乌漆 WhiteMoon

摘要： 目录字在内存中的存储DS 与 [address]段寄存器数据段栈机制栈的 CPU 的实现push 和 pop 指令栈段实验二Debug 的机制修改 SS 指令的连带执行栈与内存的综合操作2000:0 内存变化参考资料 字在内存中的存储 8086 是 16 位 CPU，其通用寄存器多为 16 位，因此 阅读全文

摘要： 目录搭建 DOSBox & MASM 环境Debug 工具使用R 命令D 命令E 命令U 命令T 命令A 命令实验 1逐条执行指令计算 2 的 8 次方查看 ROM 的日期向 B8100H 单元填写数据参考资料 搭建 DOSBox & MASM 环境 在使用 Debug 之前，需要先搭建一个能运行 阅读全文

摘要： 目录机器语言和汇编语言机器语言汇编语言存储器主板与外设控制存储器与总线存储器类型内存地址空间寄存器通用寄存器MOV 与 ADD 指令物理地址与分段机制内存的分段管理CS 和 IP 寄存器jmp 指令参考资料 汇编语言是直接面向硬件的编程语言，其所有语法和编程都建立在计算机硬件结构之上，因此需要先理解 阅读全文

摘要： 目录云安全的定义云安全威胁云安全防护策略基础设施安全数据安全应用安全虚拟化安全身份识别和访问管理操作系统安全操作审计参考资料 云安全的定义 从广义上说，云安全是为了确保用户能在云计算中心稳定、私密地运行业务，并保证存储在云中数据的完整性和机密性。狭义上的“云安全”计划是中国特有概念），它融合了并行处 阅读全文

摘要： 针对现有方法（如因子分解机、Transformer）假设变量间为稠密交互、视角单一的局限性，本文提出双路由结构自适应图网络 DRSA-Net，其核心在于将无显式结构的表格数据建模为一个可学习的稀疏图上的消息传递问题。具体而言，模型首先通过低秩分解和 Top-K 操作，自适应地学习特征变量之间的最优稀疏图结构，从而精确控制交互的复杂性。在此基础上，模型设计了双路由注意力消息传递规则，同时从学得的图拓扑结构和基于注意力分数的特征相似性这两个互补的视角，来聚合信息并刻画变量间复杂的非线性交互。最终，通过一个分层聚合的读出函数得到样本的表示以进行预测。理论分析表明，经典的多层感知机和因子分解机均可视为该模型在完全图结构下的特例。通过大量实验验证了其有效性，消融实验、案例分析和复杂性评估共同表明，该模型在性能、效率、可解释性方面达到了良好的平衡。 阅读全文

摘要： 针对多病共存患者的重症风险预测难题，本文提出了一种名为 GATET 的混合神经网络模型。该模型的核心在于将 GAT 与 TabNet 融合，主要包含三个模块：依赖特征提取模块依据医学先验知识（如年龄）将患者样本构建并划分为依赖子图；注意力聚合构图模块在子图内使用图注意力机制聚合节点信息，以捕获复杂的样本间关系；特征加权模块则利用简化的 TabNet 计算特征重要性权重。三个模块协同有效应对了医疗表格数据中特征依赖关系复杂、样本关联缺失这两大挑战，在提升预测精度的同时保持了模型的可解释性。利用来自一家三甲医院的真实临床电子健康记录数据构建了数据集，实验表明 GATET 在多个指标上优于多种传统机器学习与前沿深度学习基线模型，并通过消融实验证实了各模块的必要性。 阅读全文

摘要： 本文提出了一个名为 INCE 的表格深度学习模型，其核心创新在于用 GNN 实现交互网络，用作表格特征的上下文嵌入器。模型将每个表格行转换为一个全连接图，其中每个节点对应一个特征的嵌入表示，并引入一个虚拟 CLS 节点。随后，一个 IN 层堆栈通过消息传递机制，动态地学习和更新图中所有节点（特征）之间连接的强度，从而建模复杂的特征交互。经过 IN 增强后的 CLS节点的最终表示，被用作整个表格行的上下文感知的全局嵌入，并送入一个 MLP 解码器进行预测。通过在公开数据集上与多个 baselines 的广泛对比实验，证明了 INCE 模型在深度学习模型中达到了最佳平均性能，并能与树模型形成有力竞争。 阅读全文

摘要： 本文提出了一个名为 Table2Graph​ 的框架，旨在将表格数据的特征交互建模问题转化为一个统一的加权图学习问题。其核心模型通过学习一个全局共享的概率邻接矩阵来显式地编码所有特征列之间的交互强度。为了解决图学习过程中的不稳定性和稀疏性控制难题，模型引入了强化学习策略以稳定地强化对提升预测性能至关重要的关键交互连接，并设计了一个可微的稀疏性约束损失来正则化图的连接结构，避免其过于平滑或稀疏。最终，模型在一个包含预测任务损失、强化损失和稀疏性约束损失的联合损失函数指导下，端到端地训练出这个统一图及相应的图神经网络模型，以实现高效且准确的预测。通过在多个真实世界和合成数据集上进行的广泛实验，本文严谨地验证了该框架的有效性、效率和可解释性。 阅读全文

摘要： 针对表格数据自动语义结构理解中的挑战，本文提出了一种名为 TabularNet​ 的神经网络架构，其核心在于同时建模了表格的空间信息和关系信息。TabularNet 采用了双重数据表示，将表格视为矩阵以利用空间敏感操作，并使用基于 WordNet 词汇树的语义图构建方法来表示单元格间的复杂关系。模型的主体由一个可堆叠的结构信息挖掘层构成，它集成了两个并行编码器：空间信息编码器结合了能敏感捕捉区域交界的行/列双向门控循环单元，以及用于提取统计特征的行/列平均池化；关系信息编码器在 WordNet 语义图上应用图卷积网络，以捕获层次与并列关系。TabularNet 被设计为一个统一的骨干网络，其输出的嵌入表示可通过简单的集成（如拼接、池化）适配于单元格级分类、行/列级检测等多种任务，并支持多任务学习。通过在 2 个大规模的真实电子表格数据集上进行单元格角色分类和表头区域检测实验，本文全面评估了 TabularNet 的有效性、通用性和组件必要性。 阅读全文

摘要： 针对现有可解释模型性能不足、运行效率低、可靠性低的问题，本文提出了一种用于处理表格数据的可解释图神经网络模型 IGNNet。它将传统表格数据中的每个数据实例转换成一个图结构，其中每个特征对应一个图节点，特征之间的线性相关关系（皮尔逊相关系数）构成图的边权重。在此基础上，IGNNet 通过一个经过特殊约束的图神经网络进行学习，并在最终输出层采用一个完全透明的线性分类器。这使得模型在做出预测的同时，能够精确地、可回溯地展示每个输入特征对最终预测结果的具体贡献，从而实现了内在可解释性，无需依赖计算成本高昂且保真度不保证的后验解释方法。在 35 个公开数据集上进行了大规模实证研究，从解释质量和预测性能两个维度全面评估 IGNNet，验证了其在保持高性能的同时，能提供高保真的解释。 阅读全文