基于多任务委托代理的高校协作激励机制设计

通过建立多任务委托-代理模型,研究同时考虑提高科研和教学这两大任务的政府和强校之间的激励机制设计问题.通过对两个任务之间在独立、替代和互补三种关系下激励问题的研究,得到如下结论:当两任务的努力成本之间为互补关系时,通过对科研的激励可以同时提高教学水平;若两者为替代关系,则提高对科研的激励水平将促使高校只注重科研而忽视教学,弱化激励效率.通过弱化对教学和科研的激励差别,可以促使强校将精力在多项任务中进行合理分配.最后通过设计基于主观评价和监督的激励机制,将两者之间的替代关系转化为互补关系,从而解决激励效能弱化的问题.     

一种基于多任务学习的多模态情感识别方法

为了通过设置辅助任务学习到更具有情感倾向性的视频和语音表示,进而提升模态融合的效果,提出一种基于多任务学习的多模态情感识别模型,使用多模态共享层来学习视觉和语音模型的情感信息.在MOSI数据集和MOSEI数据集上的实验表明,添加两个辅助的单模态情感识别任务后,模型可以学习到更有效的单模态情感表示,并且在两个数据集上的情...     

绩效度量的一致性、敏感性及准确性关系研究

将环境的波动性和度量噪音看作是影响绩效度量的两类不同的随机误差,在Linear-exponential-normal框架下,建立了以价值绩效度量和补偿绩效度量的线性组合为基础的收益激励模型,并分析了激励强度与绩效度量的一致性、敏感性和准确性之间的关系,以及环境波动性对上述关系的影响.研究发现,在确定性环境条件下,激励强度与绩效度量的"信号噪音比"成正比关系,但绩效度量的一致性的提高并不必然增加该度量指标在激励契约中的权重,而要视敏感性或噪音相对于一致性的变化幅度来定.特别地,在绩效度量的敏感性与一致性之间并不存在权衡取舍关系.研究还发现,波动性与激励强度之间存在负向关系,且波动性的存在降低了绩效度量的一致性和敏感性,但波动性对绩效度量的准确性的影响则呈非单调性变化.     

多任务特许经营情境下的信息甄别研究

主要研究特许经营模式中,在加盟商存在私有信息时,特许商如何制定最优的菜单合约进行信息揭露与激励优化,从而达到自身收益的最大化.基于委托代理理论,研究多任务特许经营情境下的信息甄别问题,考虑逆向选择与道德风险构建模型,最终得到特许商的最优甄别式菜单合约.结论表明:最优合约为一分段式合约,当加盟商在维护性活动上的努力水平提高,其所获得的收益分成比例也越大,确定性等价收益也越高.此外,加盟商需要向特许商缴纳的加盟费或可领取的补贴的变化情况与其自身的主观风险相关,呈现出一定的规律性.     

联合自编码任务的多机制融合复述生成模型

基于神经网络编码–解码框架的复述生成模型存在两方面的问题: 1) 生成的复述句中存在实体词不准确、未登录词和词汇重复生成; 2) 复述平行语料的有限规模限制了编码器的语义学习能力。针对第一个问题, 本文提出在解码过程中融合注意力机制、复制机制和覆盖机制的多机制复述生成模型, 利用复制机制从原句复制词语来解决实体词和未登录词生成问题; 利用覆盖机制建模学习注意力机制历史决策信息来规避词汇重复生成。针对第二个问题, 基于多任务学习框架, 提出在复述生成任务中联合自编码任务, 两个任务共享一个编码器, 同时利用平行复述语料和原句子数据, 共同增强复述生成编码器的语义学习能力。在Quora复述数据集上的实验结果表明, 提出的联合自编码的多机制融合复述生成模型有效地解决了复述生成的问题, 并提高了复述句的生成质量。     

面向云制造的有限资源多任务调度博弈

为解决云制造环境下云服务组合优化调度问题,在深入分析目前优化调度问题存在的难点及研究不足的基础上,提出一种云制造环境下有限资源的多任务调度模型。考虑服务需求者间存在的利益冲突及重要的服务评价指标,以每个服务需求者作为博弈参与者,将每个任务的执行制造路径当作博弈策略,把时间、合格率、成本和服务质量组成的综合服务水平看作博弈支付函数,最终把有限资源的多任务调度问题转变为多个静态非合作博弈问题。在此基础上,将求解纯策略纳什均衡解的过程编制为算法,该算法所得的均衡解为每个任务的最终执行制造路径。实验仿真表明该模型及算法具有可行性及有效性。     

嵌入式汽车轮胎气压监测系统设计

针对汽车轮胎气压工况的特点,设计汽车胎压监测系统(TPMS). 采用嵌入式实时操作系统μC/OS-II为软件平台,以多任务的形式进行程序设计,并采用性能优越的32位ARM嵌入式处理器作为硬件处理平台. 试验结果表明,该系统可有效防止轮胎在非正常气压下长时间行驶而发生事故,提高了汽车的主动安全性. 系统的设计为胎压监测提供了一个有效和可靠的解决方案.     

基于多任务委托-代理模型的IT外包激励机制分析

基于委托-代理理论,运用霍姆斯特姆和米尔格罗姆多任务委托-代理模型的分析框架,选取信息技术外包项目绩效中的技术效应和经济效益两项任务,建立多任务委托-代理模型,在两项任务相互独立和相互依存两种情况下,对信息技术外包激励问题进行分析。研究表明：两项任务相互独立情况下,企业对风险规避度低的接包方提高对其各项任务的激励强度;比较两项任务,当两者可观测变量方差相同时,对边际成本变化率低的任务提高其激励强度,当两者边际成本变化率相同时,对可观测变量方差小的任务提高其激励强度。两项任务相互依存情况下,发包方经济效益的激励强度在两项任务互补时应增强,在替代时应减弱。     

A Variant of Multi-task n-vehicle Exploration Problem: Maximizing Every Processor’s Average Profit

We discuss a variant of the multi-task n-vehicle exploration problem. Instead of requiring an optimal permutation of vehicles in every group, the new problem requires all vehicles in a group to arrive at the same destination. Given n tasks with assigned consume-time and profit, it may also be viewed as a maximization of every processor’s average profit. Further, we propose a new kind of partition problem in fractional form and analyze its computational complexity. By regarding fractional partition as a special case, we prove that the average profit maximization problem is NP-hard when the number of processors is fixed and it is strongly NP- hard in general. At last, a pseudo-polynomial time algorithm for the average profit maximization problem and the fractional partition problem is presented, using the idea of the pseudo-polynomial time algorithm for the classical partition problem.     

基于混合范式多任务学习的图像稀疏表示

受视觉表示和多任务学习的研究结果启发，发现传统模型约束项所获得的稀疏表示或过于冗余或过于严格要求信息共享，为寻找一种折中且更加有效的特征表示方法，提出基于混合范式多任务学习的图像稀疏表示学习框架。该框架以多特征的类别信息作为先决信息对特征进行组划分。选择L2，1和L1混合范式做约束惩罚函数约束，其中L2，1范式，在特征组内提取同种特征相关共享信息，L1范式在多特征组之间去相关，选择竞争性更强的特征种类。提出的学习框架不仅实现了多特征联合，而且充分考虑了不同特征之间的互补表示能力又消除了冗余。实验结果表明，由该框架学习得到的稀疏表示不仅可以达到稀疏要求，同时也实现了较好的分 类性能，证明了混合范式算法对提取图像关键本质信息的有效性。