全部分类/
科学普及/
计算机应用研究

计算机应用研究

2026年07期

扫码免费借阅

目录

快速导航

综述评论 | 基于大模型遗忘的隐私保护:方法、评估与挑战

综述评论 | 基于大模型遗忘的隐私保护:方法、评估与挑战

摘要：随着大语言模型(LLM)在多类智能场景的广泛部署,其对训练数据的记忆能力放大了成员推理、模型反演等隐私风险,使满足“被遗忘权”等合规要求成为实际应用的关键瓶颈。模型遗忘(MU)能在训练完成后按需移除特定样本或子集的影响,是满足动态隐私删除需求的关键技术。旨在系统梳理面向大语言模型的遗忘方法,并提出一个新的分类与评估视角。针对大语言模型的特点,将现有MU方法概括为基于数据变换、参数微调、架构设计和训练范式一体化四大类,并概述其通过反向微调、参数修正、架构重构与隐私感知训练实现可遗忘性的核心机理,进一步从遗忘彻底性、模型效用保持和计算通信开销等维度构建评估框架,对各类方法的优势与适用边界进行对比分析。最后结合联邦学习(federated learning,FL)和在线服务场景,指出统一形式化定义、可验证遗忘及流式删除支持等仍是亟待突破的方向。
综述评论 | 基于 Mamba 的图像分割应用综述

综述评论 | 基于 Mamba 的图像分割应用综述

摘要：随着深度学习技术在医学影像、遥感影像及裂缝检测等图像分割任务中的广泛应用，传统的卷积神经网络和Transformer在全局建模和计算效率方面仍存在局限性。Mamba作为基于选择性状态空间模型的新框架，凭借其线性时间复杂度的特性，在捕获长距离依赖与全局上下文信息方面展现出独特的优势，已逐渐受到图像分割领域的关注。该研究综述了Mamba以及结构的发展脉络，分析了其在医学图像、遥感影像以及裂缝等分割领域的应用现状，并在同类场景下系统探讨了基于Mamba不同模型存在的问题。最后，对当前研究面临的挑战和未来的发展进行了讨论，为后续研究提供参考。
AI+医学检测专题 | 图 Mamba 与稀疏拟合驱动的自闭症谱系障碍预测

AI+医学检测专题 | 图 Mamba 与稀疏拟合驱动的自闭症谱系障碍预测

摘要：静息态功能磁共振成像(resting-state functional magnetic resonance imaging, rs-fMRI)被广泛用于自闭症谱系障碍(autism spectrum disorder, ASD)的预测研究。为克服脑区交互关系难以建模、深层网络易出现梯度消失及模型解释性不足等问题,提出一种基于功能连接(functional connectivity, FC)的图 Mamba 与稀疏拟合驱动网络。该方法通过图 Mamba 编码器提取具有长程依赖的时序特征,建模可解释的功能连接矩阵;引入残差机制以提升图卷积网络的层次表征能力,并设计图稀疏拟合结合加权聚合策略以缓解维度膨胀问题。在 ABIDE 数据集上的实验表明,该方法在 AAL 脑区划分下五折交叉验证的分类准确率达到 73.4%,优于所有主流方法。进一步分析发现,所识别的潜在生物标志物与现有医学认知理论高度一致,为 ASD 临床诊断提供了新的参考。
AI+医学检测专题 | 基于自适应组效应稀疏的抑郁识别方法

AI+医学检测专题 | 基于自适应组效应稀疏的抑郁识别方法

摘要：稀疏特征选择对复杂抑郁脑电数据分析至关重要,不仅能有效缓解维数灾难问题,还能显著提升算法的泛化能力。然而,现有抑郁识别方法未考虑脑电特征间潜在的组结构信息,影响了算法的识别性能和维度缩减能力。为此,提出一种基于自适应组效应稀疏的抑郁识别方法。首先,采用一种有序加权融合机制对不同节律脑电信号的时域特征进行聚合,以形成更紧凑、更准确的特征表示。随后,提出一种新的自动组效应稀疏模型,通过定义加权L1范数约束项与成对结构惩罚项,促使模型剔除冗余和噪声特征的同时,自适应地识别并筛选出最稀疏和最具判别性的高相关特征组。实验结果表明,该方法在MODMA数据集上实现了99.87%的平均预测准确率,较现有抑郁识别方法提升了2.23个百分点;在EDRA数据集上取得了99.60%的平均准确率。同时,所提稀疏模型与经典特征选择算法相比,具有很强的竞争力。
联邦学习专题 | 联邦学习的梯度安全鲁棒聚合算法

联邦学习专题 | 联邦学习的梯度安全鲁棒聚合算法

摘要: 针对联邦学习中梯度面临的中毒攻击威胁和隐私泄露风险,提出一种联邦学习的梯度安全鲁棒聚合算法(model-secure and robust aggregation algorithms for federated learning, MSRAFL)。该算法可以在保护客户端数据隐私的前提下,有效防御恶意客户端发起的梯度中毒攻击,提升全局模型的鲁棒性和安全性。首先,MSRAFL引入差分隐私机制,通过梯度裁剪与高斯噪声注入实现隐私保护;其次,设计基于历史梯度的引导方向,结合余弦相似度与动态可信阈值对梯度进行投影约束,以纠正由噪声和攻击引起的更新方向偏离;进一步,依据客户端模型损失变化评估其可信度,并联合余弦相似度动态分配聚合权重,从而抑制恶意梯度的影响。在真实数据集上的实验结果显示,即使存在30%的中毒模型,MSRAFL仍能将模型准确率维持在约0.8的水平,优于现有同类聚合算法。这表明,MSRAFL算法能够在严格隐私保护条件下,有效提升联邦学习系统对中毒攻击的防御能力,兼顾隐私安全与模型鲁棒性。
联邦学习专题 | 双正交分解与自适应聚合的个性化联邦学习

联邦学习专题 | 双正交分解与自适应聚合的个性化联邦学习

摘要：针对个性化联邦学习 PFL 中数据异构性导致的模型个性化能力受限与泛化性能下降问题,提出一个基于双正交分解与自适应聚合的个性化联邦学习方法 FedBDAA(federated learning based on biorthogonal decomposition and adaptive aggregation)。设计一种双正交分解策略,对客户端模型参数进行功能正交化分解和结构正交化分解,并采用两阶段协同训练来有效提取并利用客户端本地数据信息,提升模型个性化水平;其次,设计一种自适应聚合策略,通过修改客户端模型共享参数更新向量的大小和方向,并自适应调整聚合权重来提升模型泛化性能。在 CIFAR-10、CIFAR-100 和 Tiny-ImageNet 三个数据集上,FedBDAA 的测试准确率比次优算法 pFedFDA、FedCP 和 FedALA 分别提升了 1.12、3.52 和 3.62 个百分点,验证了其有效性。
算法研究探讨 | 基于层次化上下文增强与知识库的关键要素抽取方法

算法研究探讨 | 基于层次化上下文增强与知识库的关键要素抽取方法

摘要: 针对认知电子战(CEW)装备实验方案设计中关键要素抽取难以捕获跨句语义依赖、缺乏领域知识融合等问题, 开展了关键要素抽取方法研究, 提出了一种基于层次化上下文增强与知识库的关键要素抽取方法 (hierarchical context enhancement with knowledge base, HCE-KB)。该方法首先采用任务感知规则模板与位置先验生成高召回率候选要素, 然后利用 BERT 构建层次化语义表示并完成语义排序, 依托领域知识库开展一致性校验与复排序, 提升抽取结果的规范性与可用性。实验结果表明, 在含 3400 个标注样本的 CEW 数据集上, 该方法相比 MDERank 的 F₁ 值提升 20 个百分点, 处理速度提高 2.25 倍, 验证了方法的有效性与工程应用价值。
算法研究探讨 | MLE-KPE:一种融合大模型的多阶段中文专利关键词提取方法

算法研究探讨 | MLE-KPE:一种融合大模型的多阶段中文专利关键词提取方法

摘要：为了提升中文专利文本关键词提取的准确性与多样性,解决现有方法在语义表示、特征提取及长文本处理上的不足,提出一种融合大模型的多阶段中文专利关键词提取方法(multi-stage LLM-enhanced patent keyword extraction, MLE-KPE)。该方法由三阶段构成,首先基于Sentence-BERT句向量与高斯混合模型进行句子级主题建模,并引入专利IPC分类号作为先验信息以筛选每篇文档的主题关键句;然后利用大语言模型对主题关键句进行语义聚合,生成候选关键词集合;最后根据语义相似度与短语中心性对候选关键词进行打分、去冗与排序,最终输出高质量关键词列表。在自建专利数据集和中文科学文献数据集上的实验表明,该方法在F1@5、F1@10、F1@15指标上均优于基线模型,验证了其有效性与泛化能力。MLE-KPE模型能够有效提升专利文本关键词的提取效果,为专利关键词提取提供了一种新的多层次融合解决方案。
算法研究探讨 | 基于大语言模型微调的知识图谱补全

算法研究探讨 | 基于大语言模型微调的知识图谱补全

摘要：知识图谱补全旨在解决知识图谱中普遍存在的信息缺失问题,传统表示学习方法难以有效利用外部文本信息与图谱高阶结构,而直接调用大语言模型又面临事实性幻觉与结构信息利用不足的挑战。针对上述问题,提出一种面向知识图谱补全的大语言模型双路径微调框架(DPFT)。该框架融合生成式与对比式学习的优势,通过生成路径提升泛化能力,利用对比路径增强对事实差异的判别能力,并通过构建融合多跳邻域的结构化提示模板,将图谱补全任务转为基于上下文的推理任务。实验结果表明,该方法在多项任务中优于基线模型。在 WN11 和 FB13 数据集上,三元组分类准确率分别提升 0.31% 和 0.67%;在 WN18RR 和 YAGO3-10 数据集上,实体预测性能分别提升 17.93% 和 37.89%;在 YAGO3-10 数据集上,关系预测性能提升 3.93%。
算法研究探讨 | 基于多维聚类与知识蒸馏的上下文学习演示样本检索方法

算法研究探讨 | 基于多维聚类与知识蒸馏的上下文学习演示样本检索方法

摘要: 随着大语言模型上下文学习能力的发展,医学命名实体识别任务越来越依赖高质量的演示样本来提升模型输出的准确性。现有方法多采用单一语义相似度或随机策略,难以兼顾医学文本在实体类型、语义表述与结构组织上的多维特征,导致模型识别性能受限。为此,提出了基于多维特征聚类和知识蒸馏的演示样本选择方法(MCKD)。该方法构建融合语义、类型和结构特征的三维表示体系,通过 K-means 聚类生成高质量训练样本对;利用大语言模型的条件概率评估演示样本质量;采用知识蒸馏架构和对比学习将交叉编码器的精确判断能力传递给双编码器检索模型。在 CMeEE 中文医学数据集和 NCBI 英文疾病语料库上的实验结果表明,MCKD 在准确率、召回率和 F₁ 值三项指标上均显著优于现有基线方法, F₁ 值平均提升 5.5 个百分点,验证了多维特征融合和知识蒸馏策略的有效性。
算法研究探讨 | 基于大语言模型与注意力机制的多模态股票价格趋势预测

算法研究探讨 | 基于大语言模型与注意力机制的多模态股票价格趋势预测

摘要：针对金融新闻高噪声及异构数据动态相关性捕捉困难的挑战，提出一种融合大语言模型(large language model, LLM)与注意力机制的多模态股价趋势预测模型PLCAS。旨在克服非结构化文本语义理解不足及多模态融合失衡的局限。针对股票价格数据，构建包含移动平均线(MA)、平滑移动平均线(SMA)、布林带(BOLL)等指标的增强特征矩阵，并采用切片Transformer编码器强化长序列特征提取；针对股票新闻数据，利用LLM深度解析新闻语义，发挥语境理解优势进行信息降噪与归纳；通过设计多模态融合模块实现新闻语义与交易特征的充分交互。实验结果显示，在CMIN-US数据集上，准确率(ACC)和马修斯相关系数(MCC)较基准模型分别提升0.18%和0.011；在CMIN-CN数据集上，准确率(ACC)和马修斯相关系数(MCC)分别提升1.78%和0.01。研究表明，深度整合新闻语义与技术指标能有效提升趋势预测精度，为复杂市场环境下的投资决策提供科学参考。
算法研究探讨 | 伪标签优化与特征判别增强的无源域自适应故障诊断

算法研究探讨 | 伪标签优化与特征判别增强的无源域自适应故障诊断

摘要：针对轴承故障诊断中目标域标签缺失导致的域偏移问题,以及现有无源域自适应方法中伪标签噪声干扰、特征提取的类别判别性不足的缺陷,提出了一种伪标签优化与特征判别增强的新型无源域自适应方法,该方法在模型自适应阶段无须源域数据。具体而言,在模型自适应阶段,首先通过预训练的源模型和投票机制生成初始伪标签和置信度。然后,利用图传播来修正伪标签,从而获得更可靠的软标签。此外,利用信息最大化与对比学习,学习具有判别力的特征,以增强类内紧凑性和类间可分离性。最后,使用动态课程适配模块,引导模型优先从可靠样本中学习,有效抑制了噪声干扰。在JNU和PU两个公开轴承故障诊断数据集上的大量实验结果表明,该方法相较于次优方法SFAD、SF-CA,故障诊断平均准确率分别提升1.61%、5.87%,取得了更高的诊断精度和更强的跨域鲁棒性,为实际工业场景中无标签条件下的设备故障诊断提供了可行的解决方案。
算法研究探讨 | 用于动态图风险溯源的增强型时空注意力框架

算法研究探讨 | 用于动态图风险溯源的增强型时空注意力框架

摘要：针对时空图预测中时空依赖耦合、特征权重静态及过程不透明的挑战，构建了一个高性能、可解释的动态图风险溯源框架，旨在实现从“预测”到“归因”的范式转移。为此，提出一种增强型时空注意力模型（ESTAM）。该模型采用并行解耦架构：通过解耦的时空注意力模块独立捕捉异构依赖，经动态权重模块自适应融合，并由双向长短期记忆网络增强长程时序特征。为实现内生可解释性，模型引入多任务学习范式，通过集成的风险预测与原因诊断等并行任务头施加语义约束。此外，设计含边界损失的复合损失函数以提升鲁棒性。实验表明，所提模型在模拟数据集上取得了93.9%的准确率与0.933的加权 F₁ 分数，性能显著优于GCN等基线及PDFormer等SOTA模型，且参数效率更高。该框架不仅为复杂动态系统提供了高性能的预测方案，其端到端的归因能力更为构建可信赖、可诊断的人工智能应用提供了坚实基础。
算法研究探讨 | 基于时频域注意力与局部归一化损失的时间序列异常检测

算法研究探讨 | 基于时频域注意力与局部归一化损失的时间序列异常检测

摘要：针对时间序列异常检测中，现有方法难以有效处理数据非平稳性导致的尺度差异，且往往忽略对频域信息的深入挖掘问题，提出了一种基于时频域注意力机制与局部归一化损失的时间序列异常检测算法（TFDA-LNL）。该方法主要包括时频域注意力模块和局部归一化损失模块。时频域注意力模块通过时域注意力捕捉序列的趋势特征，并利用频域注意力提取季节特征，同时引入实例对比损失以促进时域与频域信息的有效融合。局部归一化损失模块则在计算重构损失前对输入及重建的时间窗口进行局部标准化处理，既能突出时间窗口中的异常，又能消除噪声干扰，缓解了数据非平稳性导致的尺度差异。最后，在五个公开数据集上的实验表明，TFDA-LNL在 F₁ 与AUC指标上均显著优于现有先进模型，平均提升分别达1.66%和4.35%。代码已开源于https://github.com/jn-liyoumeng/TFDA-LNL。
算法研究探讨 | 基于时频域重构融合的多变量时序异常检测

算法研究探讨 | 基于时频域重构融合的多变量时序异常检测

摘要：多变量时间序列异常检测对保障系统安全稳定运行至关重要。然而，现有方法大多仅在时域或频域中单独建模，难以兼顾瞬时异常与周期性模式偏差，导致检测精度受限。为此，提出一种时频域重构融合的多变量时间序列异常检测模型 DDRF。该模型采用并行的双分支架构，以协同利用时域与频域信息的互补性。在时域分支中设计了感受野呈指数级扩张的层级化膨胀因果卷积网络，构建多尺度时序特征金字塔，将微观瞬时波动自底向上整合为长期动态趋势。频域分支采用双级稀疏化框架，从变量维度和频率成分维度对频域特征两级递进筛选以聚焦关键频域特征，捕捉多变量协同异常。在此基础上，设计了一种自适应门控融合机制，实现对双域重构结果的动态加权融合，克服传统单域建模的局限，基于联合重构误差完成异常检测。在四个公开数据集上的实验表明，该模型在 Aff- F₁ 和 AUC-ROC 指标上均优于 Anomaly Transformer 等主流基线模型。
算法研究探讨 | 基于变分集体图自编码器的自适应调制多行为推荐方法

算法研究探讨 | 基于变分集体图自编码器的自适应调制多行为推荐方法

摘要：针对现有多行为推荐方法无法充分建模用户个体化偏好，且忽略不同行为间语义强度差异的问题，提出了一种基于变分集体图自编码器的自适应调制多行为推荐方法（AMVCGAE）。首先，利用残差图神经网络与行为感知注意力机制，精准捕获多行为间的复杂依赖关系；其次，设计自适应行为调制编码器，通过门控增强网络动态适配行为维度权重并放大非线性语义差异，区分行为的不同语义强度，对用户进行个性化偏好建模；进一步地，在变分推断阶段引入双路径解耦生成器，为均值与方差构建独立推断路径以避免特征纠缠；最后采用多任务联合优化。在三个公开数据集上的实验表明，该方法优于大部分基准方法，其中 HR@10 指标上平均提高了 12.28%，在 NDCG@10 指标上平均提高了 7.7%。该方法有效实现了精细化的用户个性化建模与行为语义强度区分，提升了多行为推荐系统的准确性与鲁棒性。
算法研究探讨 | IKFCL:基于意图感知与知识融合的增强对比学习推荐模型

算法研究探讨 | IKFCL:基于意图感知与知识融合的增强对比学习推荐模型

摘要：针对现有推荐方法在数据稀疏、语义鸿沟以及用户意图难以刻画等问题下性能受限的不足，提出一种基于意图感知与知识融合的增强对比学习推荐模型(IKFCL)。该模型从用户意图建模、双层噪声过滤与多源信息自适应融合三个方面对推荐过程进行优化。首先，构建意图感知模块以挖掘用户交互行为背后的潜在动机，实现对多层次用户偏好的动态建模；其次，设计意图驱动的双层噪声过滤机制，在知识图谱层与交互行为层联合过滤低置信度边，以提升语义传播的纯度与特征表征质量；最后，提出基于门控聚合的跨视图对比学习策略，自适应平衡知识视图与交互视图的贡献，增强表示空间的判别性与鲁棒性。在Last-FM、MovieLens-1M与Alibaba-iFashion三个公开数据集上的实验结果表明，所提模型在recall与NDCG等核心指标上分别较主流基线方法平均提升2.3%和2.7%，验证了该方法在意图建模、噪声过滤与知识增强推荐任务中的有效性。
算法研究探讨 | Policy-Miner: 面向公共政策非结构化文本的神经符号可微分因果归因框架

算法研究探讨 | Policy-Miner: 面向公共政策非结构化文本的神经符号可微分因果归因框架

摘要: 针对公共政策条款的复杂多维及因果效应异质性问题,提出了神经符号可微分因果归因框架 Policy-Miner,实现从非结构化政策文本到效应识别的端到端自动化分析。该框架利用可微分逻辑将政策条款编译为可量化的策略规则(differentiable policy rule, DPR),结合因果表示学习与图约束 Shapley 值分解,识别异质性干预群体并刻画条款间的交互效应。以 2017 年美国《减税与就业法案》(TCJA)为实证对象的研究表明,Policy-Miner 在因果分辨率指标上显著优于 Kennedy DR 等主流统计方法及纯表示学习基准模型。消融实验进一步验证,引入可微分逻辑后,逻辑归因稳定性从 -0.13 提升至 1.00,有效克服了传统硬逻辑判定对边界噪声的敏感性问题。研究结果显示,该框架在复杂政策归因任务中展现出较强的稳健性与精确性,为公共政策的自动化评估与效应分析提供了可扩展的计算工具。
算法研究探讨 | 基于扩展区域的模糊空间高效用并置模式挖掘方法

算法研究探讨 | 基于扩展区域的模糊空间高效用并置模式挖掘方法

摘要: 空间高效用并置模式挖掘需同时考量实例空间邻近关系与效用关联, 是空间数据挖掘领域的重要方向。传统的空间高效用并置模式挖掘方法存在两方面局限: a) 采用单一距离阈值判定邻近关系的标准易遗漏潜在的空间关联; b) 效用计算方法都忽略了实例间的效用差异性, 可能导致挖掘结果出现伪高效用并置模式。为解决上述问题, 提出了一种基于扩展区域的模糊空间高效用并置模式挖掘方法。通过定义扩展区域下的模糊邻近关系, 细化空间邻近性的判定机制; 同时, 重新度量空间特征间的关联强度, 建立特征间的价值度矩阵以实现效用评估; 最后, 设计针对性模糊 C 均值聚类算法, 完成模糊高效用并置模式的提取与挖掘。实验结果表明, 所提方法能够更深入地挖掘特征间的潜在关联关系, 可提升空间高效用并置模式挖掘的准确性与可靠性, 为相关空间决策提供更科学的支持。
算法研究探讨 | 基于 PIBT 框架的多机器人动态任务分配算法

算法研究探讨 | 基于 PIBT 框架的多机器人动态任务分配算法

摘要：在多机器人拾取与投递(MAPD)问题中,传统的PIBT框架采用了贪婪式任务抢占策略,但未考虑任务到达的动态变化和任务分配的全局优化,导致资源利用效率较低。为此,提出了一种适用于动态任务流的基于任务重分配机制的动态任务分配算法(APTR-PIBT),旨在提高动态任务执行效率和资源利用率。该算法通过动态预测机器人的预计到达时间(ETA)并结合任务完成度,选择ETA最优的机器人进行任务预分配。若未能按时完成任务,则系统将清除预留并重新分配任务。通过结合PIBT框架中的路径规划过程,该算法构建预留、清理和重分配的处理机制,有效提升了系统的实时性与动态任务分配的高效性。实验结果表明,APTR-PIBT相比于基线算法,能够在不增加服务时间的情况下,提升任务流完成效率10%以上,有效应对动态任务流的挑战,进一步提高了任务并行处理的效率。
算法研究探讨 | 混合知识迁移的多任务差分演化算法

算法研究探讨 | 混合知识迁移的多任务差分演化算法

摘要: 多任务优化是演化计算领域的一种新型范式。针对现有算法大多迁移单一形式的知识,在面对具有不同相似性和复合关联特性的任务组合时,往往难以充分利用任务间的关联,实现有效迁移的问题,提出了一种基于混合知识迁移的多任务差分演化算法(HKT-MTDE)。该算法采用了个体和变异策略两种知识载体形式。首先,设计混合知识迁移机制:个体迁移通过传递高适应度个体的编码信息实现任务间解结构的共享;变异策略迁移收集七种差分进化变异策略的性能数据,建立策略成功率统计模型,传递高效搜索策略促进任务间优化经验的协同利用。其次,采用了自适应参数调整机制控制迁移程度,基于策略成功率和种群演化进度动态调整变异因子、交叉率和迁移概率。在 CEC17-MTSO 和 WCCI20-MTSO 基准测试集上的实验结果表明,HKT-MTDE 在大多数问题上优于先进的同类算法。此外,在平面运动臂控制问题上的实验,也展现了算法在实际应用场景中的优越性能。
算法研究探讨 | 基于互邻结构的降偏对比聚类方法

算法研究探讨 | 基于互邻结构的降偏对比聚类方法

摘要: 对比聚类性能依赖于正负样本对的构建质量: 如果正样本数量不足或选择不当, 容易导致类内分散; 若负样本划分不准确, 则会削弱类间可分性。为此提出了一种基于互邻结构的降偏对比聚类方法。该方法在邻居构建阶段引入 K 近邻 (K-nearest neighbors, KNN) 机制以扩充正样本集合, 并通过互近邻 (mutual KNN) 约束保证邻居关系的双向一致性; 进一步结合 Jaccard 相似度对邻居拓扑进行一致性筛选, 剔除语义或结构不匹配的样本对。在此基础上, 该方法利用强弱联合增强提升邻居一致性, 并在对比损失中加入偏差校正机制以减轻假负样本影响。在 CIFAR-10、STL-10 和 ImageNet-10 等基准数据集上的实验结果表明, 该方法在聚类准确率等指标上相比多种代表性方法取得了显著提升, 验证了该方法的有效性和优越性。
算法研究探讨 | 面向探索-救援权衡的无人机集群自主协同搜救方法

算法研究探讨 | 面向探索-救援权衡的无人机集群自主协同搜救方法

摘要: 为提升无人机集群在未知复杂环境中执行搜救任务时的自主协同决策能力,提出一种融合双层高斯马尔可夫随机场(GMRF)与惊奇表征增强机制的多智能体协同决策方法。通过构建由环境结构层和信号分布层组成的双层GMRF模型,为无人机集群提供具有空间自相关性的环境表征。进一步地,提出基于价值函数梯度敏感性的惊奇机制,对观测特征进行自适应增强,以强化对决策关键状态的感知能力。在此基础上,结合QMIX设计了面向搜索-救援平衡需求的多智能体强化学习(MARL)决策框架Sur-QMIX,使无人机在搜索与救援之间实现自适应权衡。实验结果表明,在基于GMRF编码的环境中,所提Sur-QMIX在中高难度场景下表现出显著优势,其搜索完成步数较次优方法最高减少27.3%,协同救援时间最高降低41.2%,并在多数场景中取得最优的首次救援时间,其在可扩展性实验中也取得了良好表现。
软件技术研究 | HisFuzz:基于历史缺陷的通用模糊测试用例生成方法

软件技术研究 | HisFuzz:基于历史缺陷的通用模糊测试用例生成方法

摘要：模糊测试通过生成多样化测试用例发现语言处理器中的潜在缺陷，但现有基于大语言模型（large language model, LLM）的方法在异常程序生成能力及测试用例有效性方面仍存在不足。针对上述问题，提出一种基于历史缺陷信息的通用模糊测试用例生成方法 HisFuzz，并实现原型工具。该方法利用多语言处理器的历史缺陷数据，通过向量化检索与定向突变策略引导 LLM 生成具有异常特征的测试用例，并结合语法修复与有效性检查机制，提高测试用例的可编译性与执行成功率。在测试阶段，采用差分测试技术分析语言处理器的行为差异。实验结果表明，在 C、C++、Go 和 Python 语言处理器的评估中，HisFuzz 在测试用例有效性和代码覆盖率方面均优于现有方法，平均有效性提升 20.33%，覆盖率提升 32.56%，并成功发现 6 个设计缺陷。实验表明，HisFuzz 能够有效提升基于 LLM 的模糊测试性能。
软件技术研究 | 融合语义与层次化结构信息的代码推荐方法

软件技术研究 | 融合语义与层次化结构信息的代码推荐方法

摘要：软件技术的快速发展带来了规模庞大的开源代码资源。代码复用凭借在提高开发效率、降低成本方面的优势已成为软件工程中的普遍需求，其中代码推荐技术是实现高效复用的关键路径。然而，现有方法大多依赖词法单元的语义建模，普遍忽略跨函数上下文与抽象语法树的结构信息，导致语义理解不够充分，从而限制了检索精度的进一步提升。为此，提出一种融合语义与层次化结构信息的代码推荐方法 SSFCR（semantic-and structure-fused code recommendation）。该方法引入动态上下文选择机制，以自适应地筛选跨文件与跨函数的上下文信息；并设计一种层次化抽象语法树编码器，结合语法标签门控与分层消息聚合策略，有效捕获代码中的长距离语法依赖。在多个公开数据集上的实验结果表明，与 CodeBERT、GraphCodeBERT 等主流基线方法相比，该方法在召回率与平均倒数排名等关键指标上均取得显著提升，同时展现出良好的跨语言与跨任务泛化能力。
软件技术研究 | 基于 LLM 增强的前后向推荐 PageRank 算法识别软件系统关键类

软件技术研究 | 基于 LLM 增强的前后向推荐 PageRank 算法识别软件系统关键类

摘要：准确识别关键类是提升复杂软件理解效率的有效途径。然而，基于 PageRank 算法识别关键类目前还存在两大局限：a) 依赖模型忽略了潜在的语义依赖关系，影响模型构建的准确性；b) 投票机制缺乏后向推荐，难以识别具有控制管理功能的关键类。为此，提出了一种 LLM 增强的融合前后向推荐机制的 PageRankFBR 算法。该算法首先利用 LLM 与 SNCM(software network construction and measurement) 工具提取类间语义和结构依赖关系，以构建更全面的软件依赖网络；然后通过 PageRankFBR 算法计算节点重要性以筛选关键类。在 11 个开源项目上的实验结果表明：a) PageRankFBR 在整体数据集上的性能指标 precision、recall、accuracy 以及 F₁-score 在绝大多数情况下均显著优于基准度量，提升幅度分别为 34%～87%、 7%～19%、 2%～22% 和 7%～43%；b) PageRankFBR 在整体数据集上识别正确关键类的平均排名优于基准度量，提升幅度为 50%～71%。实验结果证实了融合语义信息与前后向推荐机制能够更准确地识别系统关键类，为软件理解提供更可靠的切入点。
网络与通信技术 | 基于非线性声速模型的 ST-TDOA 定位算法

网络与通信技术 | 基于非线性声速模型的 ST-TDOA 定位算法

摘要: 针对传统水下定位方法中因声速变化、多径效应和接收节点时钟不同步导致的定位误差问题, 提出一种面向水下物联网 (IoUT) 环境的新型同步传输到达时间差 (ST-TDOA) 定位方法。为解决传统到达时间差 (TDOA) 方法假设声速恒定, 忽略了因盐度、温度和压力变化引起的深度相关声速差异, 以及多径效应使得接收到的首个信号可能包含反射路径而非直达路径带来的定位复杂性问题, 构建非线性声速模型自适应调整声速变化, 有效减轻多径效应对水下定位精度的影响。同时提出同步传输算法, 消除接收节点间的时钟差异。与现有的 SFDM、JTSL 和 STFDs 方法进行仿真对比, 在深度 250 m 的水下环境中, 提出的方法定位精度达到 0.41 m, 分别优于上述三种方法 2.11 m、1.52 m 和 0.62 m。实验结果表明, 提出的方法显著提升了水下定位精度和鲁棒性, 证明其在 IoUT 系统中解决精确定位的有效性和实用性。
网络与通信技术 | 基于深度学习的城市环境 UAV 动态覆盖预测

网络与通信技术 | 基于深度学习的城市环境 UAV 动态覆盖预测

摘要：无人机(UAV)在应急通信、灾害救援和热点补盲中具有重要应用价值,其覆盖预测的关键在于准确评估不同部署位置对固定地面接收点的通信效果。针对这个新场景,提出了一种基于深度学习的 UAV 覆盖快速预测方法。为了解决射线追踪计算复杂、经验模型精度有限的问题,结合真实城市建筑数据与射线追踪仿真构建了高精度覆盖数据库,设计了深度卷积网络 BUD-U-Net。该网络以建筑物轮廓与地面接收点高斯编码的双通道输入,端到端输出以 UAV 空域为变量的接收信号强度分布。实验结果表明,该覆盖预测方法在覆盖率指标上表现良好,相较切片式方法与标量回归方法提升 4~11 个百分点,像素级绝对误差最低且其跨场景 MSE 约为 0.014,明显优于其他方法,同时在准确性、实时性、部署成本之间取得了更均衡的工程收益,为 UAV 动态部署与智能网络规划提供了可行的新型建模范式。
信息安全技术 | 基于 SWAP 测试的三方可认证量子密钥协商协议

信息安全技术 | 基于 SWAP 测试的三方可认证量子密钥协商协议

摘要：随着智慧医疗的快速发展，医疗数据在线上跨机构共享和远程会诊中频繁传输，但数据的隐私保护在传输过程中面临着许多安全威胁。为此，提出了一种基于量子指纹与SWAP测试的新型三方可认证量子密钥协商协议。在协议中，参与者可根据自身身份序列制备量子指纹态并通过引入诱骗态粒子进行窃听检测，保障量子态传输过程的安全性；借助SWAP测试，以低量子资源开销高效验证接收指纹与本地预存指纹的一致性，从而完成身份认证。此外，协议利用Bell态相关特性及其非最大纠缠态的特性，实现通信密钥的公平协商。安全性分析表明，该方案能够抵御特洛伊木马、测量-重发等外部攻击及内部合谋攻击，同时具备可行的效率，兼具较高的安全性与实用性。
信息安全技术 | 一种基于格的轻量级多因素认证密钥交换协议

信息安全技术 | 一种基于格的轻量级多因素认证密钥交换协议

摘要: 随着量子计算的快速发展,物联网(Internet of Things, IoT)场景中面临严峻的认证安全挑战。现有认证密钥交换(authentication key exchange, AKE)协议大多基于离散对数或大整数分解等数学难题构建,不仅易受到量子攻击,还存在较高的计算与通信开销,难以满足资源受限的物联网设备的安全需求。为此提出了一种基于格的轻量级多因素认证密钥交换协议,该协议利用环上带误差学习(ring learning with errors, RLWE)问题构建,具备抗量子攻击能力。同时,在格密码体制基础上融合口令、生物特征与智能卡三种认证因素,实现了多因素认证机制,以适应物联网高安全场景的需求。方案通过在随机响应(real-or-random, ROR)模型下的形式化安全分析及非形式化安全分析证明了其安全性,表明能够抵抗包括信号泄露攻击在内的多种已知攻击。实验结果表明,相较于其他同类方案,该方案具备更低的计算开销及一定的通信开销优势,适用于资源受限物联网设备。
信息安全技术 | 一种双模协同 SDN 的 DDoS 攻击检测与防御方案

信息安全技术 | 一种双模协同 SDN 的 DDoS 攻击检测与防御方案

摘要：针对软件定义网络(software defined network, SDN)控制平面易遭分布式拒绝服务(distributed denial-of-service, DDoS)攻击,并存在复杂时变流量下检测泛化不足、检测与防御衔接不紧等问题,开展了双模协同检测与防御研究。构建并行Transformer与长短期记忆网络(long short-term memory, LSTM)的检测模型,联合不确定性门控对低置信样本触发协同一致性学习。设计解释到策略(explanation-to-policy, E2P)机制,将检测输出映射为满足SDN不变量约束的结构化策略,并结合原子批次下发与链路反馈形成闭环。基于InSDN与CIC-DDoS2019的实验与仿真结果显示,该方法实现了高精度检测与有效缓解,并保持较低误伤率。
信息安全技术 | 基于 LoongArch 架构的 CRYSTALS-Kyber 算法向量优化实现

信息安全技术 | 基于 LoongArch 架构的 CRYSTALS-Kyber 算法向量优化实现

摘要：针对新一代国产 LoongArch 架构缺乏高效后量子密码实现的问题，对 NIST 标准化的 CRYSTALS-Kyber 算法进行了系统性向量优化研究。充分利用 LoongArch 架构的 LSX/LASX 向量扩展指令集，设计并实现了多项关键技术：通过四路并行策略优化 SHA-3 哈希函数（SHAKE），加速伪随机数据生成；提出基于向量掩码的并行化拒绝抽样与中心二项分布（CBD）抽样算法，提升采样效率；在核心的数论变换（FNTT/IFNTT）中，利用向量寄存器进行就地计算，消除了冗余内存访问；并结合预乘旋转因子技术优化多项式乘法。实验结果表明，在龙芯 3A5000 处理器上，优化后的 Kyber-512、Kyber-768 和 Kyber-1024 方案，其密钥生成、加密和解密的整体性能相比标准 C 语言实现均提升 70% 以上，相比经转译运行的 AVX2 实现也提升了约 40%，为 LoongArch 生态的后量子密码应用奠定了高效且安全的基础。
信息安全技术 | MAGAT-IDS:一种少数类感知的图注意力入侵检测模型

信息安全技术 | MAGAT-IDS:一种少数类感知的图注意力入侵检测模型

摘要：入侵检测系统是网络安全防护中的重要技术手段。针对现有方法在数据不平衡场景下对少数类样本特征表征能力不足的问题，提出了一种少数类感知的图注意力入侵检测模型。该模型在 GATv2 结构基础上进行了优化，引入少数类敏感节点编码模块，通过基于类别频率的自适应注意力放大机制增强少数类节点在特征传播过程中的影响；同时构建少数类边特征增强模块，利用非线性残差映射强化边特征的语义表达能力，并融合节点嵌入与边特征实现联合分类。该模型在 NF-BoT-IoT、NF-ToN-IoT 和 NF-UNSW-NB15-v2 三个数据集上分别达到了 99.98%、99.88% 和 99.99% 的 F₁ 分数，优于其他主流模型。实验结果表明，该模型能够在数据不平衡场景下保持优异的检测性能与鲁棒性，是一种切实有效的入侵检测方法。
图形图像技术 | 基于双重洗牌与频域增强的三维人体姿态估计方法

图形图像技术 | 基于双重洗牌与频域增强的三维人体姿态估计方法

摘要：三维人体姿态估计因其在人机交互、虚拟现实及运动科学分析等领域的广泛应用前景,已成为计算机视觉的当前研究热点之一。然而,从单目二维信息中恢复三维姿态时,现有方法在有效利用人体结构先验以精确建模关节间长程依赖方面仍存在局限,导致预测精度不足。为解决此问题,提出一种双重洗牌协同注意力与频率增强方法。首先提出了前端双重洗牌协同注意力模块(DSSA-Net),通过通道-空间联合校准与跨组信息混合,对初始空间特征进行去噪。其次,为缓解增强空间特征而导致频域信息被淹没,引入动态频率门控机制(DFG)以实现对频率信息的自适应选择与增强;并结合多阶段频率特征融合策略(MFF),来最大化利用频率信息。实验结果表明,在Human3.6M与MPI-INF-3DHP数据集上,该方法的MPJPE指标分别为43.7mm和26.9mm,优于多数当前主流方法,验证了该方法的有效性。实验代码公开在:https://github.com/HL-KL/DSSA-En_Frequency。
图形图像技术 | GSDI-VMunet:基于 Mamba 结构的混凝土裂缝分割网络

图形图像技术 | GSDI-VMunet:基于 Mamba 结构的混凝土裂缝分割网络

摘要：基于深度学习的混凝土裂缝分割技术已成为结构健康监测领域的关键手段，但现有方法在复杂背景干扰下的鲁棒性及细小裂纹分割精度等方面仍面临挑战。为此，提出一种 GSDI-VMunet 混凝土裂缝分割网络。首先，构建门控语义与细节融合模块（GSDI），缓解特征融合过程中深浅层特征信息的不匹配问题；其次，设计重塑-卷积-门控（RCG）机制，用于解决特征融合过程中的信息冗余与特征表达不足的问题，有效提升特征的表达能力和选择性；最后，采用四级级联构建隐式多粒度特征金字塔建立轻量级编解码结构，结合 PatchExpanding 上采样实现像素级裂缝拓扑重建。在 CRACK500 和 CFD 两个标准数据集上的实验结果表明，GSDI-VMunet 的 mIoU 和 F₁ -score 指标分别达到了 82.22%、83.14% 和 80.81%、80.25%，验证了该网络的有效性和鲁棒性。
图形图像技术 | 基于 StyleGAN2 和自注意力机制融合的道路驾驶场景生成方法

图形图像技术 | 基于 StyleGAN2 和自注意力机制融合的道路驾驶场景生成方法

摘要：针对复杂道路场景要素多样性与结构复杂性导致的生成图像质量受限问题，提出了一种基于 StyleGAN2 和自注意力机制融合的道路驾驶场景生成方法。首先，基于道路线型与拓扑结构特征，将驾驶场景划分为单向车道、双向车道、交叉口及普通弯道四类典型场景，以降低场景生成复杂度；其次，通过在 StyleGAN2 框架的生成器和判别器中分别嵌入多头自注意力模块，构建了一种风格模块与自注意力模块级联的生成器模块架构，利用自注意力机制对特征图进行全局上下文建模，以增强模型对道路走向连续性和交通要素间复杂空间关系的长距离依赖建模能力。实验采用 CIAC 2022 道路数据集验证，结果表明：该方法在未分类数据集上 FID (Fréchet inception distance) 值显著优于原始 StyleGAN2 (降低 13.5%)，在分类数据集上的效果进一步提升，单向车道场景 FID 最优 (FID = 25.035)，同时在训练效率与生成质量间实现较优平衡。该方法有效提升了生成场景的结构合理性与视觉真实感，为自动驾驶仿真测试提供可扩展的数据生成方案。
图形图像技术 | 基于频域动态增强与掩码感知门控融合的图像修复网络

图形图像技术 | 基于频域动态增强与掩码感知门控融合的图像修复网络

摘要: 针对图像修复任务中传统方法存在固定频率划分难以适应不同数据、局部与全局特征融合失衡及下采样信息丢失等问题,提出了一种基于频域动态增强与掩码感知门控融合的端到端网络。首先,设计动态高低频率注意力模块,动态调整频率划分边界及各频带对特征的贡献度,解决传统固定频率分离无法适配不同数据的问题;其次,构建动态门控融合模块,平衡高频细节与低频结构的重建精度,缓解复杂掩膜导致的局部特征退化与全局上下文割裂,减少伪影生成;最后,提出几何感知掩码引导下采样,借助双注意力机制增强特征表达,融合下采样特征与原始特征,利用门控机制平衡特征贡献度,避免信息丢失。在 CelebA-HQ 数据集上,相比当前最优方法 HINT,所提方法在低掩码比例(0.01%~20%)下 PSNR 提升 0.32%,SSIM 提升 0.75%,L1 降低 11.7%;在 Places2 数据集上,相比当前最优方法 MxT,在中高掩码比例(20%~60%)下 PSNR 提升 1.85%~1.89%,SSIM 提升 1.76%~2.6%,LPIPS 降低 9%~36.7%。实验表明,该方法在保持视觉质量的同时有效提升了图像修复的定量指标。
图形图像技术 | 基于 HDC-Grasp 模型的机器人抓取检测方法

图形图像技术 | 基于 HDC-Grasp 模型的机器人抓取检测方法

摘要: 针对当前抓取检测模型检测效果差的问题,提出一种基于 HDC-Grasp(HDC-Grasp, hierarchical dilate former-CNN Grasp) 模型的机器人抓取检测网络。该模型首先提出了一个层级融合模块,在多尺度上有效地融合输入的 RGB 图像与深度图;其次,以 U-Net 为基础,引入基于多尺度空洞注意力的分层 Transformer 编码器,用于提取模型的多尺度特征;最后,构建了残差通道注意力模块以关注模型在各通道上的权重。所搭建的模型在 Cornell 数据集上的图像检测精度和对象检测精度分别达到 98.4% 和 97.3%,在 Jacquard 数据集上达到了 96.8% 的准确率;在 UR3e 机器人平台的真实抓取实验中,抓取成功率达到 93.2%,验证了该方法的有效性与实用性。
图形图像技术 | 基于学习提示和双模态适配器的小样本图像分类算法

图形图像技术 | 基于学习提示和双模态适配器的小样本图像分类算法

摘要: 图像分类作为计算机视觉领域的核心任务之一, 是实现图像检索、目标检测、场景理解等复杂视觉任务的基础, 已成为人工智能技术落地与产业升级的重要支撑。针对小样本图像分类中依赖人工设计文本提示、模型泛化能力不足及易过拟合等问题, 开展了融合可学习提示与双模态适配器的 COCLIP-Adapter 算法研究。该算法以 CLIP 为基础, 设计可学习文本提示向量模块生成动态文本提示, 结合双模态适配器模块优化视觉与文本特征, 并采用多任务损失函数增强跨模态对齐。实验显示, 在 ImageNet 上, COCLIP-Adapter 相较 CLIP, 1-shot 分类准确率提升 39.65%、16-shot 提升 10.09%; 较 Tip-Adapter-F, 2-16-shot 各提升 1.05%~0.26%、0.45%。在 Caltech101 上, 相较于 CLIP, 1-shot 提升 19.14%、16-shot 提升 2.61%; 相较 Tip-Adapter-F, 1-16-shot 各提升 0.38%~0.48%。这表明其低样本特征学习能力更强, 能有效提升小样本图像分类性能, 可在标注样本稀缺的实际场景中提供更可靠的技术支撑。
信息集萃 | 2026中国工业计算机大会 CCF ICCC 2026 数智工控·合创未来

信息集萃 | 2026中国工业计算机大会 CCF ICCC 2026 数智工控·合创未来

2026 中国工业计算机大会暨第二十三届学术年会（CCF ICCC 2026）由中国计算机学会主办、中国计算机学会工业控制计算机专委会和合肥工业大学等单位联合承办，将于 2026 年 9 月 11 日～13 日在安徽合肥安徽世纪金源大饭店召开。本次大会主题是“数智工控·合创未来”，将邀请多位中国科学院 / 工程院院士等工业计算机应用及相关领域的国家级人才、顶级专家学者、企业家，围绕新一代

过往期刊

更多

猜你喜欢

安徽机电职业技术学院电子阅览室