计算机应用研究杂志

计算机应用研究杂志2024年第11期

• 面向社会媒体的立场检测研究综述

  赵小兵,尹召宁,王子豪,张袁硕,陈波,

  随着互联网的不断发展，人们广泛使用微博、推特等社交媒体平台，导致每日涌现出巨量的用户生成内容。针对热点/关注话题，分析这些内容背后用户的态度具有重要意义，可以帮助相关人员决策，因此立场检测任务的目标是根据指定的目标和给定的文本，确定用户对目标的立场（支持/反对/中立）。针对立场检测方面的研究阐述了立场检测任务、应用、相关数据资源和相关方法。在任务方面，除了常规的单/多/跨目标立场检测任务，还梳理了零/少样本立场检测的相关工作；在数据资源方面，对近年来公开的数据资源进行了详细梳理介绍；在方法方面，除了传统机器学习方法、神经网络等方法，还梳理了基于预训练模型的方法。最后对立场检测的发展现状进行了总结阐述，并展望了接下来可能的研究热点。

• 对LoRa网络的攻击与防御技术综述

  刘亚荣,吴雪涛,谢晓兰,

  由于LoRa技术具有通信距离长、功耗低和可扩展性强等优点，LoRa网络已成为低功耗网络（low power wide area network，LPWAN）领域中应用最广泛的技术之一，但其日益增多和丰富的应用场景也给LoRa网络的安全性提出了新的挑战。针对目前有关LoRa网络攻防手段的综述文献缺乏综合性讨论的问题，进行了详细的调研。首先分析了LoRa网络架构，归纳总结了LoRaWAN协议多个版本之间的安全性差异；其次通过对大量文献的研读，分析了针对LoRa网络攻击和防御的相关技术；在此基础上，提出了一种基于生成式AI的抗射频指纹识别机制—GAI-Anti-RFFI；最后对LoRa网络的攻击与防御技术未来可能面临的发展方向进行了分析并提出了展望。

• 基于多维信誉模型的区块链跨链节点信誉评估方法

  邰滢滢,乔煜涵,王妍,

  针对现有跨链系统中的信誉评估方法很难对加入到网络中的节点反映实时或最近的行为变化，提出了一种基于区块链的跨链多维信誉评估方法。该方法综合考虑了企业节点在交易过程中的个体行为、交易历史等，并且提出以推荐码的方式来动态调整初始节点的信誉值，同时加入责任共享机制来构建出多层次、动态的信誉评估模型。最后，在Fabric仿真系统上实现对改进多维信誉模型的性能测试。实验结果表明，该方法在跨链交易系统中可有效解决节点加入系统后可能存在后期欺骗行为，提高了系统的整体安全性和系统交易成功率，增加了用户对系统的信任。

• 区块链动态分片自适应模型

  翟社平,刘佳一腾,杨锐,朱鹏举,

  分片机制是解决区块链吞吐量低和通信复杂度高等性能瓶颈问题的一种途径。然而在现有的分片系统中，分片之间的交易可以并行处理，这样会不可避免地出现频繁的跨分片交易，相比于片内交易，跨分片交易会增加确认时间。当系统中跨分片交易增多时会导致分片系统效率降低。提出了一种动态分片自适应模型，用于提高区块链平台的吞吐率和效率。将通过交易数据相关性动态地将数据拆分到同一个分片，同时将多个高度相关的分片自适应地合并到同一个分片当中。为了验证区块链动态分片自适应模型，使用超级账本对区块链动态分片自适应模型进行实验。实验结果表明所提出的模型可以提升区块链分片系统的可扩展性，同时保证安全性以及一致性问题。

• 改进的超额抵押高吞吐量多路径支付方案

  刘亚,刘雪林,赵逢禹,曲博,

  在链下支付中，多路径支付较单路径支付在成功率和交易时延上存在显著差异。尽管Spear方案通过超额抵押显著提升了多路径支付的性能，但过多的抵押资金锁定可能对网络资金流动性造成重大影响。为解决这一问题，提出了一种改进的超额抵押高吞吐量多路径支付方案，通过最大流算法和逼近理想解排序法优化大额支付的路径选择和资金分配问题。实验结果显示，相较于其他四种经典多路径支付方案，本方案在相同性能下减少了8%~16%的超额抵押资金，有效降低了抵押资金需求，增强了网络资金流动性。

• 基于端到端深度强化学习求解有能力约束的车辆路径问题

  葛斌,田文智,夏晨星,秦望博,

  有能力约束的车辆路径问题（CVRP）是现阶段供应链应用最常见的问题模型，现多采用启发式算法求解。但随着问题规模增大，启发式算法求解速度慢且无法保证解的质量。提出端到端深度强化学习（DRL）网络框架对CVRP进行研究。首先利用边聚合图注意力网络编码器（EGATE）对车辆路径规划问题的图表示进行特征嵌入编码；然后设计多头注意力解码器（MAD）进行解码，并提出多解码策略以增加解的空间多样性；接着利用带回滚基线的基线REINFORCE算法对端到端网络模型进行训练，基线可自适应性更新以提升模型训练效果，并利用奖励函数归一化和Adam优化器对算法进行优化。最后通过对不同规模问题的实验以及与其他算法进行对比，验证了所提出端到端DRL框架的可行性与有效性，经过训练的模型在CVRPLIB公共数据集上的平均求解时间仅需0.189 s即可得到较优解。

• 改进JPS算法融合DWA的多机器人路径规划

  任祥瑞,王正刚,汤俊杨,

  针对传统的跳点搜索（jump point search，JPS）算法在移动机器人路径规划时，存在路径拐点以及中间跳点过多，路径规划时间较长等问题，提出了改进的跳点搜索算法I-JPS。I-JPS算法通过改进代价函数、引入叉积公式，来剔除冗余节点、增加机器人与障碍物之间的安全距离。同时引入了动态窗口法（dynamic window approach，DWA）作局部路径规划，用于机器人临时避障和路径平滑化，并通过改进DWA提高多机器人之间的避障优先级。最后引入了多机器人协同路径规划，多机器人可以共同合作并完成复杂的任务，机器人之间还可以共享信息、协调行动，并通过分工合作来解决问题，提高任务的完成效率。最后，实验仿真结果表明改进后的算法相较于改进前的，在各方面都得到了极大的提升。

• 考虑订单拆分策略的AGV拣选效率优化方法

  张艳菊,杨庆港,吴俊,吴一玄,李雨扬,

  为提高智能仓库系统中AGV的拣选效率，针对AGV订单拣选优化问题分为AGV-货架任务分配、多AGV无冲突路径规划两个子问题进行研究，根据订单特点引入订单拆分策略，并以最小化AGV完成所有订单的总时间为目标构建数学模型。首先，设计了确定货架优先级的AGV-货架任务分配算法（AGV-shelf task allocation algorithm，ASTA）求解匹配问题。然后，提出一种带有贪婪参数并嵌入冲突消解策略的改进Q-Learning算法，得到拆分策略下最优无冲突拣选路径方案。最后，通过在40 m×40 m仓库布局中的订单集数值实验对比分析，所提算法与现有的两种算法对比结果显示，AGV完成所有订单的总时间分别平均减少11.63%和26.74%，验证了拆分策略的有效性，并且通过AGV使用数量、完成订单时间和路径冲突等待时间占比三个指标的对比验证了拆分策略和所提算法能有效缓解拥堵情况，减少行驶路径长度，提高拣选效率。此外，针对AGV数量灵敏度分析，在不同数量的AGV对行驶时间和路径冲突等待时间的影响方面，发现19台AGV数量是最佳配置，验证了模型的可行性和算法的有效性。

• 练习嵌入和学习遗忘特征增强的知识追踪模型

  张维,李志新,龚中伟,罗佩华,宋玲玲,

  现有知识追踪模型大多以概念为中心评估学生的未来表现，忽略了包含相同概念的练习之间的差异，从而影响模型的预测准确性。此外，在构建学生知识状态过程中，现有模型未能充分利用学生在答题过程中的学习遗忘特征，导致对学生知识状态的刻画不够精确。针对以上问题，提出了一种练习嵌入和学习遗忘特征增强的知识追踪模型（exercise embeddings and learning-forgetting features boosted knowledge tracing，ELFBKT）。该模型利用练习概念二部图中的显性关系，深入计算二部图中的隐性关系，构建了一个练习概念异构关系图。为充分利用异构图中的丰富关系信息，ELFBKT模型引入了关系图卷积网络。通过该网络的处理，模型能够增强练习嵌入的质量，并以练习为中心更准确地预测学生的未来表现。此外，ELFBKT充分利用多种学习遗忘特征，构建了两个门控机制，分别针对学生的学习行为和遗忘行为进行建模，更精确地刻画学生的知识状态。在两个真实世界数据集上进行实验，结果表明ELFBKT在知识追踪任务上的性能优于其他模型。

• MDKT：融入多维问题难度的自适应知识追踪模型

  李浩君,钟友春,

  知识追踪旨在评估学习者的知识掌握状态，然而已有研究表明，问题难度与知识掌握状态密切相关。忽略问题难度的知识追踪模型难以有效评估学习者的实际状态。为了解决上述问题，提出了融入多维问题难度的自适应知识追踪模型（multi-dimensional knowledge tracing，MDKT）。该模型采用BERT与CNN对题目文本进行语义难度提取，并结合问题难度、概念难度和认知难度，形成多维问题难度表征；通过构建自适应学习模块，个性化地捕捉学习者与增强练习难度之间的交互；在预测学习者未来表现过程中，引入Transformer的多头注意力机制，以关注不同部分预测状态的重要程度。在实验阶段，与七个知识追踪模型在两个真实数据集的性能对比实验中，AUC、ACC性能分别提升了3.99%~12.06%和3.63%~11.15%，实验结果表明，所提模型在性能方面更加出色。在应用方面，将该模型和知识点网络图相结合，能准确挖掘出学习者的薄弱知识点，证明了所提模型在实际教学中的可行性。

• 基于潜在空间生成器的联邦知识蒸馏

  王虎,王晓峰,李可,

  用户的异质性对联邦学习（FL）构成了显著挑战，这可能导致全局模型偏移和收敛速度缓慢。针对此问题，提出一种结合知识蒸馏和潜在空间生成器的联邦学习方法（FedLSG）。该方法通过中央服务器学习一个搭载潜在空间生成器的生成模型，该模型能够提取并模拟不同用户端样本标签的概率分布，从而生成更加丰富和多样的伪样本来指导用户端模型的训练。这种方法旨在有效解决FL中的用户异质性问题。通过理论分析和实验验证，展示了与现有FedGen方法相比，FedLSG普遍比FedGen的测试精度高出1%左右，前20轮的通信效率优于FedGen，同时还能提供一定程度的用户隐私保护。

• 基于多层级注意力机制和动态阈值的远程监督关系抽取

  赵红燕,张莹刚,谢斌红,

  远程监督关系抽取面临着数据质量的问题，即生成的数据集存在多类噪声，包括噪声词、噪声句和噪声包。现有研究主要集中在噪声句方面，忽略了其他噪声的影响，无法彻底消除噪声。为此，提出一种基于多层级注意力机制和动态阈值的远程监督关系抽取模型（MADT）。该模型首先采用预训练语言模型获取实体对语义表示，再通过双向门控循环单元和自注意力机制获得蕴涵关键词信息的语义特征，然后结合句子深层上下文表示依次处理三种噪声问题。此外，还提出一种动态阈值方法进一步剔除噪声句，增强正例句对包表示的贡献，并采用基于语义相似性的注意力机制降低噪声包的影响。在NYT10d和NYT10m数据集上的实验表明，MADT模型能够解决远程监督关系抽取中各个层面的噪声，有效提升关系的抽取性能。

• 基于句法依存和注意力机制的多特征多重融合情感分类模型

  夏家莉,余子恺,邓庆山,刘德喜,彭文忠,罗文军,

  针对现有的深度学习模型难以提取在线评论的丰富语义信息，从而难以准确提取文本情感的问题，提出了一种基于句法依存关系和注意力机制的多特征多重融合情感分类模型MF-SDAM（multi-feature multiple fusion sentiment classification model based on syntactic dependency and attention mechanism）。该模型首先利用句法依存关系提取在线评论的属性-观点对信息，然后利用动态词嵌入模型BERT获取文本的动态特征向量表示；接着，基于双通道的特征提取策略，分别利用卷积神经网络（TextCNN）和融入注意力机制的双向长短期记忆网络（Att-BiLSTM）提取文本的局部和全局语义特征，为进一步提取特征的全局语义信息，将文本特征与Att-BiLSTM的输出特征进行拼接，并结合注意力机制对情感特征进行加权；最后，基于多融合方式互补的特征融合策略对局部语义特征和全局语义特征进行特征融合，减少关键信息丢失的问题。选取外卖、酒店领域的三个真实公开的在线评论数据集进行效果验证，实验结果表明，MF-SDAM针对在线评论情感分类任务的性能表现优异，其准确率和F1值在大多数情况下都优于10个基准模型，且对于不平衡数据集具有较好的鲁棒性。

• 融合距离阈值和双向TCN的时空注意力行人轨迹预测模型

  王红霞,聂振凯,钟强,

  为解决因缺乏部分行人建模思想、缺少时间维度的全局视野和忽略行人交互模式多样性，而导致交互建模不充分、低预测精度等问题，提出基于Social-STGCNN（social spatio-temporal graph convolutional neural network）的改进模型STG-DTBTA（spatio-temporal graph distance threshold Bi-TCN attention）。首先，构建PPM（partial pedestrian module）模块，对不满足距离阈值等约束条件的行人交互连接剪枝以去噪。其次，引入时空注意力机制，空间注意力动态分配交互权重，并设置多个注意力头以处理交互多样性问题；时间注意力捕捉时序数据的时间依赖关系。最后，采用双向TCN增加全局视野以捕捉轨迹数据中的动态模式和趋势，并采用门控机制融合双向特征。在ETH和UCY数据集上的实验结果表明，与Social-STGCNN相比，STG-DTBTA在维持参数量与推理时间接近的情况下，ADE平均降低8%，FDE平均降低16%。STG-DTBTA具有良好的交互建模能力、模型性能和预测效果。

• 智慧楼宇环境下基于数据压缩和改进灰狼算法的边缘计算卸载方法

  沈政,卢先领,

  智慧楼宇的边缘计算环境中，为了在资源受限且环境复杂的情况下最小化系统的整体时延和能耗，提出了一种结合数据压缩和改进灰狼算法（CLGWO）的边缘计算卸载方法。该方法首先采用差分字典编码压缩技术对数据进行压缩，预估数据压缩率及其产生的开销；随后引入莱维飞行算法和螺旋渐近狩猎方式对灰狼算法进行改进，以增强其全局搜索能力；最后结合预估压缩效果和改进灰狼算法求得最佳卸载方案。实验结果表明，CLGWO方法能够显著降低计算任务卸载的整体延迟和能耗，证实了该方法的有效性和可行性，为楼宇中边缘计算卸载问题提供了一种新的解决方案。

• 融合差分教学优化的粗糙集属性约简算法

  周婉婷,郑颖春,魏博涛,

  针对传统粗糙集理论在属性约简中存在计算复杂度高、易陷入局部最优解等问题，结合差分教学优化算法的全局搜索能力和粗糙集在处理不精确和不确定数据方面的优势，提出融合差分教学优化的粗糙集属性约简算法（rough set attribute reduction algorithm based on differential teaching-learning optimization，AR-DTLBO）。首先，引入自适应教学因子和差分变异策略对教学优化算法进行改进，提高算法的搜索能力和优化性能；其次，通过改进后的教学优化算法“教”和“学”两个阶段对属性约简过程进行优化，降低了数据集的维度和复杂性；最后，在UCI数据库中的8个数据集上将所提算法和其他六种算法进行对比实验。实验结果表明，该算法在约简长度、约简时间、约简率和分类精度上均取得了良好的效果，实现了对数据集的有效约简和优化，能够有效减少冗余信息并提高决策规则的准确性，为决策分析和数据挖掘等领域提供了有效支撑。

• 基于部分参考匹配集合的混合遗传算法解决本体匹配问题

  乔钰博,吕青,许诏云,

  不同本体之间的异构问题成为各种应用之间实现更智能化、高效的知识共享和通信的障碍。本体匹配是解决上述问题的有效方法。为了获取高质量匹配结果，提出了基于部分参考匹配结果（partial reference alignment，PRA）的混合遗传算法，该方法采用分层选择方法解决传统PRA构建过程中的语义丢失问题，并提出了一种新的适应度函数进一步充分利用PRA中的潜在信息，从另一个角度解决语义丢失问题。此外，该算法结合了遗传算法（GA）和随机爬山算法两种方法，以在全局和局部范围内寻找最优的本体匹配方案。实验结果表明，该算法在不同的本体匹配任务中均能有效地获得高质量的匹配结果，并且和其他前沿的方法比较也有出色的表现。

• 基于数据增强和扩张卷积的ICD编码分类

  闫婧,赵迪,孟佳娜,林鸿飞,

  针对ICD编码分类任务存在的标签分布不平衡、临床记录文本过长和标签空间庞大等问题，提出一种基于数据增强和扩张卷积的ICD编码分类方法。首先，引入预训练模型BioLinkBERT，在生物医学领域采用无监督学习方式进行训练，以缓解域不匹配问题；其次，运用Mixup数据增强技术扩充隐藏表示，从而增加数据多样性及提升模型分类的鲁棒性，解决标签分布不平衡问题；最后，利用多粒度扩张卷积有效捕获文本数据中的长距离依赖关系，避免因输入文本过长影响模型效果。实验结果表明，该模型在MIMIC-Ⅲ数据集的两个子集上与多种方法进行比较，相较于基准模型的F1值和precision@k值分别提升0.4%~1.5%和1.2%~1.6%。因此，本研究为解决ICD编码分类中的挑战提供有效的解决方案。

• 基于改进双重深度Q网络主动学习语义分割模型

  李林,刘政,南海,张泽崴,魏晔,

  针对在图像语义分割任务中获取像素标签困难和分割数据集类别不平衡的问题，提出了一种基于改进双重深度Q网络的主动学习语义分割模型CG_D3QN。引入了一种结合决斗网络结构以及门控循环单元的混合网络结构，通过减轻Q值过估计问题和有效地利用历史状态信息，提高了策略评估的准确性和计算效率。在CamVid和Cityscapes数据集上，该模型相较于基线方法，所需的样本标注量减少了65.0%，同时对于少样本标签的类别，其平均交并比提升了约1%~3%。实验结果表明，该模型能够显著减少样本标注成本并有效地缓解了类别不平衡问题，且对于不同的分割网络也具有适用性。

• 面向无监督特征提取的结构化图嵌入

  袁凤燕,尹学松,王毅刚,

  特征提取是处理高维数据的最有效工具之一。然而，当前特征提取方法存在两个问题：一是它们没有同时捕捉数据的局部和全局结构；二是构建的图脱离数据的聚类数，没有与聚类相同的连通分量。为了解决这些问题，提出了面向无监督特征提取的结构化图嵌入方法（structured graph embedding，SGE）。通过构建数据表征的K近邻和使用最小二乘回归，SGE能够同时保持数据的局部与全局相关结构。而且，SGE对表征图的拉普拉斯矩阵施加秩约束，使构建的最优图具有与c个聚类一致的c个连通分量，从而能揭示数据的聚类结构。因此，SGE能够找到更有判别力的投影。在多个真实数据集的实验表明，SGE优于其他主流降维方法。特别是在PIE数据集上，SGE的聚类精度比LRPP_GRR的聚类精度高出18.7%。这些结果表明SGE方法可以有效降低数据维数。

• 基于合作博弈和强化学习的优先信号控制方法

  秦浩,张维石,

  针对智能交通系统优先信号控制效率低问题，提出一种基于合作博弈与强化学习混合决策的八相位优先信号控制方法CBQL-TSP。该方法将公交信号优先权分配抽象成一个八相位信号时序的多目标决策问题，将信号相序细化为优先相位与非优相位，构建合作博弈模型。提出一种混合决策算法CBQL，解决八相位信号时序的多目标决策问题，通过求解夏普利值函数获取博弈各成员边缘贡献，根据夏普利值比构建状态转移概率方程。与常见控制方法相比，CBQL-TSP具有合作博弈的公平性原则和Q-learning的适应性学习能力，能够根据实时交通状况动态调整信号时序，在优先信号控制上具有更高的灵活性和效率。建立仿真测试平台，比较不同需求量下系统平均等待车数和平均通行时间，评估方法的稳定性和效率。实验结果表明，提出方法具有更高的稳定性，并且整体平均通行时间减少了约24.57%，公交平均通行时间减少约37.40%。CBQL-TSP在公交优先路口具有更高的控制效率，可显著减少整体和公交平均通行时间。

• 多角度语义标签引导的自监督多视图聚类

  柳源,安俊秀,杨林旺,

  多视图聚类旨在从多个角度挖掘对象的特征信息，以获得精准的聚类结果。然而，现有研究往往无法妥善处理视图融合时产生的信息冲突，并且对多视图之间的互补信息利用不够充分。为解决这些问题，提出了一种由多角度语义标签引导的自监督多视图聚类模型。该模型首先将各视图的潜在表示映射到独立的低维特征空间，在一个空间中专注于优化视图间的一致性，以维护特征空间的局部结构和样本间的相对关系；同时，在另一空间中直接从视图层面提取聚类信息，以捕获更丰富多样的语义特征；最后，利用多个角度语义特征生成的伪标签，引导对象层面的聚类分配，实现两种表示的协同优化。大量实验结果表明，该方法能够全面挖掘多视图数据中的公共信息与互补信息，并展现出良好的聚类性能。此外，相较于其他方法，该方法在视图数量较多的场景更具优势。

• 改进的分布估计鲸鱼算法求解区块链DAG任务调度问题

  徐俊,彭俊丰,汤庸,王记红,蔡伟珊,

  为了克服区块链单链技术效率低的问题，一种新的范式有向无环图正在蓬勃发展。针对区块链有向无环图中考虑代价权重的非独立任务调度问题，构建了区块链DAG的任务调度数学模型，并为了求解该问题提出了一种基于改进分布估计鲸鱼的新任务调度算法。新算法在WOA中引入EDA的空间采样和统计学习来预测搜索的最佳区域，进而产生优秀的新个体，从而使得新算法具备更强的全局搜索能力和更快的收敛速度。最后通过程序仿真，对比了多种算法在收敛速度和全局寻优能力方面的性能。实验表明IEWOA比传统的WOA和EDA在以上参数性能有明显优势，相比于改进遗传算法FPGA，IEWOA同样在参数性能上有一定的优势。

• 基于多尺度距离矩阵的语音关键词检测与细粒度定位方法

  李祥瑞,毛启容,

  针对现有语音关键词检测方法定位精度低的问题，提出了一种基于多尺度距离矩阵的语音关键词检测与细粒度定位方法（spoken term detection and fine-grained localization method based on multi-scale distance matrices，MF-STD）。该方法首先利用残差卷积网络提取特征并构建距离矩阵以建模输入之间的相关性；其次通过多尺度分割和解耦头学习不同尺度下的定位信息；最后根据多尺度加权定位损失、置信度损失和分类损失优化模型，实现对关键词存在性和时域边界的细粒度预测。在LibriSpeech数据集上的实验结果表明，MF-STD在集内词的检测中，精准率和交并比分别达到97.1%和88.6%；在集外词的检测中，精准率和交并比分别达到96.7%和88.2%。与现有的语音关键词检测与定位方法相比，MF-STD的检测准确率和定位精度显著提升，充分证明该方法的先进性，也证明了多尺度特征建模与细粒度定位约束在语音关键词检测任务中的有效性。

• 基于SAT问题实例特性的端到端SAT求解模型

  龙峥嵘,李金龙,梁永濠,

  当前基于神经网络的端到端SAT求解模型在各类SAT问题求解上展现了巨大潜力。然而SAT问题难以容忍误差存在，神经网络模型无法保证不产生预测误差。为利用SAT问题实例特性来减少模型预测误差，提出了错误偏好变量嵌入架构（architecture of embedding error-preference variables，AEEV）。该架构包含错误偏好变量嵌入调整算法和动态部分标签训练模式。首先，为利用参与越多未满足子句的变量越可能被错误分类这一特性，提出了错误偏好变量嵌入调整算法，在消息传递过程中根据变量参与的未满足子句个数来调整其嵌入。此外，提出了动态部分标签监督训练模式，该模式利用了SAT问题实例的变量赋值之间存在复杂依赖关系这一特性，避免为全部变量提供标签，仅为错误偏好变量提供一组来自真实解的标签，保持其他变量标签为预测值不变，以在训练过程管理一个更小的搜索空间。最后，在3-SAT、k-SAT、k-Coloring、3-Clique、SHA-1原像攻击以及收集的SAT竞赛数据集上进行了实验验证。结果表明，相较于目前较先进的基于神经网络的端到端求解模型QuerySAT，AEEV在包含600个变量的k-SAT数据集上准确率提升了45.81%。

• 基于GT模型的多编码下一个兴趣点推荐模型

  王永贵,张小锐,

  下一个兴趣点推荐是推荐算法领域的热点，旨在为用户推荐适合的下一地点。较新的研究通过图和序列方法模拟用户与POI的交互以及POI之间转换关系，性能得到显著提升。然而，现有模型仍然存在需要解决的问题。针对现有的下一个兴趣点推荐模型的局限性，特别是如何充分捕捉User-POI交互图上全局和局部信息，以及缓解图神经网络的过平滑特性导致图上信息丢失的问题，提出了基于graph Transformer的多编码模型 （multi-coding network based on GT model）对下一个兴趣点进行推荐。首先，从位置和结构的视角上联合对user-POI交互图上进行全局、局部以及相对信息进行编码；然后，将编码后生成的图嵌入通过graph Transformer网络层更新图上节点与边信息；最后通过MLP网络层生成预测；最终，MCGT在Gowalla和TKY两个公开数据集进行对比实验。结果表明，在Gowalla 数据集上recall和NDCG指标至少有3.79%的提升，在TKY数据集上recall和NDCG指标至少有2.5%的提升，证明了MCGT设计的合理性与有效性。

• 自适应秩约束逆矩阵近似分解及其在语音增强中的应用

  王强进,吴占涛,李宝庆,杨宇,

  针对低秩约束和稀疏矩阵分解（constrained low-rank and sparse matrix decomposition，CLSMD）方法中硬阈值可能导致降噪后的语音信号分量丢失或出现孤立噪声问题，提出了一种自适应秩约束逆矩阵近似（adaptive rank constrained inverse matrix approximation，ARCIMA）分解方法。该方法首先采用能量阈值法初步估计低秩矩阵秩值，然后从语音信号子空间矩阵的结构特性出发，采用修正双边随机投影（modified bilateral random projections，MBRP）方法求解代表纯净语音信号的低秩矩阵，降低使用SVD方法的计算量，并通过Tikhonov正则化优化方法改善迭代求解过程中解的病态性。实验结果表明，该方法相比经典方法在多种噪声环境下取得了更好的PESQ得分，并且增强语音的时域波形也更接近原始信号的波形。该方法去噪性能在低信噪比噪声条件下具有优势。

• 基于多层次随机梯度下降的大规模图布局算法

  周颖鑫,李学俊,吴亚东,张红英,王娇,张秋梅,王桂娟,

  大规模图布局问题是图可视化领域研究热点之一。应力布局模型在保持全局布局结构方面表现出色，然而其求解速度却不及弹簧电荷模型，且局部布局质量也有所欠缺。在维持全局结构稳定条件下，为提高应力模型求解大规模图时的布局速度、改进布局局部结构表达，提出了一个新的多层次随机梯度下降图布局模型。首先利用基于邻居结构的图压缩合并算法生成层次图结构，再使用节点最优放置算法初始化节点坐标。最后利用融合了节点正负样本的随机梯度下降算法细化布局，改进局部布局质量。同时多层次方法也有效提高了布局速度。在30个不同规模的数据集上与现有布局模型进行对比实验，从布局计算效率、布局质量以及可视化效果三个方面证明了该方法的有效性。

• 基于二维动态元胞自动机的伪随机耦合映像格系统及其动态特性

  马英杰,洪辉,张磊,刘亚奇,

  针对时空混沌系统中遇到的混沌强度不足等问题，提出了一种基于二维动态元胞自动机的伪随机耦合映射格系统方案。基于初等元胞自动机，设计了二维动态元胞自动机，通过变换其迭代次数，动态选取迭代规则和方向，实现状态的多样性更新，从而增强了元胞的伪随机特性。在每次元胞状态更新时，根据格子所对应元胞的行和列位置动态生成耦合索引值，并利用索引值对混沌序列施加扰动提升序列的随机性，降低了格子之间的相关性。对系统动力学特性进行分析，发现其有较强的混沌特性和随机性，能够有效延长系统的周期，增强遍历性。最后，利用SHA-256运算生成混沌系统初始化参数，结合系统的输出序列和DNA编码设计出一种图像加密算法，并对该算法进行信息熵等性能分析。实验结果表明，该算法加密结果拥有较好的统计特性和安全性，在图像加密领域有较好的应用前景。

• 基于小波重构-Autoformer的无人机融合空域饱和流量预测

  乔英聪,马昕,陈相佐,马熊,

  为实现融合空域无人机的饱和流量预测，提出了一种基于小波重构-Autoformer（WR-Autoformer）的无人机饱和流量预测方法。首先使用小波变换分解交通流量数据，以减弱噪声的影响，凸显数据特征；然后利用Autoformer模型的深度分解机制与自相关机制进行基础预测；考虑影响饱和流量的关键因素引入了三个无人机流量校正系数；最后结合无人机饱和流量计算方法输出无人机融合空域的饱和流量预测。经过验证，WRAutoformer模型在48 h和96 h的预测中，平均绝对误差和均方误差都有13%~48%的降低，预测的饱和流量相比现状提高了36%~38%。实验结果证明所提模型可以实现准确预测与无人机融合空域饱和流量的提升，同时无人机纵向间隔满足了A类航空器的安全要求。

• 基于均匀扫描和专注引导策略的自主探索算法

  申伟霖,陈荟慧,关柏良,王爱国,杨健茂,

  为解决机器人难以快速探索含有狭窄入口的未知环境，以及在探索收益接近的目标之间徘徊探索而导致探索效率降低的问题，提出一种包含均匀扫描和专注引导策略的自主探索算法USAGE。USAGE采用均匀扫描的方式检测地图的边界点，并对边界点进行聚类得到待探索点。最后通过专注引导策略确定最优探索目标，在含有信息增益和路径代价的传统评价函数中引入转向代价评估指标，并根据机器人的状态约束探索任务执行，引导机器人专注探索。通过在机器人操作系统搭建仿真环境进行验证，实验结果表明，与基于快速探索随机树（rapidly-exploring random tree，RRT）的探索算法相比，USAGE占用系统内存减少了11.34%以上，在探索耗时和探索距离方面分别减小了26.90%和31.94%，提升了自主探索效率。

• 基于知识回放的即时软件缺陷预测增量模型

  张文静,李勇,王越,

  即时软件缺陷预测技术可以实现细粒度代码变更的即时缺陷预测，对于提高软件代码质量和保证软件可靠性具有重要意义。传统静态软件缺陷预测模型在处理即时软件数据流时会存在“知识遗忘”的情况，从而导致模型泛化性能较差的问题。为此，提出一种基于知识回放的即时软件缺陷预测增量模型方法。首先，通过知识回放机制存储模型参数和随机样本，实现对旧知识的学习；其次，使用分布式训练框架在本地设备上对即时软件数据流进行增量学习，通过重构实现模型的即时更新；最后采用知识蒸馏技术，构建全局增量预测模型。实验表明，该模型与常见模型算法相比，在保证训练效率的前提下，模型的综合性能表现较优。

• 通信受限下基于注意力的多智能体协同算法

  杨桂松,魏满舟,

  受限于现实场景中有限的通信资源，现有的多智能体算法在实际应用时面临诸多挑战，如带宽受限、通信噪声等。为了提升多智能体系统在通信受限环境中的协同性能，提出了一种创新的多智能体协同算法。该算法在设计过程中，针对通信对象、通信内容和通信时间三个方面分别进行优化，旨在降低带宽消耗，提升系统协同性能。首先，该算法引入了一种可扩展多维信息编码融合模块，该模块具备卓越的信息提取与融合能力。通过编码多维度信息，该模块能够有效提取智能体感知等信息，以及智能体之间的通信信息，并在融合过程中实现信息的互补，从而提升协同决策的准确性和效率。其次，该算法包含了一种门控通信决策模块，该模块具备自适应的信息通信和决策能力，能够根据通信信息价值决定是否进行通信。实验结果表明，与对比算法相比，提出算法在协同导航和协同巡检等场景下均展现出了更出色的协同性能。此外，该算法还显著减少了智能体间通信信息量，进一步提高了在复杂环境中的适应性。

• NOMA-MEC网络中基于优先级的多任务卸载策略

  赵晓焱,贾立滨,张俊娜,李海文,袁培燕,

  针对NOMA-MEC网络中多任务卸载引起的资源分配不均、卸载成本过高等问题，考虑任务的异构性和网络环境的动态时变性，以最小化平均卸载成本为目标，面向超密集异构边缘网络提出了一种结合任务优先级的部分卸载策略。首先，充分利用资源，使用二分法模型化卸载比例的封闭解，将卸载问题解耦为任务优先级划分和基于服务器的信道资源分配两个子问题；然后，针对异构的任务，构建多维度任务优先级分类准则，提出了一种基于层次分析的支持向量机（analytic hierarchy-support vector machine，AH-SVM） 任务分类方法，通过为不同的任务特征进行权重赋值，实现多任务优先级划分；最后，考虑动态环境下的信道质量，提出了一种面向信道资源分配和最佳卸载位置的NOMA信道增益深度双Q网络（NOMA channel gain deep double Q network，NCG-DDQN）任务卸载算法，有效降低了用户的平均卸载成本。实验结果表明，该算法在任务分类准确率和平均卸载成本方面较其他算法性能均有提升，同时验证了所提算法在高低优先级任务卸载过程中命中率的有效性。

• 卫星物联网中面向多类型任务的计算卸载策略

  杨桂松,李相霏,何杏宇,

  边缘计算与卫星物联网相融合，可以将本地物联网设备产生的任务在靠近边缘端进行处理，极大地缓解了本地物联网设备的计算压力。然而，鉴于卫星物联网中计算任务具有多样性，由于任务特性不同需求也不同，针对每一种任务类型部署一套计算卸载策略会导致计算资源的浪费。此外，由于卫星物联网中计算任务产生具有随机性，如果仅考虑系统短期优化会导致计算设备的计算资源利用不足，进一步导致任务处理时延的增加。为解决上述问题，提出了一种基于 DQN（deep Q-network） 多类型任务计算卸载策略，该策略引入排队论以最小化长期系统任务处理平均时延，并且为提升模型训练结果，在训练阶段重新设计了探索机制。最后，大量仿真结果表明，与其他卸载策略相比，所提策略能有效降低系统任务处理的平均时延。

• 基于双注意力机制和改进对抗训练的漏洞分类方法

  杨尽能,李汶珊,何俊江,周绍鸿,李涛,王运鹏,

  漏洞报告在网络安全中发挥着重要作用，大量且不断增加的漏洞对漏洞分类的效率和准确性提出了巨大挑战。为了缓解漏洞分类深度学习模型无法关注重要特征和容易陷入过拟合的问题，提出了一种新颖的基于双注意力机制和改进对抗训练的漏洞分类方法。首先，提出TextCNN-DA（text convolutional neural network with double attention） 模型，将空间注意力和通道注意力机制与 TextCNN 结合，以更好地关注到重要特征。然后，提出SWV-FGM （single word vector-fast gradient method） 算法，对模型进行对抗训练，进而提高模型的鲁棒性和泛化性。在漏洞数据集上与其他基线算法进行了对比，并且对不同漏洞类型数据的表现进行了具体分析，该方法在accuracy、macro-F1等多项指标上都有更良好的表现，能够更好地完成漏洞分类任务。

• 基于多目标支配分析和路径动态修剪优化的定向模糊测试技术

  李泽源,尹中旭,宗国笑,桑海涯,

  当前定向模糊测试技术的平均距离模型在多目标测试中缺乏对逐个目标的指向性，在导向同一目标时路径多样化不强，且未根据不同目标的覆盖程度动态调整距离度量，导致多目标测试不均衡和效率降低，难以在结合静态分析告警等多目标环境中开展漏洞挖掘。针对以上问题，提出了一种多目标定向探索的模糊测试技术MTDFuzz，识别待遍历多目标的支配节点，利用基于多目标支配分析的测试用例优选，通过支配节点覆盖评分激励机制引导生成能够覆盖支配节点和目标的测试用例，实现在限定关键覆盖要素的前提下，对目标路径的多样化和指向性探索；根据目标的覆盖状态进行路径动态修剪优化，已被充分测试的路径和目标不参与距离信息反馈，通过剪枝和全局支配节点修正动态调整支配节点和目标基本块评分，利用支配节点覆盖度优化种子调度策略，实现对多目标测试资源的有效分配。实验结果表明：与常用的定向模糊测试工具对比，多目标下MTDFuzz的平均漏洞发现时间缩短了57.6%，且在Glibc、FFmpeg等4个开源程序中发现了12个未公开漏洞，显著提高了定向模糊测试的多目标探索能力和漏洞挖掘效率。

• SDN中面向流表溢出攻击检测的网络遥测调度方法

  邓笛,崔允贺,申国伟,郭春,陈意,钱清,

  针对基于固定周期或特定事件调度的网络遥测在流表溢出攻击检测中产生的数据冗余问题，提出了一种面向流表溢出攻击检测的网络遥测调度方法——F-Sense INT。F-Sense INT通过分析流表溢出攻击流的特征，在数据平面针对性地收集对用于流表溢出攻击检测的网络状态信息，在降低控制器资源及南向通道带宽占用的前提下减少遥测报告量。实验结果表明，与原生OVS系统相比，在仅增加1.13%的交换机CPU占用率和4.18%的内存占用率的情况下，F-Sense INT能有效地过滤网络中的非流表溢出攻击流，使遥测数据包数量减少。F-Sense INT显著提升了面向流表溢出攻击检测的网络遥测效率，同时也具备了较高的实用性。

• 一种基于两级K-异步联邦学习的隐私保护入侵检测方案

  陈力夺,温蜜,张研博,

  5G的广泛应用导致物联网的设备和流量激增，降低了物联网入侵检测系统的效率和可靠性。目前的入侵检测系统主要使用同步的分布式深度学习方法，难以应用到现实的分布式异步场景中。另外，在分布式的训练过程中也可能遭遇推断攻击。针对以上问题，提出了一种基于两级K-异步联邦学习的隐私保护入侵检测方案，通过在模型训练的不同阶段使用对应算法，提高异步入侵检测模型训练的收敛性和准确率，并设计了一种梯度屏蔽算法防止系统异步训练过程中的推断攻击。实验结果表明，在强异构场景下，该方案在两个入侵检测数据集上训练的准确率可以分别提高11.8%和9.8%，为提高物联网场景下入侵检测系统的效率、可靠性和安全性提供了一种有效方案。

• 基于跨尺度Vision Transformer的深度哈希算法

  姚佩昀,于炯,李雪,李梓杨,陈鹏程,

  为了解决当前深度哈希算法提取跨尺度特征能力不足以及难以拟合数据的全局相似度分布问题，提出了一种基于跨尺度Vision Transformer的深度哈希算法。首先，利用金字塔卷积和跨尺度注意力机制构建了一种多层次编码器，来捕获图像丰富的语义信息；其次，提出了一种基于代理的深度哈希算法，该算法为每个类别生成哈希代理，使得哈希码可以学习具有鉴别性的类别特征，从而缩小与同类别哈希代理的距离并拟合数据全局相似性分布；最后，在哈希代理与哈希码之间添加角度边距项，扩大类内相似性和类间差异性，以生成具有高判别性的哈希码。通过在CIFAR-10、ImageNet-100、NUS-Wide、MS COCO上进行的实验结果表明，该算法的平均检索精度比次优方法分别提升4.42%、19.61%、0.35%、15.03%，验证了该算法的有效性。

• TRNet:基于遥感影像的三通道区域增强变化检测网络

  石卫超,宋宝贵,管宗胜,秦道龙,邵攀,

  遥感影像变化检测任务是遥感领域的研究重心之一，目前大多为深度学习方法，主要采用单通道或孪生网络提取特征，能够较为有效地提取变化特征。但是随着遥感影像分辨率的不断升高，单一化的特征提取方式易受无关细节信息的影响，从而导致检测结果中变化和未变化区域分割能力不足。为此，提出一种全新的三通道区域增强变化检测网络，从多个角度增强特征提取能力。首先构建了三通道区域增强编码器，利用三个特征提取通道定向提取相似性信息、全面性信息和差异性信息，并且在编码器每个层级使用区域分离增强模块，能够将通道1和3增强通道2，有利于取得更好的变化区域分割效果；其次设计了层级交互指导融合解码器，通过高层级特征和低层级特征之间的交互指导，实现不同层级特征间的有效融合；最后使用基于信息熵的自适应权重来优化损失函数，通过给高熵区域更多的关注，来改善网络模型的训练过程。在常用数据集上的实验结果表明，与对比网络相比，所提网络能够取得更优的检测精度。

• 融合物理信息的多材料模拟学习模型

  窦可为,朱鉴,陈炳丰,蔡瑞初,

  物理动画（PBA）的目的是通过初始帧信息迭代生成多帧物理现象动画。而现有的基于深度学习的材料模拟模型基本采用编解码器来提高模型的拟合能力，没有充分利用材料本身的物理信息，导致模拟的效率和精度较差。针对该问题，提出了融合物理信息的多材料模拟学习模型（PILMMS）。该模型将整个流程按物理概念分为内部力、外部力和边界处理等多个功能模块。根据对应的物理相关概念和机制对功能模块进行设计，让每个模块通过输入特征融合对应物理信息。而基于卷积网络实现的各个模块能充分利用局部区域信息。此外，卷积模块引入了维度拓宽和缩减。在压缩信息的同时，也保证信息的精度。该模型分别被用于学习液体、沙子、雪等材料，并生成对应结果。经实验验证，该模型具有较强的信息提取能力，并在客观评价指标上都优于现有模型。

• 区域时间变化学习的行为识别

  杨兴明,徐浩,汪智文,高旭杰,吴克伟,谢昭,

  针对现有的行为识别方法缺少对视频帧中区域级特征的学习，造成识别过程中对相似的行为类别混淆的问题，提出一种区域级时间变化网络。该网络包括局部-全局时间特征学习模块、区域语义学习模块、区域语义融合模块。局部-全局时间特征学习模块学习局部时间注意力，以增强局部视频帧的运动特征，并将其聚合为全局时间区域特征。区域语义学习模块通过计算区域中像素之间的相似度来构建可变化的区域语义卷积核，从而学习随时间变化的行为语义特征。区域语义融合模块将可变化区域特征和全局时间区域特征作为两个独立分支，分别学习每个分支特征的通道注意力用于特征融合。在Something-Something V1&V2与 Kinetics-400数据集上的实验结果显示，区域级时间变化网络表现优于多数行为识别方法，证明了该网络能够有效提升行为识别的性能。

• 基于自分块轻量化Transformer的医学图像分割网络

  张文杰,宋艳涛,王克琪,张越,

  传统的医学图像分割网络参数量大、运算速度缓慢，不能有效应用于即时检测技术。为解决该问题，提出了一种轻量化的医学图像分割网络SPTFormer。该网络构建了自分块Transformer模块，其通过自适应的分块策略重塑特征图，利用并行化计算在提高Attention运算速度的同时关注局部细节特征；还构建了SR-CNN模块，使用平移加复位操作提升对局部空间信息的捕获能力。在ISIC 2018、BUSI、CVC-ClinicDB和2018 data science bowl四个模态数据集上进行了实验，与基于Transformer的TransUNet网络相比，所提网络SPTFormer精度分别提高了4.28%、3.74%、6.50%和1.16%，GPU计算耗时降低58%。该网络在医学图像分割应用中具有更优的性能，可以良好地兼顾网络精度和复杂度，为计算机即时辅助诊断提供了新方案。

• 双U型门控网络融合非局部先验的图像压缩感知重建方法

  林乐平,胡尚鋆,欧阳宁,

  针对目前基于非迭代式网络的图像压缩感知重建方法存在着细节处理能力不足以及测量值利用不充分的问题，提出了一种双U型门控网络（dual U-shaped gated network，DUGN）用于图像压缩感知重建。该方法在原有的U型结构网络的基础上进行了改进，提升了U型结构网络在压缩感知任务中的学习能力。在测量值的利用上，结合交叉注意力机制，提出了一种测量值非局部融合模块（measurements non-local fusion，MNLF），用于将测量值中的非局部信息融合到深层网络中，指导网络进行重建，提升模型性能。此外，在基本模块的设计上，提出了窗口门控网络模块（window gated network，WGN），增强了网络的细节处理能力。实验结果表明，与已有的压缩感知重建方法相比，DUGN在Set11数据集上有着更高的PSNR和SSIM，且在图像重建的真实性上有着更好的表现。

• 基于参考单元编码失真时域影响的率失真优化算法

  黄敏峰,王乐才,邓米雪,盛剑锋,王梨名,杨栩,

  针对通用视频编码标准H.266/VVC的独立率失真优化技术未考虑参考单元编码失真的时域传播影响而损失编码性能的问题，提出一种基于编码失真时域传播影响的低延时率失真优化算法。首先，根据视频图像的时域连续性特征，由运动补偿预测误差及重建误差来计算编码失真的时域传播影响权重；其次，建立基于编码失真时域传播影响的率失真优化模型；最后，将编码失真的时域传播影响权重用于调整编码单元的拉格朗日乘子及量化参数。实验结果显示，在低延时P帧和B帧配置下，相较于基准算法，BD-rate码率节省分别达到1.6%和0.9%，编码时间分别下降2.93%和6.02%。实验结果表明，该算法在不增加编码复杂度的条件下有效提升了编码性能，适用于实时编码应用场景。