可以達到 13 篇以上.隨后我們基于論文發表源對相關論文進行分類, 并按照論文數從大到小進行排序,最終結果如表 1 所示（該表僅列出 CCF 推薦列表中論文數大于 1 的會議和 期刊）,其中在軟件工程領域權威期刊或會議上發表的論文數總結如下:ICSE 會議（5 篇）、ESEC/FSE 會議（4 篇）、ISSTA 會議（3 篇）、ISSRE 會議（2 篇）、TSE 期刊（5 篇）等.基于已搜索到的相關論文,我們對 IRBL 方法的已有研究工作進行了系統總結,并提出一個研究框架,從 3 個影響因素出發,對不同類型的方法進行系統 的分析和比較,同時對常用的性能評測指標和評測數據集進行歸納.

論文剩余內容安排如下:第 2 節總結 IRBL 方法的研究框架,并識別出三個重要的影響因素（數據源、檢索 模型和場景應用）;第 3 節到第 5 節分別對這三個影響因素進行詳細的分析與總結;第 6 節介紹常用的性能評 測指標;第 7 節介紹常用的評測數據集;最后總結全文并對未來可能值得關注的研究問題進行展望.

隨著人工智能技術的深入發展，自動駕駛已經成為人工智能技術的典型應用，近十年得到了長足的發展，作為一類非確定性系統，自動駕駛車輛的質量和安全性得到越來越多的關注.對自動駕駛系統，特別是自動駕駛智能系統（如感知模塊，決策模塊，綜合功能及整車）的測試技術得到了業界和學界的深入研究.本文調研了56篇相關領域的學術論文，分別就感知模塊、決策模塊、綜合功能模塊及整車系統的測試技術、用例生成方法和測試覆蓋度量等維度對目前已有的研究成果進行了梳理，并描述了自動駕駛智能系統測試中的數據集及工具集.最后，對自動駕駛智能系統測試的未來工作進行了展望，為該領域的研究人員提供參考.

//www.jos.org.cn/jos/ch/reader/view_abstract.aspx?file_no=6266&flag=1

信息論的經典結果表明，信源信道分離編碼是漸進最優的。但現代通信系統對時延、帶寬等愈發敏 感，分離設計對解碼具有無限計算能力這一假設難以成立。帶寬有限時，相對于信源信道聯合編碼，分離編 碼已被證明是次優的。傳統的聯合信源信道編碼需要復雜的編碼方案，相較之下，數據驅動的深度學習技術 則帶來了新的設計思路。適時地對相關研究成果進行總結，有助于進一步明確深度學習方法解決信源信道聯 合編碼問題的方式，為研究新的研究方向提供依據。首先介紹了基于深度學習的信源壓縮方案和端對端收發 信機模型，隨后分析不同信源類型下的兩種聯合編碼設計思路，最后探討了基于深度學習的信源信道聯合編 碼的潛在問題和未來的工作方向。

傳統圖像修復算法在修復區域涉及復雜非重復結構（如面部）時，不能準確捕捉到高級語義。近三年來基于深度學習的方法被應用于圖像修復中，其修復結果的結構相似性較傳統方法提高了10%以上。首先闡述了面部修復技術的研究發展歷程，主要介紹了基于深度學習的面部修復算法，將其分為無監督和有監督兩大類方法，在每一類中重點對近年來涌現的各種面部修復算法進行分析和總結；然后歸納了當前主流的六類圖像數據集，以及算法性能評價指標；最后討論了面部修復技術的未來研究方向。

//www.arocmag.com/article/01-2021-01-002.html

數據融合是最大程度發揮大數據價值的關鍵，深度學習是挖掘數據深層特征信息的技術利器，基于深度學習的數據融合能夠充分挖掘大數據潛在價值，從新的深度和廣度拓展對世界的探索和認識。本文綜述了近幾年基于深度學習的數據融合方法的相關文獻，以此了解深度學習在數據融合中應用所具有的優勢。首先，分類闡述常見的數據融合方法，同時指出這些方法的優點和不足；接著，從基于深度學習特征提取的數據融合方法、基于深度學習融合的數據融合方法、基于深度學習全過程的數據融合方法三個方面對基于深度學習的數據融合方法進行分析，并做了對比研究與總結；最后，總結全文，討論了深度學習在數據融合中應用的難點和未來需要進一步研究的問題。

//kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=JSGG20201119008&v=UVJbamaWiqPhx%25mmd2F%25mmd2BOu5dHCwhPPmxv19yW5mC2ZX1%25mmd2Bqh0bZ9gpg2gmEH78ZzOsc7eT

摘要： 隨著人工智能和大數據等計算機應用對算力需求的迅猛增長以及應用場景的多樣化, 異構混合并行計算成為了研究的重點。文中介紹了當前主要的異構計算機體系結構, 包括CPU/協處理器、CPU/眾核處理器、CPU/ASCI和CPU/FPGA等;簡述了異構混合并行編程模型隨著各類異構混合結構的發展而做出的改變, 異構混合并行編程模型可以是對現有的一種語言進行改造和重新實現, 或者是現有異構編程語言的擴展, 或者是使用指導性語句異構編程, 或者是容器模式協同編程。分析表明, 異構混合并行計算架構會進一步加強對AI的支持, 同時也會增強軟件的通用性。文中還回顧了異構混合并行計算中的關鍵技術, 包括異構處理器之間的并行任務劃分、任務映射、數據通信、數據訪問, 以及異構協同的并行同步和異構資源的流水線并行等。根據這些關鍵技術, 文中指出了異構混合并行計算面臨的挑戰, 如編程困難、移植困難、數據通信開銷大、數據訪問復雜、并行控制復雜以及資源負載不均衡等。最后分析了異構混合并行計算面臨的挑戰, 指出目前關鍵的核心技術需要從通用與AI專用異構計算的融合、異構架構的無縫移植、統一編程模型、存算一體化、智能化任務劃分和分配等方面進行突破。

//www.jsjkx.com/CN/10.11896/jsjkx.200600045

模態是指事物發生或存在的方式，如文字、語言、聲音、圖形等。多模態學習是指學習多個模態中各個模態的信息，并且實現各個模態的信息的交流和轉換。多模態深度學習是指建立可以完成多模態學習任務的神經網絡模型。多模態學習的普遍性和深度學習的熱度賦予了多模態深度學習鮮活的生命力和發展潛力。旨在多模態深度學習的發展前期，總結當前的多模態深度學習，發現在不同的多模態組合和學習目標下，多模態深度學習實現過程中的共有問題，并對共有問題進行分類，敘述解決各類問題的方法。具體來說，從涉及自然語言、視覺、聽覺的多模態學習中考慮了語言翻譯、事件探測、信息描述、情緒識別、聲音識別和合成，以及多媒體檢索等方面研究，將多模態深度學習實現過程中的共有問題分為模態表示、模態傳譯、模態融合和模態對齊四類，并對各問題進行子分類和論述，同時列舉了為解決各問題產生的神經網絡模型。最后論述了實際多模態系統，多模態深度學習研究中常用的數據集和評判標準，并展望了多模態深度學習的發展趨勢。

摘要：近年來，深度學習模型在圖像、語音、文本識別等領域內取得了顯著成就。然而，深度學習模型嚴重依賴于大量標簽數據，使得其在數據缺乏的特殊領域內應用嚴重受限。面對數據缺乏等現實挑戰，很多學者針對數據依賴小的弱監督機器學習方法開展研究，出現了很多典型研究方向，如小樣本學習、零樣本學習等。針對弱監督機器學習方法，系統闡述了小樣本學習、零樣本學習、零—小樣本學習的問題定義、當前主要方法以及主流實驗設計，最后基于當前研究中出現的問題，對下一階段研究方向進行了總結展望。

人機對話系統能夠讓機器通過人類語言與人進行交互,是人工智能領域的一項重要工作。因其在虛擬助手和社交聊天機器人等領域的商業價值而廣受工業界和學術界的關注。近年來,互聯網社交數據快速增長促進了數據驅動的開放領域對話系統研究,尤其是將深度學習技術應用到其中取得了突破性進展。基于深度學習的開放領域對話系統使用海量社交對話數據,通過檢索或者生成的方法建立對話模型學習對話模式。將深度學習融入檢索式系統中研究提高對話匹配模型的效果,將深度學習融入生成式系統中構建更高質量的生成模型,成為了基于深度學習的開放領域對話系統的主要任務。本文對近幾年基于深度學習的開放領域對話系統研究進展進行綜述,梳理、比較和分析主要方法,整理其中的關鍵問題和已有解決方案,總結評測指標,展望未來研究趨勢。