计算机应用研究杂志

计算机应用研究杂志2023年第6期

• 图表示学习方法研究综述

  李青,王一晨,杜承烈,

  针对图表示方法的相关解析任务进行了研究，从形式化定义出发，首先以不同核心技术作为分类标准将图表示学习方法划分为五大类，其包括基于降维解析、矩阵分解、随机游走、深度学习和其他表示学习方法。其次通过归纳与对比分析梳理各类技术发展脉络，进而深层次展现各类图表示方法的优劣。随后结合图表示学习的常用数据集、评估方法和应用领域的归纳分析，展开动态性、可扩展性、可解释性和可解析性的四维剖析。最后总结并展望了图表示学习的未来研究趋势与发展方向。

• 协同入侵检测研究现状与展望

  汪永好,李志成,田雨禾,董子超,

  协同入侵检测技术（collaborative intrusion detection system，CIDS）能够检测分布式协同攻击，应对大规模网络入侵，拥有传统入侵检测系统所不具备的优势，而如何在提高检测性能的同时实现去中心化是一个重要的研究课题。通过对近年来CIDS研究成果的梳理，阐述了在检测方法、数据聚合、隐私保护和信任管理方面的研究进展和问题，分析了在去中心化方面面临的挑战，探讨了基于区块链技术的CIDS未来发展方向，最后展望了CIDS在云计算、物联网等新兴领域的应用前景。

• 深度图超分辨率重建研究综述

  赵利军,王可,张晋京,张加龙,王安红,

  虽然高质量高分辨率的深度图能够显著地提高各种自然场景计算机视觉任务的性能，但是深度相机硬件的限制使得消费级深度相机拍摄到的深度图存在分辨率低、质量差和无效空洞等问题。深度图超分辨率重建（depth super-resolution reconstruction，DSR）是一种能有效提高深度图分辨率和质量的技术，并且DSR已经成为计算机视觉领域的研究热点。首先将介绍DSR的定义和近几年国内外DSR算法的研究进展，然后对深度学习DSR重建算法进行重点阐述与分析。接下来，将介绍深度图像质量评估准则。最后，对DSR的应用领域和未来所面对的挑战和机遇进行展望。

• 弱监督与少样本学习场景下视频行为识别综述

  包震伟,刘丹,米金鹏,

  近年来各类人体行为识别算法利用大量标记数据进行训练，取得了良好的识别精度。但在实际应用中，数据的获取以及标注过程都是非常耗时耗力的，这限制了算法的实际落地。针对弱监督及少样本场景下的视频行为识别深度学习方法进行综述。首先，在弱监督情况下，分类总结了半监督行为识别方法和无监督领域自适应下的视频行为识别方法；然后，对少样本场景下的视频行为识别算法进行详细综述；接着，总结了当前相关的人体行为识别数据集，并在该数据集上对各相关视频行为识别算法性能进行分析比较；最后，进行概括总结，并展望人体行为识别的未来发展方向。

• 基于区块链的边缘移动群智感知声誉更新方案

  万涛,李婉琦,葛晶晶,

  移动群智感知利用移动用户的智能终端设备以低成本获取大量感知数据，而恶意用户可能上传虚假数据以获取奖励。声誉管理是一种有效的解决办法，但是基于云服务器的移动群智感知系统存在高延迟、单点故障和隐私泄露问题。针对这些问题，结合区块链和边缘计算构建基于区块链的边缘移动群智感知系统，提出一种感知数据隐私保护的声誉更新方案，采用轻量级的隐私保护方法聚合感知数据，根据数据质量和历史任务表现更新声誉。该方案可有效抵抗恶意用户、降低时延，避免单点故障和保护数据隐私。仿真实验证明了所提方案的可行性和高效性，理论分析证明了系统的安全性。

• BPVis:面向DPoS区块链网络安全态势感知的可视化系统

  杨攀,苏波,刘敏贤,张伟,胡谊玲,

  基于委托权益证明（delegated proof of stake，DPoS）的区块链网络因其出色的性能表现而备受开发人员关注，进而对其区块链网络的安全与稳定性提出了更高的要求。为满足对于区块链网络监控与分析的的需求，根据DPoS共识机制实际应用过程中的分析，提出了面向DPoS区块链网络安全态势的可视分析方法。建立了节点稳定性与网络稳定性量化方法、网络价值预测模型，针对节点地理位置分布、网络价值走势、节点与网络整体稳定性演化以及细节查看等方面设计了多个可视化视图，面向区块链网络安全态势分析实现了交互式可视化系统，支持从多个角度对区块链网络进行探索。最后通过案列分析与用户评估验证所提方法与系统的有效性与实用性，结果表明所提方法能更好地协助使用者分析区块链网络安全态势。

• 硬约束限制的情感文本生成方法研究

  龚振凯,李弼程,

  预训练语言模型在情感文本的生成任务中取得了良好效果，但现有情感文本生成方法多使用软约束的方式控制文本整体的情感属性，缺乏单词和短语级别的硬性控制。为解决以上问题，提出硬约束限制下的情感文本生成方法。首先使用方面情感分析技术提取句子的方面词、情感词并判断情感极性；之后，选择目标情感的方面词和情感词作为预训练语言模型的硬约束输入来重建完整句子，其中，设计了一种新的单词权重计算方法，旨在使模型优先生成重要单词。实验结果表明，该方法生成的句子不仅具有方面级情感，在文本质量和多样性的评价指标上也有显著提高。

• 关键语义信息补足的深度文本聚类算法

  郑璐依,黄瑞章,任丽娜,白瑞娜,林川,

  针对大多数现有的深度文本聚类方法在特征映射过程中过于依赖原始数据质量以及关键语义信息丢失的问题，提出了一种基于关键语义信息补足的深度文本聚类算法（DCKSC）。该算法首先通过提取关键词数据对原始文本数据进行数据增强；其次，设计了一个关键语义信息补足模块对传统的自动编码器进行改进，补足映射过程中丢失的关键语义信息；最后，通过综合聚类损失与关键词语义自动编码器的重构损失学习适合于聚类的表示特征。实验证明，提出算法在五个现实数据集上的聚类效果均优于当前先进的聚类方法。聚类结果证明了关键语义信息补足方法和文本数据增强方法对深度文本聚类的重要性。

• 融合全局和近邻协同信息的会话推荐算法

  王伦康,高茂庭,

  现有基于会话的推荐算法主要通过挖掘单个目标会话的项目转换关系进行推荐，对来自其他不同会话中项目之间的复杂转换信息考虑较少。为此，提出一种融合全局和近邻协同信息的会话推荐算法SFGN-GNN，同时考虑来自全局与近邻会话的协同信息，以充分挖掘用户偏好。通过学习会话表示来表达用户偏好，先按目标会话与近邻会话的成对项目转移关系构建近邻图，依据所有会话中的成对项目转移关系构建全局图，再利用图神经网络获取目标会话节点近邻级和全局级的项目表示，采用融合门融合得到会话级项目表示，并在其中嵌入项目在目标会话中的位置信息和时间信息，然后通过软注意力机制得到最终的会话表示，最后经过softmax函数预测下一个可能交互的项目。在两个数据集上的实验验证了SFGN-GNN算法有效性。

• 融合动态层次聚类和邻域区间重组的蚁群算法

  张佩,游晓明,刘升,

  针对蚁群算法搜索速度过慢以及解质量不足等问题，提出一种融合动态层次聚类和邻域区间重组的蚁群算法。在初始阶段，调整层次聚类阈值并按照类间距离最小合并的原则迭代至目标簇集，根据预合并系数进行簇间合并，通过蚁群系统得到小类路径并断开重组以加快算法整体收敛速度；接着使用蚁群系统对解空间进行优化，同时并行处理簇集与簇集邻域区间扩散重组，增加解的多样性，进一步固定迭代次数进行比较，若邻域区间重组解质量优于当前优化解则进行推荐处理，提高解的精度；当算法停滞时，引入调整因子降低各路径信息素之间差异以增强蚂蚁搜索能力，有助于算法跳出局部最优。实验结果表明，在面对大规模问题时，算法的精度在3%左右，该方法相比传统方法可以有效提高解的精度和收敛速度。

• 基于课程学习的无监督常识问答模型

  李伟,黄贤英,冯雅茹,

  无监督常识问答是利用机器自动生成问答数据来对模型进行训练的问答模型，目前方法生成的问答数据中存在噪声数据和问题的难度随机的问题。提出一种基于课程学习的无监督常识问答模型，首先根据知识生成问答数据集，再对问答数据集进行多样化评估和流畅性评估，结合两个评估结果进行数据过滤，去除噪声数据；最后根据课程学习策略，使用干扰项与正确答案的相似度作为问题难度评估标准，使得模型根据难度等级来进行训练。在测试任务上具有1.5%~3.5%的准确率提升，证明了该模型在无监督常识问答任务上的有效性。

• 融合多模态自监督图学习的视频推荐模型

  余文婷,吴云,林建,

  现有视频推荐方法在算法框架中引入图神经网络来建模用户—视频协同关系，学习用户和视频的表示向量，但是节点中包含的冗余噪声会限制模型的建模能力。针对以上问题，提出了一种融合多模态自监督图学习的视频推荐模型（IMSGL-VRM）。首先，在图数据增强模式下构建自监督的图神经网络模型学习多模态视图下的节点特征表示，以提升节点表示的泛化能力；其次，为了得到推荐结果的多样性，设计了多兴趣提取模块从用户历史的交互视频序列中建模用户的多兴趣；最后，融合多模态的用户多兴趣表示和视频的特征表示，使用多样性可控的方式输出推荐结果，以满足视频推荐的多样性需求。在MovieLens-1M和TikTok数据集上实验，采用准确性、召回率、NDCG和多样性等指标评估模型。实验结果表明，该模型相比经典基准模型均有显著的性能提升。

• 知识状态神经推理的知识追踪模型

  张凯,秦心怡,况莹,覃正楚,

  针对知识追踪研究忽略知识点之间的拓扑关系，从而限制了知识点状态的表示并最终影响预测效果的问题，提出一种知识状态神经推理知识追踪模型。首先建立知识点关系图和知识点状态图；其次利用扩散模型得到关系图和状态图的投影并完成融合；然后利用逆扩散过程得到融合了知识点关系的整体知识状态表示；最后预测学习者的表现。在模型有效性方面，在若干数据集上对比四个相关模型，所提模型均取得了一定的优势。在可解释性方面，展示了知识状态进化过程与真实答题结果之间的对应关系。在实际应用方面，以该模型为基础的智慧学习环境已分别应用于一门人工智能课程和英语语法课程，并取得了优于对比模型的结果。

• 安全约束下合作型多智能体TD3算法

  郝禹哲,王振雷,

  合作马尔可夫博弈中，每个智能体不仅要实现共同的目标，还需要保证联合动作能够满足设定的约束条件。为此提出了安全约束下的合作型多智能体TD3算法MACTD3 （multi-agent constrainted twin delayed deep deterministic policy gradient）。首先，结合注意力机制对各个智能体采取的动作与决策过程约束条件进行了协调。然后利用拉格朗日乘子构造了修正的代价函数。进而为保证算法的收敛性，保证每一个智能体能够满足预先设定的约束条件，设计了不同时间尺度分学习策略：在短时间尺度上执行Actor-Critic网络的梯度下降，在长时间尺度上对拉格朗日参数进行迭代。最后在异质和同质的合作型多智能体环境下进行实验。实验结果表明，与其他算法相比，提出的MACTD3算法始终能够获得最小的惩罚成本；通过数量的扩展性实验表明了MACTD3在不同数量智能体的情况下仍然能够满足约束条件，证明了算法的有效性与扩展性。

• 基于数据分布的聚类联邦学习

  常黎明,刘颜红,徐恕贞,

  联邦学习（federated learning）可以解决分布式机器学习中基于隐私保护的数据碎片化和数据隔离问题。在联邦学习系统中，各参与者节点合作训练模型，利用本地数据训练局部模型，并将训练好的局部模型上传到服务器节点进行聚合。在真实的应用环境中，各节点之间的数据分布往往具有很大差异，导致联邦学习模型精确度较低。为了解决非独立同分布数据对模型精确度的影响，利用不同节点之间数据分布的相似性，提出了一个聚类联邦学习框架。在Synthetic、CIFAR-10和FEMNIST标准数据集上进行了广泛实验。与其他联邦学习方法相比，基于数据分布的聚类联邦学习对模型的准确率有较大提升，且所需的计算量也更少。

• 一种基于高阶累积量的因果结构学习算法

  廖伟国,

  从观测数据中学习因果结构具有重要的应用价值。目前，一类学习因果结构的方法是基于函数因果模型假设，通过检验噪声与原因变量的独立性来学习因果结构。然而，该类方法涉及高计算复杂度的独立性检验过程，影响结构学习算法的实用性和鲁棒性。为此，提出了一种在线性非高斯模型下，利用高阶累积量作为独立性评估的因果结构学习算法。该算法主要分为两个步骤，第一个步骤是利用基于条件独立性约束的方法学习到因果结构的马尔可夫等价类，第二个步骤是定义了一种基于高阶累积量的得分，该得分可以判别两个随机变量的独立性，从而可以从马尔可夫等价类中搜索到最佳独立性得分的因果结构作为算法的输出。该算法的优势在于：a）相比基于核方法的独立性检验，该方法有较低的计算复杂度；b）基于得分搜索的方法，可以得到一个最匹配数据生成过程的模型，提高学习方法的鲁棒性。实验结果表明，基于高阶累积量的因果结构学习方法在合成数据中F1得分提高了5%，并在真实数据中学习到更多的因果方向。

• 异质网络中基于关键词属性的Truss社区搜索

  杨成波,周丽华,黄亚群,杨宇迪,

  社区搜索旨在信息网络中寻找与用户指定的查询节点高度相关的稠密连通子图，是社会网络分析的重要研究内容。现有的社区搜索方法大多是针对同质网络，但现实中的信息网络通常是包含多种节点类型和多种关系类型的属性异质网络。提出了异质网络中基于元路径P和元结构S的P-距离和S-距离及（k, d, P）-truss和（k, d, S）-truss社区模型以度量子图的结构内聚性，同时提出了关键词属性得分函数用于度量不同子图的关键词属性相关性，最后提出了搜索具有最高关键词属性得分的（k, d, P）-truss和（k, d, S）-truss的社区搜索算法。搜索算法能够找到同时具有结构内聚性和关键词属性相关性的个性化社区，并且支持限制查询节点与社区内任意节点的最大距离d来控制社区搜索的范围。在真实数据集上与相关的社区搜索算法进行了实验对比，结果证明了所提算法的有效性和可行性。

• 融合超图注意力机制与图卷积网络的信息扩散预测

  苗琛香,刘小洋,

  针对传统的信息预测缺乏对用户全局性依赖挖掘进行研究，提出了一种融合超图注意力机制与图卷积网络的信息扩散预测模型（HGACN）。首先构建用户社交关系子图，采样获得子级联序列，输入图卷积神经网络学习用户社交关系结构特征；其次，综合考虑用户间和级联间的全局依赖，采用超图注意机制（HGAT）学习用户不同时间间隔的交互特征；最后，将学习到的用户表示捕获到嵌入模块，利用门控机制将其融合获得更具表现力的用户表示，利用带掩码的多头注意力机制进行信息预测。在Twitter等五个数据集上的实验结果表明，提出的HGACN模型在hits@N提高了4.4%，map@N提高了2.2%，都显著优于已有的MS-HGAT等扩散预测模型，证明HGACN模型是合理、有效的。这对谣言监测以及恶意账户的检测有非常重大的意义。

• 基于图模块度聚类的异常检测算法

  富坤,刘赢华,郝玉涵,孙明磊,

  社会网络的数据规模在不断扩大，现存的异常检测算法对复杂社会网络进行检测的效果不理想，提出了一种基于图模块度聚类的异常检测算法（anomaly detection algorithm based on graph modularity clustering，GMC_AD），该算法适用于解决受网络规模以及复杂度的限制导致检测效率不高的问题。GMC_AD算法在分析网络拓扑结构的基础上，通过引入异常节点加权机制和模块度聚类算法进行异常检测。GMC_AD算法主要在三个方面进行改进：a）设计网络中节点演化的量化策略，以此识别具有异常演化行为的节点来得到异常节点集合；b）通过模块度聚类的方法降低网络规模；c）在计算网络波动值的过程中使用加权机制合理考虑异常节点的影响，再通过网络波动值变化来检测异常。基于真实社会网络VAST、EU_E-mail和ENRON进行对比实验，GMC_AD算法准确地检测出异常发生的时段，实验结果显示在事件检测敏感性上提高了50%~82%，在异常检测运行效率上提高了30%~70%。实验结果表明，GMC_AD算法不仅提高了异常检测算法的准确率和敏感性，还提高了异常检测算法的效率。

• 基于最优子段深度学习的手指运动想象脑电信号分类研究

  周鹏,叶庆卫,罗慧艳,陆志华,

  目前已有的手指运动想象脑电信号多分类任务的分类性能均难以达到可用性能。在详细分析脑电信号时间尺度上的多种成分的基础上，设计一种信号子段提取的自监督子网络，然后把子段输入下一个子网络用于信号分类，两个子网综合成一个自监督混合的多任务深度网络。在训练阶段，子段提取子网络针对每条脑电信号提取不同的子段，由后面的分类子网络来判断该子段是否最佳而自动调整子段位置，总体损失函数由两个子网络的两个损失函数加权而成，通过整体网络学习算法实现最佳子段信号的提取并获得最佳分类效果。验证和测试阶段，子段提取子网络按照训练完成的参数自动提取相应的子段输入分类子网络进行分类。在the largest SCP data of Motor-Imagery和BCI Competition IV中Data sets 4数据集上进行网络性能验证，SCP数据集上全部受试者3指分类任务的平均测试分类准确率达70%以上，4指平均测试分类准确率达60%左右，5指平均测试分类准确率达50%左右，比现有的报道有明显的提升。证实该网络能够有效地提取出运动想象脑电信号子段，具有良好的分类效果和泛化性能。

• 基于加权分类损失和核范数的领域自适应模型

  杜社林,黄炳赫,李荣鹏,宋学力,肖玉柱,

  领域自适应将源域上学习到的知识迁移到目标域上，使得在带标签数据少的情况下也可以有效地训练模型。采用伪标签的领域自适应模型未考虑错误伪标签的影响，并且在决策边界处样本的分类准确率较低，针对上述问题提出了基于加权分类损失和核范数的领域自适应模型。该模型使用带有伪标签的可信样本特征与带有真实标签的源域样本特征构建辅助域，在辅助域上设计加权分类损失函数，降低错误伪标签在训练过程中产生的影响；加入批量核范数最大化损失，提高决策边界处样本的分类准确率。在Office31、Office-Home、Image-CLEFDA基准数据集上与之前模型的对比实验表明，该模型有更高的精确度。

• 具有非马尔可夫旅途感染的流行病传播模型研究

  陈钰书,刘影,唐明,

  针对旅途中的接触可以扩大流行病传播规模的问题，在集合种群网络中考虑一种时滞旅行行为和旅途中的疾病传播和恢复过程，构建具有非马尔可夫旅途感染的传播模型并利用计算机仿真模拟系统中的传播过程。基于微观马尔可夫链方法，构建预测疾病流行阈值的理论框架。仿真结果表明，旅途感染可以促进流行病在旅途中的传播，抑制其在种群内的传播；旅途时长和旅途接触概率能够改变流行病的演化趋势。这些结果有助于理解旅途感染如何影响流行病的传播。

• 基于申威众核架构的分组卷积计算加速与优化

  王鑫,张铭,

  针对应用普通卷积结构的卷积计算复杂度较高、计算量与参数量较大的问题，提出以国产SW26010P众核处理器为平台的并行分组卷积算法。核心思想是利用独特的数据布局，通过多核映射处理进行并行计算。实验测试结果表明，与单核串行算法相比，使用该并行分组卷积算法可以获得79.5的最高加速比及186.7MFLOPS的最大有效算力。通过SIMD指令对并行分组卷积算法进行数据并行优化后，与使用优化前的并行分组卷积算法相比，可以获得10.2的最高加速比。

• 私家电动汽车在商业停车场的充电调度策略

  陈冷,林兵,王明芬,刘对,金涛,

  随着私家电动汽车（private electric vehicles，PREV）的普及，大规模PREV的无序充电将引起用电负荷高峰，影响配电网安全。针对商业停车场环境下的PREV充电问题，首先提出一种车辆准入机制，尽可能提高车辆准入数量，并确保准入车辆能够在预定时间内完成充电需求；其次，采用基于熵权法确定适应度函数权重的遗传模拟退火算法（GASA），提出一种面向多目标优化的PREV充电调度策略，综合优化停车场运营商利润和车主充电满意度。实验结果表明，基于GASA的PREV充电调度策略性能良好，与极端情况（车辆数为600的无序充电）相比，该策略的运营商利润和车主充电满意度分别提高了12.3%和109.7%，综合适应度函数值增加了35.2%；另外，其能够有效平缓配电网负荷分布，在保障配电网安全前提下实现停车场运营商和PREV车主的双赢。

• 结合纹理复杂度与小波系数特征的渐进式传输算法

  王慧,高宇航,许文琪,车俊岭,李勇,

  针对远程桌面领域的环境需求，提出了一种结合图像纹理复杂度与小波系数特征的渐进式分层算法。首先根据纹理复杂度进行每个图像块的比特分配来提高对目标比特预算的利用率；然后分析图像块内不同子带特征重要性的顺序优化了高频细节分量在渐进式分层算法中的层级结构，并设计了一种根据小波系数特征逐层添加子带传输的渐进式分层算法；最后实现了每个图像块根据分配的比特以及选取的分层方式进行渐进式传输的编解码系统。测试表明所提出的渐进式传输算法在不同图像传输环境中能够重建出质量更佳的图像，并且更加符合人眼的视觉感知特性。该算法对弱网有着更强的适应性，在桌面远程视频图像传输处理领域表现更佳。

• 基于异质信息网络的安卓虚拟化程序检测方法

  张威楠,孟昭逸,熊焰,黄文超,包象琳,

  考虑到安卓应用虚拟化技术的功能特性，精确检测安卓虚拟化程序是识别其隐藏安全风险的基础和必要前提。为此，提出了基于异质信息网络的安卓虚拟化程序检测方法，并实现了原型系统Aiplugin。根据安卓虚拟化程序的特点，提取四类静态程序特征，并将程序特征映射到异质信息网络上，以元路径的形式将不同程序关联起来。采用异质图注意力网络表征算法和OC-SVM算法，融合不同视图的程序语义信息，实现对安卓虚拟化程序的表征和分类。实验结果表明，相较于当前的代表性工具VAhunt，Aiplugin可有效检测包括平行空间等更多类型的安卓虚拟化程序。

• 基于配对特征融合的声学场景分类方法

  沈昕昊,陈嘉烨,宋晓宁,

  在近些年的研究中，单设备的声音场景分类已经取得不错的效果，然而多设备声音场景分类的进展缓慢。为了解决多设备分类时样本数量差异大的问题，提出了一种配对特征融合算法。通过计算每一对配对样本在频谱图上的差异，将这些差异累加后取平均，可以获得各个设备的平均频谱特征，用于设备样本的转换。该算法在增加设备样本数量的同时有效提升了模型的泛化能力。同时，为了获取全局信息，提出了一种轻量级注意力模块，通过对输入特征在频域上压缩后进行自注意力操作，可以在减少计算量的基础上使模型专注于整个声音序列信息的训练，实验结果表明所提算法在模型大小和分类精度方面与其他方法相比具有较好的优势。

• FERSF:随机模型检验引导的公平性增强推荐系统框架

  王楚钦,刘阳,

  在推荐系统的实际应用中，物品流行度偏差会被系统的反馈循环、机器学习训练模型以及一些外界因素所放大，从而导致大量的长尾物品得不到公平的推荐机会。针对反馈循环放大流行度偏差所导致的公平性问题，首次通过随机模型检验的方法进行公平性分析和增强研究。将基于流行度偏差和反馈循环的传统推荐系统框架建模成DTMC模型，并验证其公平性。实验发现随着反馈循环轮数增加，马太效应加剧，公平性明显减弱。然后提出一种随机模型检验引导的公平性增强的推荐系统框架FERSF：在传统的推荐系统框架回路中增加一个动态公平性阈值检测过程，监测其公平性，并对反馈影响因子进行公平性增强调整以减缓流行度偏差对系统的影响。通过实验分析，与传统的推荐系统相比，FERSF的公平性显著提升；与基于效用函数的公平性改进方法相比，FERSF因结合反馈循环的动态特性，从根本上抑制流行度偏差的放大；与其他针对算法的公平性改进相比，FERSF因基于推荐系统框架建模，兼容性强。

• 基于Flink的分布式在线集成学习框架研究

  曹张宇,钟原,周静,

  在大数据环境背景下，传统机器学习算法多采用单机离线训练的方式，显然已经无法适应持续增长的大规模流式数据的变化。针对该问题，提出一种基于Flink平台的分布式在线集成学习算法。该方法基于Flink分布式计算框架，首先通过数据并行的方式对在线学习算法进行分布式在线训练；然后将训练出的多个子模型通过随机梯度下降算法进行模型的动态权重分配，实现对多个子模型的结果聚合；与此同时，对于训练效果不好的模型利用其样本进行在线更新；最后通过单机与集群环境在不同数据集上做实验对比分析。实验结果表明，在线学习算法结合Flink框架的分布式集成训练，能达到集中训练方式下的性能，同时大大提高了训练的时间效率。

• 基于强化学习的数据库多属性索引推荐

  虞文波,游进国,牛祥虞,

  传统关系型数据库通过人工方式进行索引推荐，已无法适应日益增长的数据需求，而机器学习技术可以有效地解决数据库索引选择问题。针对以往仅在静态数据库下进行索引推荐且无法及时更新索引配置的局限性，提出了一种基于强化学习算法实现为数据库数据动态变化情况下的一组工作负载推荐最佳多属性索引配置的方法（multi-attribute index intelligent recommendation approach，MIRA）。在公开的TPC-H数据集上的实验结果表明，该方法不仅能有效地为一组工作负载推荐最佳的索引配置，而且优于自定义的比较基线和相关强化学习方法。

• 一种线性时间复杂度的高效路由保护方法

  耿海军,张琪栋,尹霞,

  如何高效快速地应对网络中的故障是设计路由协议的基本要求和主要任务。由于动态路由协议在应对网络中的故障时，在协议动态收敛的过程中将会有大量的报文被丢弃。因此，目前路由器厂商普遍采用路由保护方法来克服网络故障，在众多的路由保护方法中，DC（downstream criterion）规则是一种被普遍认可的方法。然而，已有的实现 DC规则算法的时间复杂度普遍较高，并且复杂度随着网络节点平均度的增加而迅速增加。为了应对上述问题，提出一种线性时间复杂度的高效路由保护方案ERPLR（efficient routing protection method with linear time complexity），该方法首先提出了备份下一跳计算规则，然后在已有最短路径树的基础上，根据备份下一跳计算规则为所有的源目的节点对计算备份下一跳。在计算备份下一跳的过程中，每个节点和其邻居最多被访问一次，因此ERPLR的时间复杂度为O(V+E)。实验结果表明，与已有的实现DC规则相比较，ERPLR在故障保护率和路径拉伸度两个度量指标结果相似的情况下，在真实网络拓扑和模拟拓扑中，ERPLR分别降低了大约74.93%和78.91%的计算开销，该方法可以极大地降低DC规则的计算开销。

• 基于社交意识和支付激励的D2D协作传输策略

  潘佳,于秀兰,

  在D2D协作传输场景下，传统的协作方案忽略了节点的自私性及在每个时间点个性化需求的差异性，导致D2D用户配对成功率较低。为了解决上述问题，提出一种基于社交意识和支付激励的D2D协作传输策略。具体地，首先利用物理层终端用户间相遇的历史信息，计算不同时刻用户间的社会关系强度；接着通过节点属性、节点对内容兴趣度计算出内容对节点的重要程度；其次该方案采用熵定义用户服务属性等级，根据节点对内容的不同服务属性等级对不同服务主体进行区别定价，以激励自私节点参与协作；然后用以上因素来构造效用函数，使系统总效用最大化；最后采用模拟退火算法求解从而得到一个稳定的协作传输策略。仿真结果表明，所提策略可满足不同时间段终端个性化需求，有效提高用户满意度和吞吐量。

• 基于VNF实例共享的服务功能链部署算法

  王媛滔,舒兆港,钟一文,邱彩钰,田佳霖,

  针对服务功能链（SFC）部署过程中存在虚拟网络功能（VNF）实例部署成本和转发路径成本难以权衡的问题，提出了基于VNF实例共享的SFC部署算法。首先针对多链SFC建立VNF和虚拟链路映射模型，并预估路径部署长度上限，保证SFC时延需求；其次，在路径部署长度限制范围内，尽可能使VNF实例共享最大化，以平衡链路转发成本和VNF部署成本，最终得到SFC部署策略。与已有的SPH（shortest path heuristic）和GUS（greedy on used server）部署算法相比，所提算法所得的总运营成本分别降低6.6%和12.15%，且当SFC数量增多时，该算法的服务接受率可达89.33%。仿真实验结果表明，提出算法可以在保证用户服务质量的同时有效降低SFC部署成本。

• 基于GAMP-MAP估计器的非对齐空中计算

  刘敏,孙超超,张挺,彭源,

  现有的空中计算依赖融合中心的最大似然（maximum likelihood，ML）估计恢复来自不同设备传输信号的算术和，但在实践中，实现准确的信道增益预编码和设备之间的严格同步很困难，ML估计在非对齐空中计算场景中会遭受严重的错误传播，而且计算复杂度高。针对非对齐空中计算问题，设计了一个基于广义近似消息传递（generalized approximate message passing，GAMP）计算框架的最大后验估计器，即GAMP-MAP。该估计器使用传输符号数据的均值和方差作为先验以提高估计准确性，利用GAMP算法标量估计特性降低计算复杂度。在不同信道相位偏移和时间偏移下进行仿真实验，实验结果表明GAMP-MAP估计器的准确性明显优于ML估计器，其运行时间相对ML估计器和LMMSE估计器有显著下降。

• 基于软件定义网络和移动边缘计算的车联网高效任务卸载方案

  韦睿,祝长鸿,王怡,黄业恒,唐煜星,熊泽凯,覃团发,

  随着车联网（IoV）中车辆和智能应用数目的增加使计算密集型任务激增，传统架构难以满足用户需求。为解决车联网计算资源不足且分配不均匀、应用时延需求无法满足、任务能耗成本较高的问题，结合移动边缘计算（MEC）和软件定义网络（SDN），设计了一种从宏基站到MEC服务器到车辆的车联网架构中的高效任务卸载方案，并提出一种改进的低复杂度非支配排序遗传算法，优化任务卸载成本和MEC服务器的负载均衡率。实验仿真结果表明，相比于随机卸载，NO-MEC卸载，NO-I卸载，传统NSGA、NSGA-Ⅱ卸载，GA卸载，Q-learning卸载，DQN卸载方案，所提方案有着更低的卸载成本，更优的负载均衡率，得到近似最高的系统效用，能够给车联网中的车辆用户带来更优质的网络服务。

• 基于FPGA的GIFT分组密码算法实现

  马绪健,刘姝,高铭泽,董秀则,

  GIFT算法作为PRESENT算法的改进版本，结构上更加简洁高效，在FPGA上运行时，性能仍然存在提升空间。对此提出了一种新的实现方案，通过将算法的40轮迭代计算优化为20轮迭，并将加解密与轮密钥生成操作并行执行。在xc6slx16 FPGA平台综合后，频率可达194 MHz，吞吐量可达1.2 Gbps，消耗时钟周期21个，结果表明，所提方法相比现有工作具有更好的性能表现和更少的时钟周期消耗，实现在FPGA上高速运行是切实可行的。

• 恶意软件的时序对偶数据流图挖掘及其检测方法

  鲁法明,江婷婷,包云霞,崔海东,蔡朝阳,

  基于数据流图的恶意软件检测方法通常仅关注API（application programming interface）调用过程中的数据流信息，而忽略API调用顺序信息。为解决此问题，所提方法在传统数据流图的基础上融入API调用的时序信息，提出恶意软件时序对偶数据流图的概念，并给出模型挖掘方法，最后提出一种基于优化的图卷积网络对时序对偶数据流图进行分类、进而用于恶意软件检测与分类的方法。实验结果表明，所提方法的恶意软件识别准确率较传统基于数据流图的恶意软件识别方法有更好的检测效果。

• 基于云边联合防御的恶意代码传播模型

  李晨曦,任建国,

  将云安全与点对群信息共享网络的特点进行融合，提出了一种基于云边结合（云安全环境和点对群信息共享网络相结合）的新型恶意代码传播模型，形成针对恶意代码的云边联合防御。首先，在经典的易感—感染—免疫传播模型的基础上引入云安全节点，并且增加节点在云安全环境中的额外免疫途径。其次，对新型模型进行动力学分析，计算出模型的平衡点和传播阈值，证明平衡点的局部稳定性和全局稳定性。最后，数值模拟与仿真实验的结果表明，基于云边联合防御的恶意代码传播模型能够在网络中更好地遏制恶意代码的传播，且随着节点检测与反馈能力的提升，遏制效果会更好。

• 车联网中基于雾计算和多TA的条件隐私保护认证方案

  何业锋,李国庆,刘继祥,

  车联网在生活中扮演着越来越重要的角色，它可以有效地防止交通拥堵从而减少交通事故。然而，在车联网中总是有非法车辆试图接入车联网并发布虚假消息。此外，现有方案多数存在计算效率低下的问题。针对上述存在的问题进行了研究，提出了一种车联网中基于雾计算和多TA的条件隐私保护认证方案。在保护车辆用户身份的条件下实现了车辆、雾节点、TA三者之间的身份认证，且在车辆追踪阶段可以还原车辆用户的真实身份，从而实现条件隐私保护。雾计算的使用降低了方案的计算和通信开销，同时多TA模型的使用也解决了单TA单点故障的问题。安全性证明和性能分析的结果表明该方案是安全且高效的。最后对当前方案进行了总结以及对未来研究作出了展望。

• 基于机器学习的肺部CT图像非刚性配准误差预测方法

  刘宇航,胡冀苏,陈文建,钱旭升,戴亚康,周志勇,

  配准误差评估通常由人工完成，耗时费力；常用的Dice测度只关注组织边缘的配准误差，难以评估组织内部配准结果。针对以上问题，提出一种基于机器学习的肺部CT图像非刚性配准误差预测方法（PREML）。该方法首先构建形变场统计特征、形变场物理保真度特征和图像相似性特征三类特征，然后通过池化方法扩充特征数量，最后使用随机森林回归方法预测非刚性配准误差，并且使用自适应随机扰动方法模拟肺部配准误差空间分布，进一步提升形变场统计特征的配准误差表征能力。在三个肺部CT图像数据集上进行训练与测试，其配准误差预测结果与金标准之间的平均绝对差异为1.245±2.500 mm，预测性能优于基线方法。结果表明，PREML方法具有预测精度高、鲁棒性强的特点，可提升配准算法在临床应用的有效性和安全性。

• 结合深层密集聚合的新冠肺炎CT图像分类方法

  周奇浩,张俊华,普钟,张鑫,

  新型冠状病毒肺炎在全球范围迅速蔓延，为快速准确地对其诊断，进而阻断疫情传播链，提出一种基于深度学习的分类网络DLDA-A-DenseNet。首先将深层密集聚合结构与DenseNet-201结合，对不同阶段的特征信息聚合，以加强对病灶的识别及定位能力；其次提出高效多尺度长程注意力以细化聚合的特征；此外针对CT图像数据集类别不均衡问题，使用均衡抽样训练策略消除偏向性。在中国胸部CT图像调查研究会提供的数据集上测试，所提方法较原始DenseNet-201在准确率、召回率、精确率、F1分数和Kappa系数提高了2.24%、3.09%、2.09%、2.60%和3.48%；并在COVID-CISet图像数据集上测试，取得99.50%的最优准确率。结果表明，对比其他方法，提出的新冠肺炎CT图像分类方法充分提取了CT切片的病灶特征，具有更高的精度和良好的泛化性。

• 基于Se-ResNet50特征编码器的公共环境图像描述生成

  唐渔,何志琴,周宇辉,吴钦木,王霄,

  针对传统公共环境图像描述模型中编码器—解码器结构在编码过程中特征提取能力不足以及解码过程中上下文信息丢失严重的问题，提出了一种基于Se-ResNet50与M-LSTM的公共环境图像描述模型。将SeNet模块添加到ResNet-50的残差路径中得到改进残差网络提取图像特征，SeNet对特征的各个部分赋予权重生成不同的注意力特征图，再融合文本特征向量输入具有额外门控运算的改进长短期记忆网络（M-LSTM）训练。模型训练结束后，输入公共环境图像就能得到描述图像内容的自然语句。该模型在多种数据集上进行了评估，实验结果表明，提出的模型在MSCOCO数据集上相较传统模型，在 BLEU-1、BLEU-2、BLEU-3、BLEU-4、METEOR、CIDEr等评价指标上分别提高了3.2%、2.1%、1.7%、1.7%、1.3%、8.2%，证明了提出的方法在评价指标、语义多样性上具有一定的优越性。

• 基于Transformer人像关键点检测网络的研究

  陈凯,林珊玲,林坚普,林志贤,缪志辉,郭太良,

  为解决目前基于卷积网络的关键点检测模型无法建模远距离关键点之间关系的问题，提出一种Transformer与CNN（卷积网络）多分支并行的人像关键点检测网络，称为MCTN（multi-branch convolution-Transformer network），其利用Transformer的动态注意力机制建模关键点之间的远距离联系，多分支并行的结构设计使得MCTN包含共享权重、全局信息融合等特点。此外，提出一种新型的Transformer结构，称为Deformer，它可以将注意力权重更快地集中在稀疏且有意义的位置，解决Transformer收敛缓慢的问题；在WFLW、300W、COFW数据集的人像关键点检测实验中，归一化平均误差分别达到4.33%、3.12%、3.15%，实验结果表明，MCTN利用Transformer与CNN多分支并联结构和Deformer结构，性能大幅超越基于卷积网络的关键点检测算法。

• 基于记忆库和后处理方法解决长尾实例分割问题

  范馨月,刘腾,鲍泓,潘卫国,梁天骄,李晗,

  数据的长尾特性一直是解决计算机视觉问题的一大挑战，为了应对这一挑战在实例分割任务中带来的困难，通常引入图像重采样作为一种简单有效的方法。然而一幅图像中可能存在多个类，仅通过图像重采样不足以在类别的数据量层面上获得足够均衡的分布，因此提出一种以目标为中心的记忆库后处理方法。首先引入记忆库模型，设立以目标为单位的存储策略，解决各类别数量不均衡问题；其次使用一种后处理校准方法，通过调整每个类的置信度得分提升稀有类和普通类的预测值。在公开数据集LVIS上的实验验证了所提方法的有效性，并且相比EQL方法，准确率能够提升2.2%。

• 基于伪标签自细化的弱监督实例分割

  吴仕科,梁宇琦,

  大多数弱监督实例分割方法利用类激活图生成的伪标签以及多阶段的训练策略，在实例分割上取得了不错的性能，但这些方法在检出物体完整性上仍然面临许多挑战。针对上述问题，提出了一种基于伪标签自细化的弱监督实例分割方法（pseudo-label self-refinement，PLSR），即在训练过程不断地利用网络自身的结果筛选、聚合候选区域得到各分支的伪标签，保障并逐步提升伪标签的质量，最终提高实例分割的性能。在Pascal VOC2012 和MS-COCO数据集上进行实验，与现有的弱监督实例分割方法进行对比，AP50分别提高了1.6%和1.9%。实验结果表明，伪标签自细化方法能够有效利用候选区域的形状信息以及网络自身的语义信息提升伪标签的质量并取得了良好的分割效果，最终提高了弱监督实例分割的性能。

• 基于置信域伪标签策略的半监督三维目标检测

  杨德东,葛浩然,安韵男,

  当前基于点云的三维目标检测方法很大程度上依赖于大规模高质量的三维标注。为了减少所需标签量，基于SESS网络提出了一种新的三维目标检测方法：基于置信域伪标签策略的半监督三维目标检测。首先设计了一种置信域伪标签策略，将学生网络的输出分成有标签和无标签两部分，有标签部分利用ground truth进行全监督学习，无标签部分基于教师网络的类别和对象预测置信分数，利用一种有效的过滤机制，筛选出高质量教师预测，并转换成相应伪标签，用于监督学生网络无标签部分。其次，设计了一个TransVote模块，通过Transformer机制，增强每个点云与其邻域点之间的相互注意，聚合点云局部特征。在10%标记数据、mAP@0.25下，该算法在ScanNetV2和SUN RGB-D数据集上分别超越了基准线8.63%、6.75%，显著提高了半监督三维目标检测算法的检测精度。

• 基于熵平衡的全景视频编码

  杨栩,郭红伟,李婉雪,

  高效的全景视频压缩对沉浸式、低延时的视觉体验十分重要。服务器端的全景视频通过投影到2D平面，经过编码、传输到客户端后，反投影到球面供用户观看，而全景视频投影过程中会在两极产生拉伸形变，由于过采样而产生像素冗余，破坏原有的信息熵分布。针对这一问题，提出一种改进的熵平衡算法，根据全景视频投影前后对应编码单元的熵不变原则，采用码率控制的R-λ模型根据投影面积变化比率来重新分配目标比特，以达到熵平衡，进而调整编码参数优化编码。实验结果表明，该算法相较于基准VTM14.0能达到1.87%的码率节省，编码时间下降10.07%，说明该算法在全景视频编码中能实现更高的压缩率和更短的编码时间。

• 强化边缘结构的分段自适应图像修复算法

  吕伏,张文丽,

  针对基于样本的图像修复技术在修复井下煤岩图像时存在纹理过渡延伸和边缘结构不连续的问题，提出一种强化边缘结构的分段自适应图像修复算法，其在Criminisi算法中引入基于ISEF的数据项和等照度线曲率信息构成新的优先权函数，解决了修复顺序不当的问题；并利用局部方差特征与信息熵划分的区域类型自适应选择样本块大小，解决了边缘保持的问题。在常用测试图像与孟村煤矿的煤岩图像上进行了修复实验，相较于传统的Criminisi方法，该算法的平均PSNR分别提升了0.37 dB与1.33 dB，平均SSIM分别提升了0.002 3与0.002 7。实验结果表明，该算法对纹理结构信息复杂的图像具有较好的修复效果，为煤壁图像的修复奠定了基础。

• 融合高频滤波和伪影损失的人脸超分辨率重建

  孙红,宋冬豪,陈玉娟,

  人脸超分辨率重建的需求愈发强烈，针对现有方法在恢复图像时高频信息丢失严重导致平滑，同时伴随着伪影的问题，提出了融合高频滤波和伪影损失的重建方法。该方法能够获取人脸高频信息，在不影响细节纹理的情况下去除伪影，以生成对抗网络模型为框架，引入自适应残差结构以减少计算成本，使用Ranger优化器来缓解训练的不稳定。实验中，使用不同缩放因子，该方法相较于其他方法拥有更高的PSNR值和SSIM值。2倍、4倍、8倍缩放时在CelebAMask-HQ数据集上的PSNR值分别为37.88 dB、32.50 dB、29.51 dB，同时模型收敛速度较快，表明该方法的高效性与稳定性。

• 视觉特征对比解耦的广义零样本学习

  张志远,杨关,刘小明,刘阳,

  广义零样本学习通常利用在ImageNet上预训练的深度模型来提取相应的视觉特征，然而预训练模型提取到的视觉特征不可避免地包含和语义无关的信息，这将导致语义—视觉对齐的偏差以及对不可见类的负迁移，从而影响分类结果。为解决上述问题，提出了视觉特征对比解耦的广义零样本学习模型（visual feature contrast decoupling for generalized zero-shot learning，VFCD-GZSL），通过解耦出视觉特征中的语义相关表示来降低冗余信息对分类结果的影响。具体来说，首先用条件变分自编码器生成不可见类的视觉特征。然后通过解耦模块将视觉特征解耦语义相关和语义无关的潜层表示，同时添加总相关惩罚和对比损失来鼓励两者间的相互独立，并用语义关系匹配模型衡量其语义一致性，从而指导模型学习语义相关表示。最后使用特征细化模块细化后的特征和语义相关表示联合学习一个广义零样本学习分类器。在四个数据集上的实验均取得较优的结果，证实了所提方法的有效性。