计算机应用研究杂志

计算机应用研究杂志2024年第10期

• 针对大语言模型的偏见性研究综述

  徐磊,胡亚豪,潘志松,

  偏见现象普遍存在于人类社会，并通常以自然语言为载体呈现。传统的偏见研究主要针对静态词嵌入模型展开，但随着自然语言处理技术的不断演进，研究对象逐渐转向上下文处理能力更强的预训练模型。而作为预训练模型的进一步发展，尽管大型语言模型凭借惊人的性能和广阔的发展前景在多个应用场景中得到了广泛部署，但其仍可能会从未经处理的训练数据中捕捉到社会偏见，并将偏见传播到下游任务中。含有偏见的大型语言模型系统会产生不良的社会影响和潜在危害，因此针对大型语言模型的偏见研究亟待深入探讨。探讨了自然语言处理中偏见的由来，并对从词嵌入模型到现在大型语言模型的偏见评估和偏见缓解方法进行了分析与总结，旨在为未来相关研究提供有益参考。

• 大语言模型领域意图的精准性增强方法

  任元凯,谢振平,

  目前通用大语言模型（如GPT）在专业领域问答应用中存在不稳定性和不真实性。针对这一现象，提出了一种在通用大语言模型上耦合领域知识的意图识别精准性增强方法（EIRDK），其中引入了三个具体策略：a）通过领域知识库对GPT输出结果进行打分过滤；b）训练领域知识词向量模型优化提示语句规范性；c）利用GPT的反馈结果提升领域词向量模型和GPT模型的一致性。实验分析显示，相比于标准的GPT模型，新方法在私有数据集上可以提升25%的意图理解准确性，在CMID数据集上可以提升12%的意图理解准确性。实验结果证明了EIRDK方法的有效性。

• 融合大语言模型的三级联合提示隐式情感分析方法

  张小艳,闫壮,

  隐式情感分析作为情感分析任务的挑战性分支，面临着缺乏明确情感特征、文本语义复杂等问题。受到思维链（chain of thought，CoT）的启发，提出了一种融合大语言模型的三级联合提示隐式情感分析方法（three-level joint prompt-tuning implicit sentiment analysis method incorporating LLMs，TPISA），将大语言模型与本地预训练模型相结合，使用多级推理的方式逐级得出目标的方面、潜在观点，使模型能够更轻松地推理出最终的情感极性。前两级提示利用大型语言模型丰富的世界知识，丰富情感语句的情感信息；然后，将前两级提示得到的方面和潜在意见与上下文连接起来，作为第三级提示的输入。同时构建情感标签词，使预训练的模型能够从标签词汇中获得丰富的语义知识，增强模型的学习能力。实验证明，提出的模型在SemEval14 Laptop和Restaurant数据集上对比当前主流的隐式情感分析模型，取得了5.65和6.72百分点的提升，验证了该方法的先进性。

• 基于医疗临床数据的两阶段专业级大语言模型微调

  孙丽萍,童子龙,钱乾,陆鑫涛,凌晨,方诚,汤其宇,蒋晓,

  通用大语言模型（large language model，LLM）缺乏对专业领域知识理解的深度和广度，对专业领域问题回答的准确度不够，常常产生幻觉，阻碍了大语言模型的商业应用落地。因此，基于专业领域特有数据提高大型语言模型的专业性成为当前大语言模型应用落地的关键挑战。针对通用大语言模型在特定领域知识理解与生成内容专业性不够的问题进行了研究。基于P-Tuning v2与Freeze两种参数高效微调方法，提出了一种专业级大语言模型的两阶段微调框架。依赖该框架与肝胆科临床数据对ChatGLM-6B进行微调，得到一个针对肝胆专科的专业级大语言模型，命名为MedGLM.H。根据实验显示，微调后的大语言模型对于肝胆专科问题的准确率从31%提升到了62%；得分率从57%提升到了73%。在进行两阶段微调后，模型在肝胆专科的问答中表现出更高的准确性与专业性，根据三名临床医生进行的对话实验，证明了微调后的模型在更专业的医疗场景中具备应用潜力。

• 基于联盟链微电网交易的改进Raft共识算法

  张铭泉,曹新宇,

  针对联盟链微电网交易场景的高吞吐量与抵御拜占庭节点攻击的需求，提出了一种基于Raft的多领导者拜占庭容错共识算法MLB-Raft（multi-leader Byzantine fault tolerance-Raft）。首先使用可验证随机函数VRF选举领导者节点群，通过多领导者并行提交区块的方式提高算法的吞吐量；接着引入了协调者角色，负责领导者的选举、管理与系统共识；在领导者与跟随者进行区块复制的过程中，结合并简化了PBFT算法的共识流程，实现本算法的抗拜占庭特性。实验结果表明，在大规模网络节点环境下，相较于Raft算法，该算法提高了吞吐量与共识效率，但付出了部分通信开销代价；相较于PBFT算法，该算法提高了拜占庭容错能力，降低了通信开销。综上，该算法能有效保障联盟链微电网交易的时效性与安全性。

• 编码区块链中存储分配的分布式学习协议

  杨昌霖,牛星宇,

  编码区块链利用纠错码技术，将区块分为多个编码片段并分布式存储于节点中。其主要目的在于减少参与者或节点的存储需求，实现高效的存储和容错能力。然而，节点随机存储任意数量的编码片段，导致编码片段分布不均匀，从而增加节点尝试解码区块时的通信成本以及关键节点的存储开销。为此，提出一种基于强化学习的分布式协议，用来合理分配节点存储的编码片段以降低存储开销和通信成本。具体而言，节点在解码任意区块时计算存储奖励，该奖励与编码片段的存储成本和节点尝试解码区块时产生的通信成本呈反比关系。学习收敛后与现有的集中式和分布式区块链编码存储方法进行了比较，研究结果表明，节点的奖励提高了7%，且节点的通信成本降低了55%。综上，基于强化学习的分布式协议为编码区块链存储和传输性能的提升提供了有效的解决方案。

• AGCFN:基于图神经网络多层网络社团检测模型

  陈龙,张振宇,李晓明,白宏鹏,

  基于图神经网络的多层网络社团检测方法面临以下两个挑战。一是如何有效利用多层网络的节点内容信息，二是如何有效利用多层网络的层间关系。因此，提出多层网络社团检测模型AGCFN（autoencoderenhanced graph convolutional fusion network）。首先通过自编码器独立提取每个网络层的节点内容信息，通过传递算子将提取到的节点内容信息传递给图自编码器进行当前网络层节点内容信息与拓扑结构信息的融合，从而得到当前网络层每个节点的表示，这种方法充分利用了网络的节点内容信息与拓扑结构信息。对于得到的节点表示，通过模块度最大化模块和图解码器对其进行优化。其次，通过多层信息融合模块将每个网络层提取到的节点表示进行融合，得到每个节点的综合表示。最后，通过自训练机制训练模型并得到社团检测结果。与6个模型在三个数据集上进行对比，ACC与NMI评价指标有所提升，验证了AGCFN的有效性。

• 基于时空位置关注图神经网络的交通流预测方法

  何婷,周艳秋,辛春花,

  针对现有交通流预测方法存在难以构建空间和时间依赖关系的问题，提出了新的利用时空位置注意力的图神经网络（ST-PAGNN）方法。首先，该图神经网络中包含有位置关注机制，由此能够更好地对城市道路网络中交通节点的空间依赖关系进行有效捕捉；然后，利用带有trend adaptive Transformer （Trendformer）的门控递归神经网络来捕捉交通流序列在时间维度上的局部和全局信息；最后，利用改进的网格搜索优化方法对模型的引入参数进行优化，并以较高的时间效率获得全局最优解。实验结果表明，在数据集PEMS-BAY中，预测步长分别为15 min，30 min，60 min时，ST-PAGNN的评价指标RMSE、MAE和MAPE分别为1.37，2.57，2.67%，1.55，3.64，3.37%，1.97，4.37，4.43%；在数据集METR-LA中，预测步长分别为15 min，30 min，60 min时，ST-PAGNN的评价指标RMSE、MAE和MAPE分别为2.73，5.16，7.13%，2.99，5.97，7.86%，3.53，7.16，9.96%。结论表明，ST-PAGNN在不同粒度下的评价指标中均高于现有模型，从而说明了ST-PAGNN在解决交通预测问题方面的有效性和优越性。

• 基于多视图证据融合的社交水军检测

  张东林,徐建,

  为克服单视图水军检测方法在处理复杂多样的社交网络数据时所存在的局限性，并解决现有多视图融合方法未能充分考虑视图间质量差异导致的信息丢失和噪声干扰等问题，提出一种基于多视图证据融合（multi-view evidence fusion，MVEF）的社交水军检测方法。该方法综合分析社交关系、行为特征和推文内容三个视图并提取关键证据，通过Dirichlet分布参数化来评估每个视图在分类决策中的类别可信度和整体不确定性。通过高效的证据融合机制，巧妙地利用不确定性整合各视图中的关键证据，构建一个全面而可靠的分类决策框架。实验结果显示，MVEF在两个真实世界的Twitter数据集上的表现均优于现有方法，有效提升了水军识别的准确率和鲁棒性。

• 利用集成剪枝和多目标优化算法的随机森林可解释增强模型

  李扬,廖梦洁,张健,

  随机森林模型是广泛应用于各个领域的经典黑盒模型，而黑盒模型的结构特征导致模型可解释性弱，需要借助可解释技术优化随机森林的可解释性，从而促进其在可靠性要求较高场景的应用与发展。研究构建了基于集成剪枝和多目标优化算法的规则提取模型，集成剪枝在解决树模型规则提取易陷入局部最优的问题上具有代表性，多目标优化在解决规则准确性和可解释性的平衡问题上有多个领域的应用。模型验证结果表明，所构建模型能够在不降低准确性的前提下优化模型的可解释性。本研究首次将集成剪枝技术与多目标优化算法相融合，增强了随机森林的可解释性，有助于推动该模型在可解释性要求较高领域的决策应用。

• 基于主动学习的深度半监督聚类模型

  付艳艳,黄瑞章,薛菁菁,任丽娜,陈艳平,林川,

  深度半监督聚类旨在利用少量的监督信息达到更好的聚类效果。然而，由于标注成本昂贵，监督信息的数量往往是有限的。因此，在监督信息有限的情况下，如何选择对聚类最有价值的监督信息变得至关重要。针对以上问题，提出了基于主动学习的深度半监督聚类模型（DASCM）。该模型设计了一种主动学习方法，能够挑选出蕴涵丰富信息的边缘文本，并进一步生成蕴涵边缘文本的高价值监督信息。该模型利用这些监督信息指导聚类，从而提升聚类性能。在5个真实文本数据集上的实验表明，DASCM的聚类性能有显著提升。这一结果验证了利用主动学习方法生成的涵盖边缘文本的监督信息对于提升聚类效果是有效的。

• 应对显著变化的动态社区检测方法

  刘澳,张珺杰,王焕,张庆明,

  现实中的网络总是不断变化，网络形态和连接关系也在随着时间推移而不断演变，在动态网络中发现社区的变化一直是个重要课题。当这种变化较为显著时，将导致社区检测算法难以有效利用前一个网络快照中有价值的信息，从而导致下一个时间步的负迁移。为解决算法无法较好适应网络突变问题，提出了一个基于遗传进化思想和高阶知识转移策略的动态社区检测算法。首先利用相邻快照的邻接矩阵相似度确定使用一阶或高阶信息，然后利用蛛网模型进行种群初始化，再通过非支配排序遗传算法NSGA-Ⅱ迭代出位于Pareto前沿的多目标最优解，并设计了新的基因交叉方式以提高种群多样性。最后通过在多个真实数据集及模拟数据集上的实验结果表明，与现有算法相比，该算法在发生网络剧变时能获得时间平滑性更高的社区检测结果，同时也能保持良好的社区模块化程度。

• 基于统计显著性检验的高效用项集挖掘算法

  吴军,魏丹丹,欧阳艾嘉,王亚,

  针对传统高效用项集挖掘算法在具有不同类型标签事务中报告假阳性高效用项集的问题，提出两个基于统计显著性检验的高效用项集挖掘算法——FHUI和PHUI算法。这两个算法首先找到所有待检验高效用项集并依据项集长度进行分组；然后，FHUI算法根据项集自身的频率分布生成零分布，PHUI算法根据事务内置换策略或事务间置换策略构造置换事务集合来生成零分布。最后，FHUI和PHUI算法从零分布中计算出p值并运用错误发现率剔除假阳性高效用项集。基准事务集合实验结果显示FHUI和PHUI算法能够剔除大量的假阳性高效用项集，在后续分类任务中取得了更高的正确率；仿真事务集合实验结果显示FHUI和PHUI算法报告的项集中假阳性高效用项集数量占比低于4.8%且平均效用高于39 000。实验结果证明，在具有不同类型的标签事务中，FHUI和PHUI算法报告的统计显著高效用项集可靠性和实用性更强。

• 基于属性隐私的统计查询定价模型

  方嘉豪,郭兵,

  现有统计查询定价模型没有考虑查询结果揭露数据集敏感属性的问题，难以通过相应地补偿数据提供方激励共享，对此提出一种基于属性隐私的定价模型。首先，基于提出的宽松近似Wasserstein机制（RAWM）计算查询敏感度，直接计算输出分布对距离的宽松上界以提高效率；然后，以约束属性隐私损失为前提，根据查询敏感度、噪声方差、补偿参数对数据提供方进行补偿；最后，在补偿之上运用成本加成法设计了多个无套利定价函数，可以针对单补偿成本和多边际成本等场景定价。实验结果表明，查询敏感度的计算时间从线性复杂度降低到了常数复杂度，在一亿数据量下仅有0.52%的效用代价；定价模型能够提供细粒度补偿以激励共享；设计的定价函数满足无套利性。

• 基于统计推理的不一致数据清洗方法

  张安珍,胡生吉,夏秀峰,

  不一致数据修复是数据清洗领域的一个重要研究方向，现有方法大多是基于完整性约束规则的，采用最小代价原则进行修复，然而，代价最小的修复方案通常是不正确的，导致现有修复方法的准确率较低。针对现有方法准确率较低的问题，提出了一种基于统计推理的不一致数据清洗方法BayesOUR，兼顾修复的代价与质量，提高修复准确性。BayesOUR主要分为三个阶段：首先根据完整性约束规则进行错误检测；然后利用贝叶斯网络推理所有可能的一致性修复方案概率；最后选择概率最大的修复方案进行数据清洗。真实数据上的实验结果表明，该方法与目前领先的方法相比，能够显著提高不一致数据修复的准确性。

• 融合背景知识和常识感知的对话生成

  汪红松,叶浩贤,李嘉展,

  基于背景对话的关键问题之一是知识抽取，但由于有些会话的信息量不足，特别是在一些对话信息较少的情况下，选择恰当的知识变得尤为困难，且目前的生成方式缺乏动态选取背景知识的能力。针对这些问题，提出了KIF模型，引入知识增强库和知识向量并提出知识追踪模块和知识情感反馈模块去解决上述问题。该模型通过双重匹配矩阵的方式获得外部知识与背景知识的权重向量并进行知识选择，在每个解码步长内会根据历史会话和外部知识进行会话生成。最后，在Holl-E和WoW数据集上进行实验，实验结果表明KIF模型相比于之前的模型有明显的性能提升。

• 考虑多交互关系与情感倾向的微博用户可信度评估算法

  王梓宁,张国防,

  探究综合考虑多交互关系与情感倾向因素的微博用户可信度评估方法。首先基于用户间交互关系的类型和频率，得到用户交互度与参与度；然后根据情感词典计算用户间评论、回复等文本内容的情感得分，并据此判断用户情感倾向；其次以PageRank算法为基础，从用户资料、博文中提取特征，计算每个用户的个体可信度作为初始PR值，并将用户交互度和情感倾向融合调整PR值分配权重、使用参与度修正阻尼系数，实现对PageRank算法的改进；最终，改进的PageRank算法迭代稳定后得到待评估用户的可信度。实验结果显示，与未考虑用户间多交互关系以及情感倾向的方法相比，所提方法在AUC值、查准率、查全率和F1值上均取得了更好的效果，最高提升了13.86%。综合考虑用户间多交互关系和情感倾向可以提高微博用户可信度评估效果。

• 基于点线特征融合的实时视惯SLAM算法

  王磊,陈帅坤,齐俊艳,袁瑞甫,

  为了在光照不足和低纹理场景中实现移动机器人的高精度实时定位和建图，提出了一种基于视觉点线特征以及IMU特征融合的实时SLAM算法。首先通过跳跃路由策略和自适应阈值策略改进了EDlines算法，提高了线特征提取的质量，从而提高了特征跟踪的有效性。然后将视觉惯性特征紧耦合建立约束，通过滑动窗口和边缘化模型进行非线性优化，实现了高精度高实时性的状态估计。实验证明，所提算法在线特征提取的有效性方面优于传统的线段提取算法，同时SLAM系统的定位精度和鲁棒性均得到有效提升。

• 基于TSACO及动态避障策略的无人机路径规划

  江南,徐海芹,邢浩翔,

  为了提高无人机路径规划中的避障效率，首先针对全局规划，提出一种改进蚁群算法TSACO（turning-sensitive ant colony optimization）。该算法利用A*算法进行非均匀分配初始信息素，通过在概率函数中引入转向启发函数，以及采用精英蚂蚁系统等方法，来提高算法的收敛速度，减少路径的转角次数。其次，针对局部规划提出一种改进速度障碍算法，加入了无人机动力学方程，考虑障碍物自适应碰撞半径和紧急碰撞锥，以及最优速度选择法等，来改善无人机局部避障的实时性与安全性。仿真实验表明，该算法相较于其他算法，在路径长度、转向次数及动态避障等方面，均具有更好的有效性。

• 基于分区个体排名的非线性种群缩减的人工蜂群算法

  赵明,刘善智,宋晓宇,沈晓鹏,

  针对人工蜂群算法（ABC）探索性强而开发性弱，从而导致收敛速度慢的问题，提出了一种基于分区个体排名的非线性种群缩减策略（UPSR-CIR）。首先，该策略设计长尾非线性种群规模缩减函数，在前期保持大种群充分探索，中期快速缩减使得后期保持小种群加强开发，同时为后期分配相对较多计算资源以加速收敛；其次，为确保种群多样性，采用K-means聚类通过间隔一定代数对种群进行动态分区，并以分区为单位进行种群缩减；同时，种群按分区缩减时，按照分区内最优个体在整个种群排名确定删除个体数量，为排名高的潜能分区保留相对较多的计算资源来进一步加强开发。采用22个基准测试函数在ABC及其变体上对UPSR-CIR进行实验对比分析，结果表明UPSR-CIR表现出更高的求解精度、稳定性和收敛速度，同时对于ABC变体具有普适性。最后采用12个经典旅行商问题（TSP）案例进一步验证UPSR-CIR在实际应用问题上的实用性和优越性。

• 基于改进堆优化算法求解电动汽车并网动态经济调度

  陈旭,张智祥,

  针对堆优化算法HBO处理含电动汽车的动态经济调度问题时存在收敛慢和精度低等问题，提出一种改进的堆优化算法RDHBO。首先，在RDHBO中引入了最优成员区域搜索和双种群交互策略。前者引导最优成员移动到更有希望的区域，提升了算法的收敛精度和收敛速度；后者充分利用被淘汰的劣势个体，丰富了种群的多样性，避免了算法陷入局部最优。然后，将RDHBO应用于四种充电场景的10机组电动汽车动态经济调度问题。仿真结果表明，与已有的代表性方法相比，RDHBO在产生低燃料成本和稳定性方面具有很强的竞争力。最后，对RDHBO的两种改进策略进行了消融实验，验证了两种改进策略的有效性。

• 强化学习下浅充浅放充电策略AGV调度研究

  赵锐,梁承姬,

  针对自动化集装箱码头自动导引车（AGV）调度中的充电问题，考虑浅充浅放充电策略构建了混合整数优化模型。该模型以最小化AGV最终完工时间为目标，在考虑AGV电池电量变化以及AGV不同状态耗电差异的约束下，利用AGV空闲时间和一个作业循环结束时间补电，减少AGV充电次数，进而减少总完成时间。模型采用Wolf-PHC强化学习进行求解，并分别与GAMS求解器、Q-learning算法及遗传算法（genetic algorithm，GA）求解结果进行比较，以验证模型的有效性和算法的优越性。算例分析表明在浅充浅放充电策略下AGV利用效率较高，且Wolf-PHC与GA的结合对模型求解效果更佳。

• 标签噪声下结合对比学习与邻域样本分析的故障诊断方法

  金泽中,叶春明,

  当前基于深度学习的故障诊断方法依赖于标注完备的训练样本，当数据集中存在噪声标签时，模型会对噪声数据过拟合，影响泛化能力。为实现模型在采用标签噪声进行训练的情况下对设备运行工况的精确识别，提出一种结合对比学习与邻域样本分析的故障诊断方法。首先采用对比学习方法对模型进行预训练，拉近模型特征空间中的相似样本映射距离，实现判别能力增强；随后，基于特征相似度寻找每个样本最相似的近邻用以计算训练标签可靠性并据此执行样本划分以及标签纠正，构建更为可靠的训练子集；最后在训练过程中引入标签重加权以及一致性正则化操作增强模型鲁棒性。此外，通过同时训练两个网络模型以交替构建训练子集用于另一网络训练过程，缓解单网络模型训练框架易引起的认知偏差问题。在公共数据集上进行实验验证，结果表明所提方法能够有效识别并纠正噪声标签，在较高噪声标签情况下仍能保持良好的诊断性能。

• 基于Hopf振荡器的Spiking-CPG六足机器人步态运动控制

  罗疏桐,宋自根,

  中枢模式发生器（central pattern generator，CPG）在六足机器人的运动步态控制中起着至关重要的作用。为能够更高效、更低能耗地控制六足机器人的步态运动，提出了一种Spiking-CPG（SCPG）神经网络作为六足机器人的仿生控制系统，其结合Hopf振荡器与以时疏的spiking信号传递信息的仿生神经元LIF（leaky integrate-and-fire），采用环型拓扑结构，使用六组各2 000个LIF神经元组成的集合相互连接而成。该SCPG控制系统能够生成六足机器人常见的波动步态、四足步态、三足步态，通过调节相位差参数实现快速、顺滑、稳定的切换运动步态，实时调整所需的频率、振幅，在面对外界干扰时能够在很短的时间内恢复原状，具有很好的鲁棒性。在Webots平台上搭建了一个三维的六足机器人模型，将SCPG的信号输出并经过关节映射函数变换后，来控制六足机器人的运动，验证了所设计六足机器人的运动稳定性和SCPG控制方案的可行性与有效性。最后，在Intel的Loihi芯片上移植了SCPG神经网络控制器，结果表明，其具备高效的执行速度和更低的能耗，在六足机器人的运动控制中具备良好的应用前景。

• PreNTT：面向zk-SNARK的数论变换计算并行加速方法

  丁冬,李正权,柴志雷,

  简洁非交互式零知识证明（zk-SNARK）由于具备证明验证过程简捷快速的优点，已在加密货币等众多领域得到广泛应用。但其证明生成过程所需计算仍复杂耗时，影响了进一步的应用拓展。针对zk-SNARK证明生成过程中的主要计算瓶颈——数论变换（NTT），提出了一种基于GPU的NTT计算加速方法PreNTT。首先，提出了基于预计算的NTT并行计算方法，利用预计算与旋转因子次幂算法优化，减少NTT并行计算开销，并结合动态预计算，进一步提高NTT计算效率。其次，通过“动态自适应计算核调度”，可以根据NTT输入规模自适应地分配GPU片上资源，提升了大规模NTT任务的计算能效。然后，通过核外整体数据混洗和核内局部数据混洗相结合的方式，避免了访存冲突。最后，使用CUDA多流技术执行数据传输和计算过程，对预计算时间进行了有效隐藏。实验结果表明：基于PreNTT实现的zk-SNARK系统，与目前业界最先进的系统Bellperson相比，NTT模块运行时间获得了全规模最低1.7倍的加速比，最高加速比为9倍。PreNTT能够有效提高NTT算法并行度，降低zk-SNARK运算时间开销。

• 基于分区再训练的RRAM阵列多缺陷容忍算法

  王梦可,杨朝晖,查晓婧,夏银水,

  针对RRAM单元制造工艺不完善造成神经网络矩阵向量乘法计算错误问题，根据RRAM阵列多缺陷特性进行建模，提出了多缺陷容忍算法。首先根据RRAM阵列常见的转变缺陷和粘连缺陷对神经网络计算准确度的影响，对两种缺陷统一建模；然后对神经网络进行划分，基于改进的知识蒸馏方式进行分区训练；最后选择适配的损失函数加入归一化层，进一步优化算法。在MNIST和Cifar-10数据集上进行实验，结果表明该方法在多个神经网络上能够得到98%以上的恢复率，说明该方法可有效降低RRAM阵列多缺陷对神经网络计算准确度的影响。

• 基于中文文本相似度评估的情感勒索话语检测系统

  林文晟,杨观赐,钟世昊,

  情感勒索是通过情感压力迫使周围人听从自己要求的交流方式，容易导致对方的负面情绪甚至心理问题从而影响交流效果。为了检测日常交流场景下的情感勒索话语进而改善交流效果，开发了基于中文文本相似度评估的情感勒索话语检测系统。首先，基于Susan Forward的情感勒索理论标注收集到的数据，构建情感勒索语料库和测试集；其次，分析情感勒索的表达方式，分别基于词性和语义词设计文本相似度评估方法，进而形成基于中文文本相似度评估的情感勒索话语检测算法；然后，在构建的数据集上开展实验，该算法获得的平均recall与F1-score分别为95.21%和79.95%，优于对比算法；最后，基于该算法开发情感勒索话语检测原型系统，系统在不同测试条件下的平均recall为87.24%，展现出良好的鲁棒性和检测性能。

• 融合信息扰动与特征解耦的单样本语音转换

  王光,刘宗泽,董浩,姜彦吉,

  单样本语音转换的特性是利用单条目标说话人的语音样本即可实现身份的转换，但由于声学特征呈现复杂的相互作用和动态变化，现有方法难以充分将单样本语音中的说话人音色与其他声学特征解耦，导致转换音频在听觉上仍与源说话人的音色特征相似，存在说话人音色泄露情况。为此提出一种融合信息扰动与特征解耦的单样本语音转换模型，即IPFD-VC模型。首先，引入信息扰动模块对语音信号进行三次扰动操作，去除输入内容和韵律编码器中的冗余信息；其次，将处理后的语音信号送入各编码器，并结合最小化互信息策略进一步解耦声学特征，降低不同特征与说话人音色特征的相关性；最后通过解码器及声码器输出转换音频。实验结果表明：IPFD-VC模型转换音频的语音自然度和说话人相似度分别达到3.72和3.68，与目前先进的UUVC模型相比，梅尔倒谱失真降低0.26 dB。该模型能够有效对声学特征进行解耦，捕获目标说话人音色特征，同时保持源语言内容和韵律变化，降低说话人音色泄露风险。

• 基于改进MH算法的室内空间自动布局

  曹力,程翔,张展,

  为了生成文博展厅、城市阅读空间、商场等具备公共服务职能的空间布局，提出了一种面向室内空间的自动布局方法。该方法首先针对多种布局的表达需求，将布局信息记录在层次化图结构中；再按照图结构填充适当的布局对象作为初始状态；利用能量函数和移动策略，引入改进的MH（Metropolis-Hastings）算法进行优化，生成合适的布局方案。选取多种类型的应用场景进行测试，结果证明了该方法的有效性。根据公共空间设计原则，提出评价指标比较各类方法性能。该方法在布置效率和运算效率方面具有优势，可应用于多种类型的公共空间布局设计。

• 基于路径预取的树型索引查询优化

  来逸瑞,李永坤,许胤龙,

  在树型内存索引的研究过程中，由于传统的片上预取不能适应索引的局部性，导致访存成为该类型内存索引的性能瓶颈。提出了一种基于软件层面的路径预取算法，使用预取加速内存索引的访问，并使得该算法可以快速部署到现实机器上。该算法基于对树型索引访存流程的分析，通过预取表保存键与索引访问路径的关系，通过基于键切片哈希的匹配算法对预取表中的数据进行匹配，显著提高了索引性能。在当前较为先进的树型内存索引上实现了该算法并进行了实验评估，结果表明该算法在不同数据量和读写混合负载下提升了索引器的访问性能。因此，基于路径预取的算法可以有效加速树型内存索引的访存速度，提升索引器性能。

• 复杂事件处理中多聚合查询共享方法

  董攀攀,苏航,高红雨,

  复杂事件处理技术是在持续不断的流数据中检测满足特定事件序列或对匹配的事件进行统计的一种流数据处理技术。在处理带有Kleene操作符的事件趋势聚合查询时，需缓存中间结果来实现不定数量事件序列的匹配，故对查询系统的资源需求较大。利用多个查询之间存在的共享机会，生成用于指导查询处理的共享计划，可以有效提高事件趋势聚合查询的处理效率。但现有的聚合查询处理方法生成的共享计划无法做到随执行环境的变化而进行实时调整，来支持查询系统的持续高效处理。针对上述问题，提出了一种可以动态更新的多聚合查询共享方法，以支持实时变化的复杂事件检测的持续高效处理。通过提出共享图数据结构和代价模型，实现对所生成共享计划的实时调整，并引入在线增量聚合执行共享方法，进一步提升带有Kleene操作符的事件趋势聚合查询的处理效率。在真实数据集和模拟数据集上分别进行实验，并与其他处理聚合查询的方法进行了实验对比。实验结果表明，提出方法能够有效降低查询延迟，提高整体查询的处理性能。

• 基于字段感知的文本协议灰盒模糊测试方法

  孙语韬,徐向华,

  基于变异的灰盒协议模糊测试方法使用便捷、可扩展性好，但缺乏协议报文格式信息，只能对报文整体进行变异以产生测试用例，导致生成的大部分测试报文会被被测协议实现直接拒绝，严重影响测试效率。针对这一问题，提出了基于字段感知的文本协议模糊测试方法。该方法在基于变异的协议模糊测试中加入了模板学习的概念，使用分隔符划分报文字段，使用字段字典获取每个字段的合法取值；然后，针对划分后的报文，设计了多种字段级的变异策略，并根据每个字段可能的取值数量和覆盖率反馈计算相应的字段变异能量；此外，还利用对报文进行字段划分的结果，对被测协议实现的状态进行更细粒度的刻画。实验结果表明，该方法可以提高经典的基于变异的协议模糊测试框架AFLNET产生的可被被测协议实现接受的测试用例的比例，进而将测试效率提高到5倍以上。这表明基于变异的协议模糊测试方法普遍存在的可被接受的测试用例比例过低的问题确实会影响最终的测试效率，改善测试用例的被接受率可以大幅提高测试效率。

• 有状态协议模糊测试的种子调度算法

  谢宇豪,徐向华,

  为了探索有状态协议的程序漏洞，AFL-NET提出了有状态协议模糊测试。在有状态协议模糊测试中，种子的选择对路径的探索有着重大的贡献。然而，目前的有状态协议模糊测试往往重复执行几个相同的种子，导致不能很好地探索更多的路径。为了缓解该问题，从种子的收益入手，提出了一种有效的基于有状态协议的种子动态调度算法。利用种子的潜在收益和实际收益以及成本作为收益，利用收益来进行动态的种子调度，并分配种子的执行次数。实验表明，该方法在漏洞发现数量上有显著提升，在提高覆盖率方面也有一定的提升，说明此收益定义以及种子调度算法能有效选择种子，探索更多的路径以及漏洞。

• 基于均匀线性阵列的超大规模MIMO混合场信道估计算法

  王丹,方杰宁,谢长江,

  超大规模MIMO（extremely large-scale massive MIMO，XL-MIMO）是未来6G通信的关键技术之一。现有的XL-MIMO混合场信道模型大多对均匀线性阵列和单天线用户之间信道建模，且采用散射体最后一跳模型。若收发双端均配备线性阵列，现有的混合场信道估计方案将不再适用。为此，针对收发端均部署超大规模线性阵列的XL-MIMO场景，采用Saleh-Valenzuela模型进行信道建模，并提出了一种基于正交匹配追踪（OMP）的混合场信道估计算法。该算法首先利用角域变换矩阵对远场分量进行估计，然后通过极域变换矩阵估计近场分量。此外，引入克拉美罗-下界（CRLB）对所提算法进行评估。仿真结果表明，提出的混合场估计算法相较于仅考虑远场和近场的估计算法在信道估计性能上有约0.6 dB的提升。

• 多RIS辅助车载通信信号优化及部署规划

  陈发堂,王嘉程,刘祚,

  针对匀变速运动的汽车产生的多普勒扩展和时延扩展以及接收信噪比的问题，提出了一种多智能超表面（RIS）辅助匀变速移动物体通信的方案。与传统信道估计不同的是，使用了信道增益的方法和优化RIS相位以及多目标优化来让移动物体能达到最大接收瞬时信噪比的同时，获得小的多普勒扩展和时延扩展。通过优化后的RIS相位来研究RIS的位置对接收信号的影响，分别研究了RIS之间的距离以及RIS之间距离一定时，RIS摆放在什么位置使得接收信号的信噪比以及时延扩展保持较低的范围，对于这个问题提出了相对运动的理论，且各自提出一种算法解决这两个问题。仿真表明，多RIS辅助的通信系统对车载通信接收信号的功率提升了约10 dB。RIS的部署位置应该让第一个RIS靠近基站并且RIS之间的距离在现实允许的情况下尽可能靠近。由此多RIS的通信方案可以广泛应用于车载通信中。

• 基于子网融合的多智能体系统自组网连通性恢复方法

  何杏宇,余萍萍,杨桂松,

  在受损的多智能体自组网中，在维持现有连通结构的前提下快速恢复全连通极具挑战性。为此，提出一种基于子网融合的多智能体系统自组网连通性恢复方法。首先，该方法设计基于网络故障探测的子网划分算法来确定系统中的故障节点以及子网割裂情况。其次，该方法在子网内部署领航-追随者的主从移动模型，从而维持子网内部的稳定性。最后，该方法设计基于强化学习的子网融合算法，根据建立强化学习模型来进行领航者选举，依据智能体移动距离和智能体能量消耗设计奖励函数，引导子网完成周期性领航者选举的动作，领航者带领追随者移动实现子网之间的融合，从而实现全网连通性恢复。实验结果表明，相比于现有方法，该方法在实现连通恢复时所需的时间平均减少了11.3%，系统所产生的能量消耗平均降低了10.58%，证明该方法在效率和能耗方面更具优势。

• NDP-FD6：一种IPv6网络NDP洪泛行为多分类检测框架

  夏文豪,张连成,郭毅,张宏涛,林斌,

  当前NDP洪泛行为检测研究主要集中于RA和NS洪泛行为的检测，对于NDP协议中其他报文洪泛行为的检测能力不足。此外，传统阈值规则检测方法存在动态性差、准确率低的问题，而基于人工智能的检测方法大多只能进行二分类检测，缺乏多分类检测能力。为此，提出一种针对NDP协议洪泛行为的多分类检测框架，并提出基于时间间隔特征的NDP协议洪泛行为检测方法。通过流量收集、数据处理等过程构建了首个用于NDP洪泛检测的多分类数据集，并对比使用了5种机器学习和5种深度学习算法来训练检测模型。实验结果表明，利用机器学习中XGBoost算法的检测准确率可达99.18%，深度学习中的Transformer算法的检测准确率可达98.45%。与现有检测方法相比准确率更高，同时该检测框架可以检测出NDP协议5种报文的9类洪泛行为，并可对洪泛行为进行多分类划分。

• 理想格上强指定验证者的可截取签名方案

  王宇,陈辉焱,王克,辛红彩,王庆楠,姚云飞,

  现存的大多数可截取签名方案具有公开验证性，但在某些情况下可能会导致签名者的隐私泄露。为提高安全性，并使签名方案具有抗量子性，基于理想格上的ring-SIS问题，结合强指定验证者签名方案，提出一种新型的可截取签名方案。该方案采用均匀采样的异常中止技术，能够抵抗侧信道攻击。同时，证明了该方案的安全性和正确性。相较于其他方案，该方案在安全性、重复次数和签名尺寸等方面都表现出明显的优势。

• 车联网中基于阈值的边缘辅助身份认证方案

  何业锋,张茜,陈鸣欣,梁熙媛,蔡明月,

  车联网中的身份认证方案是解决车联网许多安全和隐私问题的有效途径之一。然而，现有认证方案多数没有关注单点故障问题或者存在信息泄露。针对上述问题，提出了一种车联网中基于阈值的边缘辅助身份认证方案。该方案在保护车辆真实身份信息的前提下，由多个边缘节点协同认证车辆，避免了单点故障问题。同时，在初始合作认证阶段生成令牌用于快速切换认证阶段的身份认证，在不与多个边缘节点交互下实现基于身份认证的快速切换，有效减少了认证延迟。若认证过程中出现异常，云计算中心也可以对恶意车辆进行追踪，还原其真实身份并进行撤销。安全性分析和仿真实验表明，所提方案是安全有效的。最后对提出方案进行了总结，并对未来工作作出展望。

• 基于SM9聚合签名局部可验证算法

  杜健,马利民,

  针对目前SM9签名方案生成的n条消息的签名占用较大存储空间的问题，提出了一种基于SM9算法的聚合签名方案。该方案使得验证多条签名的时间开销相较于原SM9方案有所降低，空间开销约为原SM9方案的66.7%。在此基础上，针对目前聚合签名算法在验证签名时，验证者仅需验证特定消息的正确性，但仍需知道完整消息列表的问题，提出了基于SM9聚合签名局部可验证方案。对于单个用户生成的n条消息的聚合签名S，签名者生成特定消息m的验证提示信息aux，验证者可以在不知道完整的消息列表的情况下，对消息m的签名正确性进行验证。理论与实验分析表明，该方案在给定聚合签名S的情况下，验证特定消息的时间复杂度为O（1）。

• 面向三维流管可视化的各向异性屏幕空间环境光遮蔽算法

  王安澜,李方钏,张严辞,

  屏幕空间环境光遮蔽（AO）算法是一种流行的全局光照技术，此类技术可用于辅助复杂3D流管场景的可视化，以便于更好地理解场景分布特点。对此提出一种屏幕空间各向异性AO方法来实现复杂三维流管场景可视化。其基本思想是利用三维流管的特性设计两个各向异性滤波器，来指导计算流管场景AO时的屏幕空间采样和空间复用步骤。具体而言，这种策略通过各向异性地生成垂直于流管方向的采样点计算AO。该策略可以减少算法在获取满意渲染结果时所需的样本数量。同时为了进一步提高算法性能，提出对邻近像素的AO计算结果进行沿流管方向各向异性空间复用。实验结果表明，该算法在渲染质量和性能上均优于现有的屏幕空间AO算法方案。

• 基于同模型匹配点聚集的图像多匹配模型估计算法

  王伟杰,魏若岩,朱晓庆,

  宽基线或大视角图像间多匹配模型的估计是图像处理中一项非常有挑战性的任务。现有算法虽然能较好估计图像间的多匹配模型及其内点集，但是其结果容易出现匹配对错误分配的问题。为了精确估计图像间的多匹配模型从而分配匹配对，提出一种基于同模型匹配点聚集的图像多匹配模型估计算法（AMPSM）。首先，为提升正确匹配对占比，根据近邻区域内正确匹配对的分布特点对错误匹配对进行过滤；然后，根据匹配点所属不同匹配模型程度查找疑似的多模型的交集点，即干扰点，同时，为了降低干扰点对匹配对分类精度的影响，将其去除；之后，为了提高同模型匹配点的聚集程度，根据抽样过程中同模型内点与其点集重心的距离动态移动位置；最后，通过基于高斯核的Mean Shift算法对聚集后的匹配点分类，进而得到多匹配模型。将所提算法分别与基于经典框架的算法RANSAC、PROSAC、MAGSAC++、GMS、AdaLAM、PEARL、MTC、Sequential RANSAC和基于深度学习的算法SuperGlue、OANet、CLNet、CONSAC等进行比较，结果表明该方法内点率可提高30%以上，多模型估计的错分率可降低8.39%以上，即所提方法在错误匹配对过滤和多模型估计等方面具有显著优势。

• NFP-AST:自然特征保留的任意风格迁移模型

  赵敏,钱雪忠,宋威,

  亲和特征提取和自然融合是实现风格迁移的关键。为此，提出一个新的自然特征保留的任意风格迁移模型NFP-AST。通过可逆残差网络在前向和后向推理中对特征二分处理，保证了提取特征亲和性，减少因提取过程造成的图像重建误差。在自适应空间重构模块ASRM中，先通过全局统计信息匹配内容风格特征，接着在融合特征中插值自适应权重捕获细节无偏融合内容风格特征，使风格过渡自然。定性和定量实验研究结果表明，NFP-AST产生的风格化图像与先进方法相比都取得了较好得分，艺术表达更具有视觉冲击力。

• 残差修正的加权多项式回归色彩特征化算法

  杨晨,廉凯成,徐昊,吴秦,柴志雷,

  在数字印刷领域，精确再现计算机图像的颜色是高质量印刷的前提，其中色彩特征化是关键环节。传统多项式回归模型由于高阶项会放大特征化样本集中的奇异值，导致模型振荡从而影响色彩特征化的准确性。基于神经网络的色彩特征化算法精度较高，但算法复杂度也呈数量级的提高，难以满足工业生产中的效率要求。为解决上述问题，提出残差修正的加权多项式回归算法，采用具有较强抗差能力的Huber损失函数来替代均方误差。通过自适应机制确定各个样本权重，并利用残差值迭代优化得到最佳权重矩阵，从而降低奇异值样本对系统的影响；此外，修正模块捕获第一个模型可能遗漏的非线性情况辅助调整转换结果，进而提高颜色再现准确性。结果表明，该算法与普通多项式回归相比，平均色差降低1.2，与基于深度置信网络的推理算法精度接近，但运行时间比其减少99.37%。

• 多类别形态的未隶定青铜器铭文细粒度识别

  刘可欣,王慧琴,王可,王展,王宏,

  未隶定铭文的识别主要依靠传统卷积网络提供单一的全局特征，却忽略了部位识别和特征学习的关系，导致模型难以充分表达复杂形态的文字构造，进而产生识别误差。针对上述问题，提出了一种姿态对齐的多部位特征细粒度识别模型（MP-CNN）。在第一个阶段，构建空间转换器引导铭文统一字形姿态，辅助模型准确定位文字的鉴别性部位；在第二个阶段，构建级联的ECA（efficient channel attention）注意力机制引导特征通道组合，定位多个独立的鉴别性部位，并通过相互增强的方式细粒化地提取铭文的形态特征，解决复杂形态的文字识别问题；在第三个阶段，构建特征融合层获取识别结果。实验表明，该算法在铭文标准数据集和多类别形态数据集上的识别准确率分别为97.25%和97.18%，相比于传统卷积网络ResNet34分别提升4.63%和8.89%。结果显示，该算法能够有效针对铭文实际形态的独特性，实现未隶定铭文的细粒度识别。