计算机应用研究杂志

计算机应用研究杂志2025年第11期

• 移动群智感知下的隐私保护：安全感知的探索、发展、未来

  何丽丽,蒋胜,管新如,张洁楠,郑发扬,张磊,

  移动群智感知（mobile crowdsensing，MCS）广泛应用于智慧城市、环境监测等领域，但由于其依赖大规模用户敏感数据，面临严峻的隐私泄露风险，已成为制约其推广应用的关键障碍。针对MCS中的隐私保护问题，开展了系统性调查与分类研究。通过梳理任务分配、数据采集与数据处理三阶段的隐私威胁，综合分析当前主流隐私保护技术，并构建了由匿名与假名、数据扰动、数据加密和分布式隐私保护四类方法构成的技术框架；进一步从隐私保护效果、计算复杂度、数据效用与适配性等维度对各类方法进行对比分析，揭示其原理特性与应用边界。最后，结合当前研究局限，探讨新兴技术在MCS隐私保护中的发展趋势与未来方向。

• 基于联邦学习的空天地一体化通信技术研究综述

  金亚东,范菁,郗恩康,董华,俞浩,

  空天地一体化网络（space-air-ground integrated network，SAGIN）是下一代移动通信系统的异构组织形态，联邦学习（federated learning，FL）是下一代移动通信系统中用于提升通信性能与保护隐私的安全分布式机器学习技术形态，联邦学习应用于空天地一体化网络通信协作是未来移动通信系统的主流发展趋势。首先，介绍联邦学习、空天地一体化网络的概念与应用及其面临的挑战；接着，基于联邦学习通信机制应用为主线，分析了空天地一体化网络场景下同层级和跨层级通信的若干关键技术，包括资源分配、组网管理、网络切片、异构网络、移动边缘计算、云-边-端一体化等关键通信技术；最后，从量子通信、6G通信、绿色通信角度探讨了未来基于联邦学习的空天地一体化网络通信技术的研究方向。

• 基于知识图谱的药物推荐方法研究综述

  彭琳,汪宇,叶青,程春雷,贺佳,

  药物推荐通过分析个体健康状况、病史、遗传信息以及生活方式等因素，为患者提供个性化的药物治疗方案，但该技术在实际应用中仍面临数据稀疏性、冷启动和可解释性等问题。知识图谱因其丰富的结构化语义知识，作为推荐系统的辅助信息，可有效解决这些问题并提升系统性能。为此，综述了基于知识图谱的药物推荐方法的发展现状及其在各种问题中的应用。首先系统梳理了相关背景知识，指出了药物推荐中存在的共性问题和领域问题；从问题和技术两个角度详细讨论了基于知识图谱的药物推荐方法的优势和局限性，包括传统的知识图谱推荐方法、融合多模态知识图谱的推荐方法和融合大语言模型的知识图谱推荐方法。最后对该领域的未来发展前景提出了展望。

• 面向知识图谱推理共享的区块链优化方法

  许振彬,郭荣新,施一帆,黄凯,

  针对目前基于区块链的知识共享架构中存在的知识完备性不足的问题进行研究，提出一种基于区块链的完备知识图谱（KG）共享方法（CKGC），利用区块链结合KG并引入推理机制促使各行业根据KG构建标准进而创建更加精准的KG，以提高知识利用效率。通过引入区块链预言机实现链上与链下KG推理信息的交互，同时设计了一种基于门限机制的Schnorr签名算法并将KG推理结果上传到区块链提升预言机的签名验证效率。设计了一种基于大语言模型（LLM）的KG推理方法去完善KG，利用LLM的语义理解能力，生成高质量逻辑规则进行KG推理完善，从而提升KG的丰富度和准确性。实验结果表明，Schnorr门限签名算法与Schnorr聚合签名算法相比，签名效率提升了60%。基于LLM的KG推理方法在三个大型的KG上进行了评测，证实了该方法的有效性及先进性。CKGC为知识协作共享提供了高效可信的技术路径。

• 一种信誉机制的区块链分片重组模型

  翟社平,张卫星,魏杰,杨锐,

  目前，比特币及其他主流加密货币的单片区块链架构存在显著的可扩展性问题，分片技术被广泛认为是提升区块链扩展性的一种有效解决方案，但同时也引发了诸多新问题。现有的分片方法通常忽略了分片之间在信誉差异、通信延迟差异和节点数量差异上的影响，从而导致系统性能不均衡和潜在的安全隐患。此外，完全分片重组在资源开销和时间成本上的高代价也显著降低了区块链的整体性能。为解决这些问题，提出了一种基于信誉机制的区块链分片重组模型。该模型通过约束优化算法，将不同信任度节点分配到适当的分片中，确保各分片信誉接近一致，提升了分片的可靠性。理论分析与实验结果表明，该模型相比传统分片方法，在吞吐量和时延性能上有显著改善，同时有效降低了分片失效率。模型能够实现节点的动态均衡，抵御单点聚集和合谋攻击，确保系统的动态安全性。

• 基于网络流量探测的加密矿池特征识别方法

  史博轩,毛洪亮,林绅文,

  针对目前国内隐匿型挖矿活动以加密流量为主，无法直接从报文流量解析发现加密矿池相关特征等问题，提出了一种基于网络流量探测的加密矿池或代理节点发现及其关键特征解析分析方法。通过模拟加密矿工实际的挖矿流量，将特定的多种流量注入至加密矿池或代理节点中，通过融合网络安全监测、区块链数据分析等多种技术手段，对基于主流矿池协议的加密矿池或代理节点快速发现。建立针对加密矿池的币种特征识别模型以及加密矿池所属特征识别，准确地提取分析加密矿池的画像特征，包括矿池的证书、币种、名称、钱包地址等特征信息，同时结合上述方法发现的加密矿池信息，利用基于时间序列的IQR算法识别已知对端为加密矿池中的实际挖矿流量。实验结果表明，该技术能够有效识别不同矿池协议以及对应画像特征。针对加密矿池的币种特征识别，其识别准确率均超过97%，同时能够较为准确地识别已知对端为加密矿池节点的挖矿流量，为实际网络监控中区分挖矿流量提供了一种高效的技术手段。

• 通信高效的个性化联邦多臂赌博机推荐框架

  陈家晟,秦航,

  针对现有基于内容的个性化推荐系统中面临的数据异质性、隐私保护、快速通信和可拓展性挑战，提出了名为FTMAB的联邦学习算法。该算法利用联邦学习框架实现隐私保护，通过多臂赌博机技术对本地模型进行全局聚合处理数据异质性。该架构在服务器端采用置信区间上界方法进行全局臂筛选推荐，并通过动态客户端采样策略优化通信，在本地客户端聚合用户效用评分加强推荐的个性化。理论分析证明FTMAB的遗憾上界为O(log T)。在合成数据集及真实数据集上的实验表明，相较于现有方法，FTMAB在显著降低通信成本和运行时间的同时，保持了较低的遗憾值。FTMAB框架有效平衡了隐私保护、推荐质量与通信效率，为解决个性化推荐中的数据异质性和可扩展性问题提供了高效方案。

• 基于图扩散增强的对比学习推荐系统框架

  汤家谱,李曼,曹文明,杨明明,蒋明阳,

  近年来，基于图神经网络的推荐系统取得显著进展。然而，现有的自监督对比学习方法主要通过随机删除边构建增强视图，难以区分边的重要性，限制模型性能。为解决上述问题，提出一个基于图扩散的增强对比学习框架（GDACL），用于提升推荐系统在数据稀疏和噪声环境下的表现。该方法通过图扩散机制保留边权信息，并结合多层图卷积嵌入拼接、随机特征掩码和对比学习增强特征多样性与鲁棒性；同时引入门控机制自适应融合原图与扩散图的特征表示。实验表明，GDACL在多个真实数据集上推荐准确率高于现有主流方法，具备更强的鲁棒性和泛化能力。消融实验进一步验证了门控控制机制、随机特征掩码以及原始图与扩散图之间的对比学习对性能提升的贡献。

• 时空上下文感知的下一个PoI推荐方法

  海燕,王静,刘志中,

  随着基于位置的社交网络的快速发展，下一个PoI（point of interest） 推荐已成为推荐领域的研究热点。然而现有研究模型忽略了PoI的时空特征以及上下文信息对下一个PoI推荐的效果。针对该问题，提出一种时空上下文感知的下一个PoI推荐方法。首先，利用图注意力网络（GAT） 学习包含社交关系的用户表征；并且通过流行度增强二部图神经网络（PEBGNN）学习含有PoI交互偏好的用户表征和PoI表征；同时，利用时空图卷积网络（ST-GCN）学习PoI时空转移偏好的PoI表征；最后，通过融合所学到的用户表征和PoI表征，计算出用户对于各个PoI的预测评分，以此为基础为用户推荐下一个PoI。为了验证该方法的有效性，在Gowalla、Foursquare以及Yelp这三个公开的数据集上进行了测试。实验结果显示，相比于多个基准模型，所提方法在准确率和召回率方面均展现出了显著的优势，分别平均提升28.53%和7.65%。

• 基于评分预测与图模型扩散的推荐方法

  王柳,陈学斌,高远,马凯光,赵桐,

  针对协同过滤算法存在数据稀疏性和局部推荐的问题，提出一种基于评分预测与图模型扩散的推荐方法SIRR。该推荐方法首先根据用户对物品的评分数量，设计算法动态切换机制预测用户对未评分物品的评分，从而解决数据稀疏性问题；其次，基于正则化的余弦相似度提升了相似度计算的准确性和协同过滤算法的鲁棒性；最后，为解决局部推荐问题，通过图的加权随机游走扩展推荐范围，提高推荐的覆盖率。为平衡推荐的准确性和多样性，通过融合评分权重实现了优化。在两个不同类型的数据集上对正则化余弦相似度的有效性进行验证，在三个稀疏度不同的数据集上将所提方法与三种基线算法进行比较。仿真结果表明，SIRR与已有的推荐算法相比，在各指标上均表现出良好性能，为解决数据稀疏性和局部推荐问题提供了一种有效的解决方案。

• 面向微服务弹性扩缩机制的负载长序列预测方法

  熊川越,杨静,李少波,阮小利,唐向红,

  针对微服务弹性扩缩策略因依赖短期负载预测而频繁改变，进而引发弹性滞后与资源争抢的问题，提出一种轻量化的长序列负载预测方法。该方法基于微服务序列的局部非线性波动与全局趋势特征，设计了多层次长期因果卷积结构，并融合时序异构块以精准捕捉时序依赖关系。与7种现有先进算法的对比实验结果显示，所提方法在22个关键评估指标中，有59.09%的指标表现最优。研究表明，该长序列预测方法能有效平滑弹性伸缩决策，显著缓解资源调度的滞后与冲突问题，为复杂的微服务场景提供高效的资源优化与负载调度支持。

• 面向直接后继关系交互演化的过程模型预测方法

  张润涛,方贤文,

  预测性流程监控（predictive process monitoring，PPM）是流程挖掘中的关键任务，旨在基于当前事件日志预测未来流程行为。然而，现有的PPM方法大多集中在对单个流程实例的短期预测，例如下一个活动预测、剩余处理时间预测等，预测范围有限且缺乏对流程演变的全局视角，从而无法提供流程模型在较长时间范围内的演变趋势。因此，提出了一种基于时间序列分析的过程模型预测（PMF）方法，将原始事件日志转换为多维时间序列数据，系统性地捕捉流程中所有活动对（直接后继关系）在时间上的频率演变。在考虑直接后继关系之间的相互影响下，预测出未来直接跟随图，从而实现对整个过程模型的长时间范围预测。实验结果表明，该方法在多个真实流程日志上均优于传统时序分析方法，在预测准确性和稳定性方面表现突出，具备良好的应用前景。

• 基于GRU和Transformer的跨组织业务流程异常检测

  杨凡,方娜,

  跨组织流程作为现代业务协同的关键载体，其异常检测对保障系统稳定与业务连续性至关重要。针对现有方法多聚焦于单组织视角，难以识别组织间消息偏差、上下文对接异常及整体时序结构变化的问题，提出一种融合GRU与Transformer的跨组织异常检测方法CoBPAD（cross-organizational business processes anomaly detection）。该方法利用GRU捕捉流程的时序依赖特征，并结合Transformer的多头注意力机制建模组织间交互模式。在训练过程中引入教师强制机制，从基于行为模式识别点异常、基于上下文规则匹配检测上下文异常和基于流程时序结构变化判断群体异常三个维度识别异常。在三个不同领域的数据集上的实验结果表明，CoBPAD在多类异常检测任务中均优于代表性方法BAnDIT，具备更强的检测能力与适应性，为后续的异常解释与实时监控提供支持方法。

• 求解抽象辩论框架稳定扩充的长记忆禁忌搜索算法

  吴歆韵,孙俊杰,熊才权,罗茂,喻卓群,

  稳定扩充求解是抽象辩论框架中评估争议可接受程度的关键任务，是NP完全问题。该任务寻找满足子集无冲突和子集外的争议被子集攻击条件的争议子集。针对该任务，提出基于长记忆机制的禁忌搜索算法（long-memory tabu search for stable extension，LMTS）。采用解池结构，赋予算法对历史信息的长期记忆能力。同时，与问题相匹配的邻域评估结构能够迅速识别能带来正确性提升的邻域动作。结合自适应扰动和禁忌解禁等策略，依据当前搜索状态动态调整扰动强度以改善当前解的质量。通过对公开数据集和随机生成的数据集进行测试，结果显示该算法能够有效求解稳定扩充，在超50%的算例上求解时间和求解能力均优于对比算法。此外，消融实验验证长记忆禁忌策略与自适应扰动策略对算法的正向优化作用。

• 多视图对比学习驱动的动态知识追踪

  谢宛真,刘玮,胡棣威,崔梓涵,赵雨博,

  知识追踪旨在动态评估学生的知识掌握状态，其过程受学习者知识结构与认知交互变化的双重影响。现有方法存在双重局限：在静态层面，将学生-问题-知识点的异质交互简化为同质化处理，导致高阶依赖关系难以捕捉；在动态层面，将连续演化的知识状态简化为离散的二元跳变，导致与真实学习过程的动态反馈脱节。针对以上困境，提出了一种基于多视图对比学习的知识追踪模型（MCLKT）。首先，该模型通过对异构图和同构图的联合建模，分别捕捉学生、问题及知识点间的多维交互关系，全面表征知识状态的动态演化；其次，设计二部图与超图分别提取问题权重和学生熟练度，显式捕捉答题行为中的高阶依赖关系；最后，创新性地定义问题模式子图Q-pattern来建模局部子图及其相互作用，通过跨视图对比损失最大化结构一致性。在实验阶段，该模型在三个公开数据集上与多个基线模型进行了比较，在评估指标AUC、ACC上分别提高了0.69%~1.58%和0.21%~1.78%、RMSE分别降低了1.17%~1.75%。这些结果充分验证了多视图对比学习方法对于增强知识追踪模型性能的有效性。

• 多视角半监督标记分布学习

  吴楷泓,肖燕珊,刘波,

  针对未充分利用多个视角一致性信息和互补性信息的问题，提出了一种多视角半监督标记分布学习方法。该方法利用多视角信息和未标记样本信息，提高分类器精度。首先，采用样本相似度一致性项和标记分布一致性项，将多个视角的一致性信息融合到分类器学习中；其次，将一个视角的k近邻信息看作另一视角的补充信息，通过不同视角之间相互提供近邻信息，将多个视角的互补性信息融合到分类器学习中；最后，引入训练样本和标记分布的流形结构项，利用未标记样本进一步改善分类器精度。实验结果表明，与现有单视角标记分布学习方法相比，该方法取得了更好的分类性能。

• 外生干预与可逆流驱动的弱监督因果表征学习模型

  张起荣,王彪,

  因果表征学习是实现复杂系统可解释可干预的关键技术。当前研究存在线性假设难以捕捉高维数据中的非线性因果依赖、标注数据稀缺限制模型泛化能力且缺乏可控干预与反事实推理能力的问题。借助外生变量在因果联系解释、反事实推理支持方面的重要作用，构建了一种外生干预与可逆流驱动的弱监督因果表征学习模型。首先，引入外生变量模拟干预场景，通过因果图直观呈现因果路径与依赖关系，实现可控干预与反事实推理。其次，采用可逆流模型捕捉非线性因果依赖，突破线性假设限制；在此基础上引入动态弱监督对齐机制，利用少量标注数据约束因果因子语义可识别性，缓解标注数据稀缺问题。实验结果表明，在Causal3DIdent数据集上，模型取得了显著的性能提升，因果因子识别准确率达到94.5%（较基线模型提升8.8%），干预均方误差降低至0.015（下降47.7%）。此外，在Pendulum-v1等数据集上，该模型同样表现出较好的性能，尤其在面向标签数据稀缺情况下仍能实现有效因果推断，展现出良好的泛化能力与应用前景。

• 基于引力模型的改进种子扩展重叠社区发现算法

  李赵兴,袁威龙,李馨玲,

  为了提升复杂网络重叠社区检测的稳定性与准确性，提出了一种基于引力模型的改进种子扩展算法（ISE-GM）。该算法通过节点优先级指标构建种子候选集，利用社区吸引力-排斥力机制扩展核心区域，并通过边界节点重分配与小社区合并优化结构。在人工合成网络与真实网络上进行实验验证，结果表明，ISE-GM在ENMI和EQ两个重叠社区评价指标上显著优于对比算法，显示出更高的稳定性与准确性。

• 基于规则插值的模糊模式树优化方法

  苏攀,任雪莹,梅华威,

  自顶向下的模糊模式树（pattern tree top-down，PTTD）是一种基于相似性度量的模式树归纳方法，在构建过程中采用集束搜索策略，以贪婪方式搜索候选树空间，导致模型构建时间较长。为了解决这一问题，提出一种基于模糊规则插值技术的PTTD优化方法（PTTD-FRI）。首先，设计了一种新的搜索优化策略，简化了模型构建的搜索空间，构造稀疏规则库；然后，提出了一种模糊模式树规则转换方法，将复杂的模糊模式树拆分为多条仅包含三角范数的模糊规则，并用三角余范数聚合；最后，引入模糊规则插值模块，通过简单的计算，进一步完善规则库，提升分类性能。实验结果表明，PTTD-FRI在保持相近分类准确率的情况下，有效提升了模型训练效率，降低了模型复杂度。

• 基于图神经网络的多模态长尾微视频推荐算法

  罗晨,游进国,万小容,李晓武,

  现有的多模态图神经网络微视频推荐算法，对于交互度数高的项目节点，其中多模态特征包含的信息会随着图卷积的过程而被增强；但对于交互度数低的项目节点，其信息则会被削弱，这便带来了长尾问题。针对此问题，提出了基于图神经网络的多模态长尾微视频推荐算法（MLT-GNN）。该算法提出了一种偏好信息共享概念，对用户历史交互中的头项目节点和尾项目节点之间的关联进行建模，来发现在不同模态下不同项目中蕴涵的相同信息；为缓解用户-项目图中尾项目节点信息丢失问题，该算法从交互丰富的头项目节点中发现尾项目节点所需信息，结合注意力机制对其进行信息弥补，减小头尾项目节点的差距。在MovieLens和Tiktok两个公开微视频数据集上的实验表明，MLT-GNN算法在precision、recall和NDCG指标上分别实现了至少3.18%、5.27%和6.29%的提升，验证了该算法在改善长尾项目节点对用户偏好预测贡献度方面的有效性。

• 一种保决策域的测试代价敏感属性约简算法

  罗致豪,叶军,詹诗颖,

  针对基于测试代价敏感的属性约简方法可能会改变决策域等问题，引入决策域分布保持的概念，结合获取数据的代价，提出了一种保决策域的测试代价概率邻域粗糙集属性约简算法。首先，以条件信息量为基础，定义一种具有单调性的(α, β)正域分布的概率邻域条件信息量，并以此获取决策表的核属性；其次，给出一种邻域条件熵属性重要度度量方法，通过属性重要度和属性自身测试代价构建属性影响度评估指标；然后，以核属性集作为初始集，将属性重要度大且测试代价小的属性加入核集，经迭代输出约简子集。实例分析和UCI数据集实验结果表明，与对比算法相比，所提算法在不降低分类精度的情况下得到的约简子集测试代价较小，且决策域分布保持不变。

• 分槽聚合元路径信息的异质网络图对比学习方法

  闫光辉,权思洁,罗浩,

  异质信息网络中由于节点类型各异，邻居信息在聚合前需投影到相同特征空间，这易导致语义混淆；同时，节点特征学习过程常面临局部拓扑结构特征与全局语义信息难以有效融合的问题。为此，提出一种分槽聚合元路径信息的异质网络图对比学习（stack-based metapath aggregation graph contrastive learning，S-MACon）方法。该方法基于元路径从多视角捕捉节点间的语义与结构关系，在元路径内部引入stack结构实现分槽聚合，为每类节点提供独立的消息传递过程，从而保留其类型特征空间中的信息表达；同时，在不同元路径视图上引入图对比学习，增强模型对全局图结构的理解能力；最后，通过注意力机制完成元路径与槽之间的信息聚合，得到最终节点表示。实验结果表明，S-MACon方法在链路预测和节点分类任务中分别达到95.61%和94.59%的准确率，显著优于现有主流方法，验证了其有效性与推广价值。

• 基于深度学习和特征凝练的变工况航空发动机轴承智能故障诊断

  刘涵,刘勤明,叶春明,汪宇杰,

  轴承是航空发动机系统的核心元件，其故障诊断非常重要。针对航空发动机轴承在极端复杂且多变工况下，基于原训练集的故障诊断模型无法直接应用于新工况诊断的挑战，进行了一种高精度智能故障诊断方法的研究。首先构建包含一维方差差异卷积神经网络与移动网络注意力机制的独立成分分析模块，对故障特征进行有效凝练；其次运用动态权重控制的星雀优化算法，对门控循环单元模块加以优化，从而实现故障状态的准确识别。算例分析结果表明，所提方法在变工况下的故障诊断准确率高达100%，且具有优越的抗噪声能力，有效解决了航空发动机轴承在变工况下的故障诊断问题。

• SIC：面向大语言模型训练的增量检查点技术

  王志强,朱文喆,闫超美,李永坤,

  大语言模型训练过程会频繁产生各种软硬件故障，造成训练延长和资源浪费。检查点技术作为关键容错机制在保障训练持续性方面发挥重要作用，但传统的全量检查点方法限制了检查点频率并消耗大量存储资源。为此，提出了一种重要性感知增量检查点方法（SIC）。该方法设计了分层感知的参数更新过滤算法，有效识别每层网络的重要参数更新；此外，通过动态阈值调节机制，在训练过程中实时调节参数变化阈值，确保不丢失关键更新；最后，从理论上证明了SIC对训练收敛性的影响可控。实验表明，单次迭代保存2%的数据足以保证模型的精度和收敛性；相比于最先进的全量检查点方法，在相同开销约束下SIC检查点频率提升了9~17倍，存储开销仅为3%。因此，SIC兼具了高执行效率、低存储开销的优势。

• 基于容器镜像共享机制的无服务计算工作流性能优化方法

  王洋洋,申国伟,崔允贺,付玉杰,

  针对传统部署模型在无服务计算中难以适应动态集群镜像资源变化，导致函数工作流冷启动延迟增加、资源利用率低下的问题，提出了一种基于容器镜像共享机制的无服务计算工作流优化方法Gust。通过函数镜像相似性调度算法和依赖包层重组机制，提升函数镜像间共享层的复用度，减少镜像拉取带来的冷启动开销，并结合遗传算法实现函数组合划分，优化工作流在多节点环境下的部署与执行。实验在OpenFaaS平台上对比多个基准方法验证了Gust的有效性，结果表明Gust方法的平均冷启动时间降低了20.3%、SLO违约率平均减少了16.8%。相较于传统方法，Gust有效提升了无服务计算的函数工作流执行性能和经济性。

• 基于流量预测的精细化高效应用流控方案

  刘中一,许宪松,崔华,符丹,刘彦汝,

  针对海量规则库下系统流量控制中存在的规则匹配效率低、配置灵活性不足、限流精准性差及应对突发流量能力弱等问题，开展了基于流量预测的精细化流控策略研究。设计了规则匹配树归并跨规则同维度数据，利用正则聚合大幅减少规则数量；提出了自适应令牌桶算法，实现了分布式环境中支持容错的精准限流；提出了基于移动平均的平滑性损失函数，有效降低了随机流量对模型训练的干扰。实验结果表明，在50%匹配度的流量场景下，规则树方法的平均匹配效率是经典线性方法的5.92倍；较于传统令牌桶等方法实现了100%精准容量限流能力；提出的SAE损失函数，较于MEA方法，流量预测准确性提升了3.7%。该方案已在民航机票系统落地，具备向其他复杂规则流控场景推广的价值。

• 面向函数图像数据的多模态大模型训练策略

  明一博,陈彦敏,赵嘉璐,

  近年来，多模态大语言模型经历了快速发展，并在各种多模态下游任务中展现了卓越的性能。然而，当前主流的多模态大语言模型在函数图像推理任务中的表现仍不尽如人意，这要求模型不仅具备强大的视觉感知能力，还需进行链式思维推理，以准确理解和解答涉及数学函数的问题。为了解决这些问题，首先构建了一个专门针对函数图像推理任务的指令微调数据集FunctionQA。每条数据除标准问答对外，还包含详细的链式推理过程，确保模型在训练过程中能够学习到复杂的推理步骤。其次，针对函数图像推理任务，设计了一种四阶段微调策略，逐步优化视觉编码器、多模态适配器和大语言模型，并结合LoRA技术以降低训练成本。实验结果表明，基于LLaVA框架构建的mFunction-4B模型，经FunctionQA数据集与四阶段微调策略的优化后，以4B参数量在MathVista testmini FunctionQA子集上达到43.55%的准确率，较基线模型LLaVA-1.5-7B提升14.52%，验证了其方法的可行性和有效性。

• 面向超可靠低延迟通信的异构车辆边缘计算资源分配方案

  刘子兴,唐宏,燕星芮,施杰,

  集成专用短程通信（DSRC）、基于蜂窝的车到基础设施（C-V2I）和毫米波（mmWave）优势的车辆边缘计算（VEC）系统可以有效增强通信能力。为解决此异构环境下通信与计算资源的协同优化问题，提出一种面向超可靠低延迟通信（URLLC）的异构车辆边缘计算资源分配方案。首先，基于随机网络演算（SNC）理论，考虑异构VEC场景，以最小化系统成本为目标，同时满足URLLC需求；其次，利用Lyapunov优化将长期队列约束转换为短期决策问题。针对此类高维非凸问题，提出一种基于优先经验回放的改进软演员-评论家算法（PER-SAC），通过优先采样关键经验样本来学习最优策略。实验结果表明，该方案在车辆密度动态变化场景下能够有效降低系统成本并满足URLLC需求。

• 基于动态中心性的多层网络影响力识别方法

  廖泽南,曹春萍,梁云舒,邵宇城,

  随着多层网络间的协同作用显著影响传播动力学，影响力识别已成为精准防控、交通枢纽等场景的关键技术。而传统单层网络分析方法难以应对多层结构中的交互机制与非线性传播特性。针对这一挑战，提出了一种基于动态中心性的多层网络影响力识别方法，旨在识别多层协同网络中具有重要影响力的节点。具体而言，从层内节点质量差异与层间交互机制出发，设计动态传播参数与层间动态交互中心性算法，提升中心性度量的普适应和有效性；构建融合神经网络预测能力与传统模型解释性的自适应传播模型，实现对复杂传播过程的建模与预测。实验结果表明，所提方法在动态多层网络数据集上最终不精确度降低至0.175，为多层网络影响力分析与传播控制提供了理论支持与实用性方案。

• 区块链辅助的电力物联网中可信小区域任务卸载

  冷承凤,覃团发,郭文豪,冼世轩,胡永乐,

  随着分布式能源的广泛普及和高效利用，电力物联网中智能终端的部署规模持续扩大，无序且多变的电力业务急剧增加，导致高优先级任务难以得到及时可靠的处理。针对这一问题，提出了一种基于区块链技术的电力物联网优化模型，引入了高优先级可信小区域机制，根据历史交互信息计算服务器的信任值，将高优先级任务智能卸载至信任值高、计算能力强的节点进行处理。此外，为保障任务卸载过程中的数据安全，结合区块链技术构建去中心化分布式账本系统，防止恶意节点窜改交易信息，确保数据传输的安全性和可靠性。针对区块链共识过程与任务计算的并行特性，提出任务计算与共识过程的匹配策略，通过优化计算资源分配来降低共识过程带来的时延。最后，提出了改进的遗传粒子群（improved genetic particle swarm optimization，IGPSO）优化算法，以网络成本和优先级不匹配惩罚因子的加权和作为适应度函数，实现了任务卸载决策和计算资源分配的联合优化。仿真实验表明，该策略在系统总代价、系统能耗、高优先级任务时延和成功率方面分别实现39.71%、85.71%、79.73%、56.82%的性能优化，证明了该方案的有效性。

• 面向低质量数据的隐私记录链接方法

  黄汉城,马玉鹏,赵凡,方鹏,王保全,王轶,

  现有基于位向量编码的隐私记录链接方法多针对记录间的字符级差异，对生产环境下普遍存在的缺损记录问题关注不足。针对这一问题，提出一种面向低质量数据的隐私记录链接方法（LQ-PPRL）。采用动态分块策略增加缺损记录的分组次数，提高缺损记录正确分块概率；根据缺损模式自适应调整缺损记录的匹配阈值，增加缺损记录匹配成功的可能性；在保留字符级模糊匹配能力的同时，缓解缺损记录带来的匹配错误问题，提高低质量数据的隐私记录链接整体效果。实验结果表明，相比于传统的位向量编码隐私记录链接协议，LQ-PPRL在低质量数据上具有更高的召回率以及F1值，验证了其在处理低质量的隐私链接任务上的优越性。

• 基于自适应联邦学习的边端协同网络异常流量检测模型

  陈涛,薛皓铭,马宇翔,管浩琪,

  随着人工智能发展，边端协同网络在智能决策与本地数据处理中的应用日益广泛。然而，边端协同网络存在隐私泄露、计算资源受限和数据不平衡等问题。针对上述问题，提出一种基于自适应联邦学习的异常流量检测模型，在保护隐私的同时提升检测性能。首先，提出一种基于方差的特征选择算法以降低计算开销；其次，提出一种基于对比生成式对抗网络，缓解数据不平衡问题；再次，构建自适应联邦学习更新策略，通过条件策略网络自动分离全局与本地特征信息，从而增强模型在异构数据下的泛化能力。最后，设计一种基于卷积神经网络的轻量级编码器，实现异常流量检测。实验结果表明，所提方法能够有效检测边端协同网络异常流量，提高异常检测准确率。本文源代码链接：https://github.com/henulab/AFL-ATD。

• 基于动态群签名的区块链联邦学习隐私保护方案

  张蒙,古春生,张言,史培中,景征骏,

  基于区块链的联邦学习是由分布式的客户端协作开展模型训练的一种去中心化机器学习方案。然而，目前基于区块链的联邦学习缺乏对用户身份等敏感属性的保护，使得恶意训练者与验证者之间易于进行合谋攻击。针对该问题，提出基于动态群签名的区块链联邦学习隐私保护方案（DGS-BCFL），创新性地将动态群签名与区块链联邦学习相结合。首先使用动态群签名的匿名性为用户提供身份隐私保护，同时追溯恶意用户的匿名身份，对贡献度低的恶意用户进行撤销。其次，提出基于贡献度的自适应激励算法，根据节点工作强度和角色的不同对其进行激励，以保证激励的公平性。最后，在FEMNIST数据集上对DGS-BCFL进行了性能测试。实验结果表明，在面对恶意节点的合谋攻击时，DGS-BCFL抵御合谋攻击的成功率达89.36%，较VBFL增长了24.92%；此外，在模型精度方面，相比BDFL增长了26.13%。因此，该方案不仅能够保持BCFL的高鲁棒性，还在模型精度方面表现出了更优的性能。

• 面向自动驾驶的稀疏深度图补全方法SFN-D

  吴彬,赵海燕,曹健,陈庆奎,

  在自动驾驶领域，稀疏深度图的密集化是重要研究课题，对3D重建和3D目标检测等任务具有突出意义。提出一种新颖的深度补全框架SFN-D，该框架基于多模态数据融合和语义分割设计，利用多模态数据各自的优势来补充稀疏深度图中的缺失深度，从而有效补充稀疏深度图。为了实现这一目标，采取一种借助传感器标定进行数据转换，从而实现多模态数据融合和深度图修正的方案。该框架融合了来自图像和激光雷达的特征图，可与现有任何优秀的点云语义分割网络和图片分割网络相适配，无需任何专家知识且能够开放性地实现稀疏深度图的深度补全。使用自动驾驶领域中广泛使用的KITTI depth compeletion数据集与相似深度补全方法评估了SFN-D，实验结果表明与其他深度补全方法相比，SFN-D有效且有更高的精度。

• 基于Mamba空间注意力与通道交互注意力模块的双路径脑肿瘤分割方法

  李冰,刘彦,

  脑肿瘤病变区域的有效管理依赖于对脑肿瘤图像的精确分割。现有方法对全局空间信息建模能力有限，且未能充分捕捉不同模态特征间的内在联系。基于此，提出了一种基于Mamba空间注意力和通道交互注意力单元的双路径脑肿瘤分割方法，该方法的网络编码器由一系列空间-通道双路注意力单元组成；此单元包括三个子模块：双向Mamba空间位置信息注意力模块，旨在增强网络对长依赖的建模能力，同时保持较低的计算负担；通道交互注意力模块能够学习不同模态间的特征关系，提高对通道信息的敏感性；最后使用两级融合模块整合子模块输出。所提方法在公开数据集BraTs21上达到84.29%（Dice）、88.08%（F1-score）、75.80%（MIoU），优于多种主流分割方法，验证了该方法的有效性。

• 基于无监督学习的无砟轨道表面异常分割

  李岗威,李志伟,

  针对开放场景下无砟轨道异常样本难以全部覆盖的问题，提出了一种无须异常样本的无砟轨道表面异常分割方法。该方法结合图像特征分析与无监督学习框架，优化数据处理与特征学习过程，以提升检测精度与鲁棒性。首先，采用高亮特征分块策略将高分辨率图像分割为图像块，在保留结构信息的同时增强异常定位能力；其次，设计认知审查架构（cognitive review architecture，CRA），通过优化学习路径使教师网络的浅层特征，不仅影响学生网络的对应层，还对其后续层的特征学习提供指导，提高表征一致性与判别能力；最后，引入多尺度注意力模块（multi-scale attention module，MSAM），强化学生网络的去噪能力，使其提取的关键信息更接近教师网络的表征。实验结果表明，所提出的模型在构建的无砟轨道数据集上取得了出色的分割精度，图像级AUC（I-AUC）得分为99.72%，像素级平均精度（P-AP）为92.05%。该方法为开放场景下的无砟轨道异常检测提供了高精度、高鲁棒性的解决方案。

• 多分支骨架特征输入下的歧义行为识别

  王超亚,韩华,王春媛,田瑾,

  基于骨架的人体动作识别是计算机视觉中的一个重要研究课题，其核心在于提取和学习具有区分度的骨架特征，以实现高精度的动作分类。但是由于歧义行为的存在，严重影响了分类识别的准确性，为此，围绕数据优化与计算复杂度降低，以及时空特征精细化建模两个核心方向提出两项关键创新。首先在数据输入的初期阶段，采用多分支输入结构，实现早期特征融合，使模型能够更高效地学习不同模态间的互补信息，从而提升计算效率并增强模型的泛化能力；其次，提出模糊特征细化模型，该模型有助于提取独特的时空特征，增强了对动作细节的敏感性以帮助区分高相似度行为，从而实现更精细的时空特征建模。将所提多分支骨架特征输入下的歧义行为识别（GCN+）模型在?Euclid Math TwoDAp60和?Euclid Math TwoDAp120两个大规模公共数据集上进行实验证。实验范围涵盖四种单一模态及其融合模态。在单一模态下相较于基线模型，GCN+在?Euclid Math TwoDAp120的X-Sub下提升了2.6个百分点，表明其在复杂环境下对不同主体的识别能力更强；在融合模态下，GCN+在?Euclid Math TwoDAp120数据集的X-Sub评估下提升了3.2个百分点，在X-Set评估下提升了3.0个百分点。进一步验证了该模型在大规模数据场景下的适用性，和在跨主体和跨视角识别任务方面展现的卓越性能。

• 基于多尺度模态融合的RGB-D显著性目标检测网络

  于明,唐世辰,刘依,

  显著性目标检测任务旨在自动定位场景中最吸引人的物体。针对显著性目标检测算法中跨模态互补特征难以充分利用和层级特征融合易丢失有用信息的问题，提出一种基于多尺度模态融合的RGB-D显著性目标检测网络（MMFNet）。该模型主要由多尺度模态增强模块和并行多层解码结构组成。多尺度模态增强模块以空洞卷积细化多模态特征，通过注意力机制融合不同感受野特征减少冗余信息。并行多层解码结构采用级联的双解码器设计，以通道注意力机制实现层级特征的自适应校准，进一步优化预测的显著图，学习到更多的跨层级信息。在四个基准数据集上的实验表明，该网络模型在四种评价指标上优于近年来的九种先进方法，获得了优异的性能。

• 基于DR-DT的视觉SLAM参数自适应调整

  黄鑫,黄初华,杨明旭,秦进,马旭博,

  针对传统视觉SLAM系统依赖固定参数且需手动调整的问题，提出了一种基于离散化奖励Decision Transformer的自适应参数调整方法——DR-DT。该方法将参数自适应过程转换为序列建模任务，通过选择SLAM关键参数定义连续动作空间，基于位姿不确定性构建奖励函数，结合离散化奖励机制提升学习稳定性。以ORB-SLAM3为测试系统，在EuRoC MAV和TUM-VI数据集上的实验结果表明，所提方法能有效提升视觉SLAM系统在复杂场景中的位姿估计精度，同时简化了参数调整过程。该方法为视觉SLAM系统的参数自适应优化提供了新思路。