作为机器学习领域的研究新方向,多无源域适应旨在将多个源域模型中的知识迁移到目标域,以实现对目标域样本的准确预测。本质上,解决多无源域适应的关键在于如何量化多个源模型对目标域的贡献,并利用源模型中的多样性知识来适应目标域。...作为机器学习领域的研究新方向,多无源域适应旨在将多个源域模型中的知识迁移到目标域,以实现对目标域样本的准确预测。本质上,解决多无源域适应的关键在于如何量化多个源模型对目标域的贡献,并利用源模型中的多样性知识来适应目标域。为了应对上述问题,提出了一种基于源模型贡献量化(Source Model Contribution Quantizing,SMCQ)的多无源域适应方法。具体而言,提出了源模型可转移性感知,以量化源模型的可转移性贡献,从而为目标域模型有效地分配源模型的自适应权重。其次,引入了信息最大化方法,以缩小跨域的分布差异,并解决模型退化的问题。然后,提出了可信划分全局对齐方法,该方法用于划分高可信和低可信样本,以应对域差异引起的嘈杂环境,并有效降低标签分配错误的风险。此外,还引入了样本局部一致性损失,以减小伪标签噪声对低可信样本聚类错误的影响。最后,在多个数据集上进行实验,验证了所提方法的有效性。展开更多
中国是全球炼油产能第一大国,炼油设施的产品需求稳定,但其原油进料各异、工艺单元复杂、产品谱系多元,碳排放异质性高,尚缺少高精度碳排放表征方法,导致我国炼油设施排放底数不清,减排挑战突出。本研究搭建了适配我国炼油设施多样化生...中国是全球炼油产能第一大国,炼油设施的产品需求稳定,但其原油进料各异、工艺单元复杂、产品谱系多元,碳排放异质性高,尚缺少高精度碳排放表征方法,导致我国炼油设施排放底数不清,减排挑战突出。本研究搭建了适配我国炼油设施多样化生产特征的碳排放量化模型,建立原油混合、制氢、电力、供热等多个关键模块,构建装置级能源—过程—排放交互对应关系,为我国炼油行业制定靶向降碳路径奠定基础。研究显示,1998—2023年全国炼油设施累计碳排放达48.87亿tCO_(2)e,2023年碳排放为2.94亿tCO_(2)e,全国炼油设施加工1t原油的碳排放强度为270~659 kg CO_(2)e/t,平均为405 kgCO_(2)e/t,占行业总碳排放83%的深度加工型炼油设施碳排放强度最高,达到418 kgCO_(2)e/t,且近十年新建设施碳强度有所上升。建议针对炼油设施集群推广集中供热、热电联产和可再生能源供热,支持可再生能源制氢以减少化石燃料制氢需求;对于深度加工设施应优化其装置工艺效率,增强加工转化的靶向性以缩短生产链路。展开更多
文摘作为机器学习领域的研究新方向,多无源域适应旨在将多个源域模型中的知识迁移到目标域,以实现对目标域样本的准确预测。本质上,解决多无源域适应的关键在于如何量化多个源模型对目标域的贡献,并利用源模型中的多样性知识来适应目标域。为了应对上述问题,提出了一种基于源模型贡献量化(Source Model Contribution Quantizing,SMCQ)的多无源域适应方法。具体而言,提出了源模型可转移性感知,以量化源模型的可转移性贡献,从而为目标域模型有效地分配源模型的自适应权重。其次,引入了信息最大化方法,以缩小跨域的分布差异,并解决模型退化的问题。然后,提出了可信划分全局对齐方法,该方法用于划分高可信和低可信样本,以应对域差异引起的嘈杂环境,并有效降低标签分配错误的风险。此外,还引入了样本局部一致性损失,以减小伪标签噪声对低可信样本聚类错误的影响。最后,在多个数据集上进行实验,验证了所提方法的有效性。
文摘中国是全球炼油产能第一大国,炼油设施的产品需求稳定,但其原油进料各异、工艺单元复杂、产品谱系多元,碳排放异质性高,尚缺少高精度碳排放表征方法,导致我国炼油设施排放底数不清,减排挑战突出。本研究搭建了适配我国炼油设施多样化生产特征的碳排放量化模型,建立原油混合、制氢、电力、供热等多个关键模块,构建装置级能源—过程—排放交互对应关系,为我国炼油行业制定靶向降碳路径奠定基础。研究显示,1998—2023年全国炼油设施累计碳排放达48.87亿tCO_(2)e,2023年碳排放为2.94亿tCO_(2)e,全国炼油设施加工1t原油的碳排放强度为270~659 kg CO_(2)e/t,平均为405 kgCO_(2)e/t,占行业总碳排放83%的深度加工型炼油设施碳排放强度最高,达到418 kgCO_(2)e/t,且近十年新建设施碳强度有所上升。建议针对炼油设施集群推广集中供热、热电联产和可再生能源供热,支持可再生能源制氢以减少化石燃料制氢需求;对于深度加工设施应优化其装置工艺效率,增强加工转化的靶向性以缩短生产链路。
