关键词： 全球数字契约   数字治理   数字技术   人工智能   数字化转型  

摘要： 《全球数字契约》的正式签署为解决全球数字治理、数据管理和数字技术的道德使用等关键问题提供了一个具有全面性、包容性和前瞻性的战略框架，充分体现了联合国在数字治理领域将开展系列行动的勃勃雄心，深刻影响着各成员国及利益攸关方的未来行动。本文采用“问题-政策-政治”的分析路径，梳理《全球数字契约》的形成背景，强调其作为全球数字治理里程碑式变革承诺的重要意义；从目标层、框架层、实践层和保障层系统总结契约的核心内容，突显其作为全球包容性数字治理框架的适用性与可操作性；从政治、经济和社会分析《全球数字契约》的深远影响，探讨其在提升国家数字治理能力、推动产业数字化转型、促进智慧社会建设中的前瞻性作用。

关键词： 毒品检测   分类模型   X射线吸收光谱   机器学习  

摘要： 利用X射线吸收光谱法和卷积神经网络(CNN)、支持向量机(SVM)、改进粒子群优化算法(IPSO)相结合的方法，实现了对毒品的分类识别。首先，选取若干种常规毒品的同分异构体作为实验样本，利用X射线探测器获取14种样本的X射线吸收光谱；然后，利用CNN提取光谱数据的特征，并用提取的特征训练SVM模型，利用引进权重衰减的IPSO优化SVM的2个重要初始参数。最后，将训练好的模型应用于测试集并评估性能。结果表明，该模型将预测准确率提高到99.14%，并大幅度提高了算法运行效率。

关键词： 人工智能   公共空间数据   个人信息   平台数据   保护机制  

摘要： 【目的/意义】本文旨在构建一套适用于人工智能时代的公共空间数据个人信息保护机制，针对现有个人信息保护中法律法规不完善、技术手段不足以及公众隐私保护意识薄弱等问题提出解决方案。【方法/过程】本文采用多种研究方法，通过结合“蔚来汽车用户信息泄露事件”和“平安人寿泄露事件”等典型案例、对比中国《个人信息保护法》和欧盟《通用数据保护条例》（GDPR）的框架，基于隐私保护和数据安全理论，系统论述了人工智能时代公共空间数据中个人信息保护的特征事实，分析了其发展现状及存在的问题。【结果/结论】本文提出的四层保护机制框架在法律法规完善、技术手段应用及公众参与等方面具有普遍适用性和独特优势，并提出相应的政策建议与优化措施，以实现个人信息的有效保护。【创新/局限】本文在提出系统化保护机制的同时，结合了实际案例和国际对比分析，为未来的实证研究和机制优化提供了理论支持与实践指导。

关键词： 基本面分析   机器学习   股票收益   市场效率  

摘要： 企业基本面由财务数据和非财务数据等影响企业运营发展的多维信息构成.不同于已有的企业层面单指标的市场异象研究,本文试图利用机器学习方法融合50个维度的基本面变量信息,创新性地去预测企业内在估值,并通过其与真实市值之间的差异比对构建估值错配指标.以OLS模型为基准,本文逐一尝试了4类线性机器学习模型(RIDGE、LASSO、ELASTICNET、PCR)以及5类非线性模型(DT、RF、GBDT、XGBOOST、FNN),并进一步通过集成技术聚合多种机器算法的预测能力构建最终估值错配指标.结果表明,基于估值错配指标构建的市场多空组合最高可获取约32%的原始年化收益以及约22%的FamaFrench 5因子调整后年化收益.此估值错配异象在投资者有限关注以及套利限制较高的股票中回报更高,揭示了估值错配异象的潜在解释机制.进一步分析发现,估值错配异象受某些宏观经济状态变化的影响,此外企业层面估值错配指标能够预测公司未来真实风险事件的发生,同时市场层面估值错配指标能够预警系统性金融风险的变化.本文提出了全新的企业内在估值错配指标,并揭示了伴随的市场异象,对于防范化解金融风险、提升我国资本市场运行效率有一定启示意义.

关键词： 鹿茸   基原鉴定   真伪鉴定   机器学习   数字化鉴定   多肽  

摘要： 鹿茸为中国传统名贵动物药，但市场上常存在非药典基原鹿茸混用的现象，扰乱用药安全，为加强鹿茸质量控制，规范用药安全。该研究基于超高效液相色谱串联四极杆飞行时间质谱(UHPLC-QTOF-MSE)分析，结合自适应增强机器学习算法（Adaboost）构建数字化鉴定模型，以实现不同来源鹿茸的数字化辨识及真伪鉴定，对梅花鹿、马鹿、驼鹿、驯鹿密生茸毛的幼角进行处理，开展UHPLC-QTOF-MSE多肽分析。然后通过数字量化，获取反映多肽信息的质谱数据。其次通过基尼指数特征筛选获取关键数据，并结合Adaboost算法构建数字化鉴定模型，并利用召回率、F1综合分数、准确率等进行模型评价。最后，基于构建的数字化鉴定模型进行鉴定验证分析。结果显示当利用基尼指数筛选前100特征多肽数据时，基于Adaboost构建的数字化鉴定模型具有最佳效果，准确率、召回率以及F1综合分数均不低于0.953，且10批样品的鉴定验证分析的正确率高达100.0%。因此，基于UHPLC-QTOF-MSE分析和Adaboost机器学习算法能够高效准确地实现鹿茸数字化鉴定，可为鹿茸的质量控制及基原考证提供参考和帮助。

关键词： 资产定价   股票收益预测   机器学习   神经网络   非线性模型   多层感知机  

摘要： 在金融资产定价模型修正过程中,非线性因素常被选择性忽视.本文运用机器学习中的前馈神经网络方法,将先验分类信息引入前馈神经网络构建了三种基于多层感知机(Multi-Layer Perceptron, MLP)的优化模型:混合神经元MLP、单分类混合MLP和多分类混合MLP,以预测中国股票市场收益,并将其预测效果与基于最小二乘和偏最小二乘估计方法的线性回归模型、支持向量机、极端梯度提升、循环神经网络、长短期记忆网络以及经典的MLP进行比较.研究发现,加入先验信息的优化MLP模型可以有效地显现市场异象与股票超额收益之间的复杂关系,其在预测性能和投资策略上的表现明显优于不具有先验信息的传统模型,展现了优越的样本外预测效果和鲁棒性,提升了投资回报;多分类混合MLP模型具有最佳的预测性能和投资绩效.本文构建的基于先验信息的优化MLP模型能够捕捉市场异象与股票超额收益之间的非线性定价结构,在一定程度上拓展和丰富了金融资产定价理论.

关键词： 土壤类型   土壤-景观关系模型   机器学习算法   环境变量   地形  

摘要： 构建适宜性土壤-景观关系模型是提高数字土壤制图精度的关键。由于平原-丘陵区域的多尺度复杂地形，如何充分考虑土壤-景观关系模型建立的主要环节来准确预测其土壤类型空间分布需要进一步探讨。本研究以湖北省麻城市乘马岗镇北部为研究区，将其划分为平原和丘陵2个地形单元，以28个环境变量为辅助因子，评估决策树（Decision Tree, DT）、随机森林（Random Forest, RF）、梯度提升树（Gradient Boosting Decision Tree, GBDT）和极端梯度提升（Extreme Gradient Boosting, XGBoost）在各地形下进行推理制图的精度，基于因子重要性排序筛选变量，通过对比整体与按地形分区制图的精度，探索提高平原-丘陵区域土壤类型制图精度的途径。结果表明：不同地形条件下，最优推理制图方法不同。RF在整体和平原区域制图效果较好，XGBoost在丘陵区域制图效果较好。通过变量筛选能够有效提升推理制图总体精度和Kappa系数，整体区域提升效果最好（分别提升了4.96%和0.06），平原区域提升效果最差（分别提升了1.43%和0.02）。相比较于整体制图，按地形分区制图精度最高，总体精度和Kappa系数分别为73.05%和0.69。在平原-丘陵混合区域，综合考虑制图方法优选、环境变量筛选以及制图方式能有效提升土壤类型推理制图精度，为复杂地形区域土壤类型推理制图提供了实践案例和技术支持。

关键词： 智能制造   金融化   高质量发展   制造业企业  

摘要： 防范和化解金融风险,助力企业“脱虚向实”,是我国制造业实现高质量发展、落实经济结构转型的必然要求.本文立足于智能制造的研究视角,以工业和信息化部推行智能制造试点示范项目为准自然实验,采用多期双重差分的研究方法系统考察智能制造能否有效推动企业“脱虚向实”.研究结果表明,企业实施智能制造通过抑制企业的套利动机与蓄水池动机显著降低了企业的金融化水平,且上述结果在非国有企业、所属地区最低工资标准较高、采用多元化发展模式及银企距离较远的企业中更为明显.经济后果分析发现,实施智能制造不仅可以推动企业“脱虚”,也可推动企业“向实”,缓解金融化对企业实体投资的挤出效应.本文通过考察企业实施智能制造对企业金融化的影响,进一步拓展了智能制造与企业金融化等领域的研究文献,对推动制造业企业转型升级、实现高质量发展具有重要参考价值.

关键词： 厌氧膜生物反应器   机器学习   特征选择   注意力机制   膜污染  

摘要： 厌氧膜生物反应器是一种高效废水资源化处理工艺，但其应用过程中膜污染会导致跨膜压差增大、影响膜寿命以及运行性能。因此，识别膜污染影响因素从而有效预测污染行为在膜污染控制中具有重要意义。本文构建一种基于注意力机制的卷积神经网络和门控循环单元网络结合的机器学习模型（CNN-GRU-AM）来预测膜污染。首先，在模型构建的过程中，明确了模型精度影响最大的优化器与卷积层神经元数，优化器选定为RMSprop，卷积层神经元为[64，128]。然后采用皮尔逊相关性分析对膜污染影响因素进行特征选择，活性污泥浓度MLSS与胞外聚合物中多糖EPS-PS贡献最大，分别为58.34%和52.47%；对模型拟合影响较大的五个输入变量进行预测，决定系数R2从0.948 1提升至0.981，预测精度提升了3.5%。最后评估了基于卷积神经网络、长短期记忆人工神经网络和门控循环单元网络建立的不同模型对跨膜压差（TMP）的预测精度，结果表明CNN-GRU-AM模型在决定系数(R2=0.981)、平均绝对误差（MAE=0.280 9）、均方误差（MSE=0.250 3）优于其他预测模型。该研究结果证实了CNN-GRU-AM机器学习模型预测AnMBR膜污染的合理性和实用性。

关键词： 含铈矿物   大数据   机器学习   大量罕见事件频率分布   矿物共生网络分析  

摘要： 稀土元素是发展能源转换、超导和量子工程等高新技术领域不可替代的战略性矿产资源。然而， 对于稀土矿物分布、多样性和共生规律的认识极为不足。前人通过大数据和机器学习方法对铍、硼和碳等矿物生态学和矿物共生网络的研究， 识别矿物共生组合隐藏的规律， 预测总矿物种数、可能的化学组分和成矿环境， 为寻找新矿物以及有效利用矿产资源提供新的方向。本文立足于Mindat和RRUFF数据库提供的地球近地表166种含铈矿物的矿物学信息， 通过大量罕见事件(Large Number of Rare Events; LNRE)模型预测: 地球近地表至少存在223±3种含铈矿物， 还有57±3种含铈矿物尚未被发现， 包括有39±3种含氧矿物， 36±11种含氢矿物， 50±1种含硅矿物， 45±22种含钙矿物， 39±5种含钠矿物， 28±5种含碳和23±2种含氟矿物。这些尚未被发现的矿物多数与碳酸盐岩演化的不同阶段相关。此外， 铈的矿物网络结果表明， 含铈矿物被划分为4种不同的成矿环境， 暗示新的含铈矿物出现的成矿环境。本文为开展其余稀土元素的矿物生态学和矿物共生网络研究提供了研究思路和方法， 对发现稀土新矿物以及有效利用稀土矿产具有重要的指导意义。