计算机应用研究杂志

计算机应用研究杂志2025年第9期

• 单点登录系统隐私保护研究进展

  何俊霖,雷灵光,边毅,马思源,王跃武,寇春静,

  单点登录技术通过允许用户使用身份提供方的单一身份访问多个应用服务，不仅显著提升了用户体验，还降低了服务提供方的身份管理成本，因此得到了迅速普及。然而，现有SSO方案普遍缺乏对用户隐私的有效保护，容易导致用户身份信息和行为数据的泄露。近年来，针对SSO隐私保护的研究不断涌现，但目前仍缺乏从SSO系统视角对隐私保护机制进行全面综述的工作。首先从同步式与异步式SSO认证模式出发，系统分析其技术特点、适用场景以及隐私保护挑战。随后，结合SSO的发展趋势，提出了隐私保护SSO的核心评价指标与方法。在此基础上，通过对现有隐私保护方案的全面梳理，归纳其设计思路和技术路径，并从隐私性、安全性和通用性等维度对比分析各方案的优势与局限。最后，结合领域内的最新热点研究，总结了当前SSO隐私保护领域的关键挑战与未来研究方向，为后续研究提供参考。

• 面向电子商务的属性值提取研究进展

  宁秦伟,丁苍峰,马乐荣,史东艳,曹江江,

  属性值提取是电子商务领域的核心技术之一，其目标是从非结构化数据中自动识别并提取结构化信息。传统的基于规则的方法难以应对复杂的文本和不断变化的数据，深度学习技术的快速发展为属性值提取提供了新的解决方案，基于预训练语言模型的 Transformer 架构在多个基准数据集上实现了显著提升。与此同时，结合多模态数据的方法逐渐成为研究热点，该方法不仅有效提升了提取的准确性，还为用户提供了更丰富的信息。此外，随着大语言模型的兴起，其生成式方法在属性值提取任务中展现出了强大的潜力和优势，为复杂场景下的属性值提取提供了新的解决思路。为此，对基于规则、序列标注、问答、多模态、生成模型以及大语言模型的属性值提取方法进行了系统综述，并探讨了各类方法的特点与面临的挑战，以推动该领域研究的进一步发展。

• 基于多任务联合学习与自适应融合的多模态情感分析模型

  樊继冬,仲兆满,韩天乐,李梦晗,崔心如,徐瑾,

  针对多模态情感分析中模态异质性特征关注不足导致的特征冗余和噪声干扰问题，提出了一种基于多任务联合学习与自适应融合的多模态情感分析模型（MTL-SAF）。该模型创新性地构建了多任务联合情感分析模块，通过同时处理多模态和单模态任务来全面捕捉模态间异质性特征，并引入动态权重分配的自适应融合机制以抑制冗余噪声。模型采用多尺度特征提取策略，有效融合低级与高级特征以增强情感信息表达能力。在SIMS、MOSI和MOSEI数据集上的实验结果表明，MTL-SAF在情感分类准确率和F1值等指标上均显著优于现有基线模型，验证了其在处理模态异质性和增强特征表达方面的优越性。

• 基于模态敏感注意力机制的多模态对话模型及应用

  杜维,朱晓瑛,许方敏,郑建生,朱福喜,龚鸣敏,李紫玉,

  多模态对话系统采用Transformer、交叉注意力机制和预训练模型等方式融合不同粒度的文本、语音和视频模态，提取出跨模态特征，然而现有研究忽略了不同模态特征对分类任务的敏感差异性，造成过度融合及带来的信息冗余。针对多模态融合的顺序特征对分类结果的影响，提出了基于模态敏感注意力机制的多模态对话模型MDM-MSAM，分为主从模态筛选、双模态跨模态融合和三模态跨模态融合三部分，通过确定主从模态并提取跨双模态特征，与三模态融合特征再融合，形成模态敏感的层次化跨多模态特征。在MintRec和CMU-MOSI数据集上的分类准确率分别比目前性能最好的模型提升了3.15%和3.5%。MDM-MSAM模型部署应用在流程引擎式的多轮对话系统中，取得了良好的应用效果。

• 基于语义增强与候选排序优化的背景感知事件预测方法

  马荣,马博,王震,艾孜麦提·艾尼瓦尔,杨雅婷,王磊,

  事件预测旨在结合事件的语义信息与结构关系，实现对未来事件的精准推断。针对现有图神经网络方法中存在语义捕捉不足及外部知识整合有限的问题，提出一种基于语义增强与候选排序优化的背景感知事件预测方法（SECRO）。该方法采用三阶段框架：首先，利用大语言模型生成高质量的事件节点嵌入，弥补语义表达的不足；其次，基于图神经网络建模事件间的结构与关联关系，生成初步预测结果；最后，设计了一种候选排序优化机制，结合大语言模型中蕴涵的世界知识提升事件预测精度。在三个公开数据集上的实验结果表明，该方法在平均排名分数（MRR）上分别较RGCN和SeCoGD方法提升了8.34和6.84个百分点，取得了新的SOTA性能。扩展实验结果进一步验证了该方法能够增强现有图方法在事件预测任务中的性能。

• 一种基于行列式点过程的代理模型辅助多目标进化算法

  吴子聪,李金龙,

  为了提高用于更新代理模型的解集的多样性和收敛性以提高代理模型准确度，提出一种基于行列式点过程（determinantal point process，DPP）的代理模型辅助多目标进化算法（surrogate-assisted evolutionary algorithm，SAEA）。首先，提出一种基于行列式点过程的模型管理方法，从非支配解集基于行列式点过程选取子集并用真实目标函数评估，再从所有经真实目标函数评估的解中选取子集用于更新代理模型。另一方面，提出一种基于自适应行列式点过程的环境选择方法，在进化过程的早期侧重于提高种群的收敛性，在进化过程的后期侧重于提高种群的多样性。最后，基于DTLZ、WFG、MAF测试问题验证算法的有效性。将所提算法与K-RVEA、KTA2、CSEA等常用算法进行比较，使用IGD+指标进行评估。实验结果显示所提出的算法能得到更优的解集，从而证明了其高计算代价多目标优化问题上的有效性。

• 考虑双重更新的简约扩展置信规则推理决策方法

  薛旻,黄浩澜,裴建,侯冰冰,

  海量数据的不断累积促使传统的置信规则推理决策无法较好适应动态决策问题场景。针对动态决策场景下规则库存在的不一致性问题和规则动态更新问题，提出了考虑双重更新的简约扩展置信规则推理决策方法。考虑原始扩展置信规则库的冗余问题，运用证据推理融合算法，集结相同前件属性下的后件属性信念分布，构建简约扩展置信规则库；基于此，利用贪心算法，提出面向历史数据和观测数据的两阶段结构更新方法，分别对原始规则库和动态场景规则库开展结构更新，进而利用贝叶斯优化算法开展动态规则库参数更新，最终得到更新后的扩展置信规则推理模型，用于动态场景下的规则推理决策。将所提方法用于安徽省合肥市某三甲医院超声科甲状腺结节超声辅助诊断问题中，以验证其有效性和实用性。

• 主题结构增强的大模型实体共指消解方法

  刘小明,吴彦博,杨关,刘杰,吴佳昊,

  针对现有基于大规模预训练语言模型（large-scale pre-trained language models，LLMs）的实体共指消解（entity coreference resolution，ECR）方法在处理长文本和复杂情境时性能受限，且全参数微调计算开销大的问题，进行了一项研究。提出了一种基于提示学习的主题结构增强型ECR模型。此模型利用上下文中的主题结构信息，以增强模型捕捉长距离共指关系的能力；同时，设计了一种可学习的提示模板，显著降低了模型微调所需的计算资源。在三个公开数据集上的实验结果表明，所提方法相较于基准模型，性能分别提升了2.3、0.5和2.6个百分点。并且与当前先进的Link-Append、Seq2seqCoref等模型相比，该方法在仅使用约1.1%参数量的情况下，达到了其约98%的性能水平，证明了该方法在提升长文本ECR任务效果的同时，具备显著的计算效率优势。

• 基于时序图神经网络的社会团体发现

  李泽,赵伟超,徐慧雯,

  在一些社会事件中，发现引起事件的社会团体对这些事件的治理具有重要的意义。针对现有社会团体发现任务中忽略团体对人物特征节点影响以及时间因素对团体发现影响的问题，提出了基于团体的节点表示模型G-GCN（group graph convolutional network），在对人物节点进行表示时融合团体的特征来增强节点表示。时间迁移对于团体发现有着重要意义，所以在G-GCN基础上提出了时序图神经网络TG-GCN（temporal-group graph convolutional network），引入了时间变化对节点表示变化的学习，实现了跨越时间的信息序列聚合表示，将相邻的事实转换为团体发现的演化表示。实验使用Yelp和Amazon数据集，团体划分的准确率提升了0.1，证明了TG-GCN对于团体发现任务的有效性。研究为事件治理提供了新视角，强调了节点表示与时间因素的重要性，对社会事件动态理解与预测具有价值。

• 基于传播特征强化学习的社交网络信息传播关键用户发现方法

  刘晓亮,张鹏飞,

  传统影响力最大化问题旨在选择一定数量的信源种子发布特定信息，使该信息传播影响范围最大。然而，通过算法选定的种子用户未必愿意发布指定的信息。此外，传统的影响力最大化算法在不同结构的网络上需要重新运行，效率较低。为了解决上述问题，首先将影响力最大化问题形式化为一个新的信息传播关键用户发现KUIP问题，即如何发现一定数量的关键用户，不要求他们发布指定信息，而是通过干预他们传播信息的态度倾向，来最大化该信息的传播影响。为了更真实地描述信息传播场景，提出一种可调阈值模型ATM来模拟用户传播信息的态度倾向和环境影响。进而，为了保证在不同结构的网络上关键用户发现的效率和效果，提出了一种基于传播特征强化学习的关键用户发现方法KPRL，利用图注意力机制学习用户的传播特征，采用双深度Q网络DDQN训练模型参数。在六个真实网络数据集上的实验表明，KPRL在影响范围指标上平均提升了11.7%，超越了现有的基线方法，展示了其在关键用户发现领域的有效性。

• 多维度损失函数下引导词协同sinkhorn的监督式主题模型

  徐贞顺,王振彪,郑顺国,苏梦瑶,张文豪,唐增金,

  主题模型通过对大量数据进行分析，挖掘数据中潜在的主题结构和语义关系，将数据按照主题进行分类和归纳，提高了信息处理效率。为解决现有的主题模型面临生成的主题语义相互崩溃、缺乏监督标签和引导词的指导等问题，提出了一种新的多维度损失函数下引导词协同sinkhorn的监督式主题模型。该模型设计了多维度损失函数，首先结合自适应重构损失、监督损失和条件变分自编码器损失等协同策略，同时引入正则化和标准化方法，避免了主题语义崩溃的问题。其次，该模型通过将引导词与sinkhorn算法相结合的损失函数，有效解决了聚焦主题的覆盖问题，使得模型在生成过程中更加专注于特定主题，同时增强了可解释性。实验结果表明，该模型有效地解决了主题崩溃和侧重性主题覆盖等问题，生成了多样化和连贯的主题以及高质量的文档主题分布，不断超越最先进的基线。

• 基于多序列交互与对比学习的侧信息集成序列推荐模型

  赵伟,孙福振,张文轩,王澳飞,王绍卿,

  现有的侧信息集成序列推荐模型中存在对用户表示学习及优化不足的问题，针对此问题提出基于多序列交互与对比学习的侧信息集成序列推荐模型（side-information integrated sequential recommendation model based on multi-sequence interaction and contrastive learning，MICL）。首先，引入多序列交互注意力机制，对项目序列和侧信息序列构建序列内和序列间的深度关联，从项目和侧信息两个角度捕获用户偏好，生成两个视角的用户表示。其次，采用用户表示优化模块，结合动态难负样本采样策略构建正负样本对，利用自监督信号优化用户表示。最后，通过多任务动态权重调整策略在推荐任务与属性预测任务之间实现动态平衡优化目标，提升模型的鲁棒性和泛化能力。在Beauty、Sports、Toys和Yelp四个公共数据集上进行实验，与效果较好的基线模型相比，MICL的召回率（recall）和归一化折损率（NDCG）平均提升了1.63%和2.35%，验证了MICL对学习和优化用户表示方面的有效性。

• 基于图采样的多样性需求感知推荐模型

  徐建民,鲁平,张雄涛,

  现有多样化推荐方法忽视个体多样性需求差异，导致推荐结果多样性适配不足。针对该问题提出基于图采样的多样性需求感知推荐模型，通过感知多样性需求强度与图结构优化实现个性化推荐多样性。该方法首先基于时间衰减加权的项目差异度量化用户多样性需求强度。其次，提出基于多样性需求强度的自适应图采样策略，利用用户多样性需求强度确定采样次数。通过贪心算法迭代选择邻域中差异性最高的节点，构建多样性需求感知子图用于图学习。然后，使用图神经网络从多样性需求感知子图中学习用户的多样化兴趣表示。最后，通过点积运算预测用户与候选项目间的交互概率，实现多样化推荐。实验部分采用两个公开数据集进行验证，所提模型在准确性指标上提升了约3%，在多样性指标上提升了约5%。结果表明，考虑用户多样性需求可以有效实现更好的准确性-多样性权衡。

• 基于句法依存增强和方面语义聚焦的方面级情感分析

  王一力,陈浩文,袁程胜,

  现有的方面级情感分析研究大多采用基于依存树的图神经网络来构建模型，但忽略了原始依存树包含的大量无关依赖关系且缺乏针对特定方面语义的特征提取。为此，提出了一种基于句法依存增强和方面语义聚焦的双通道图卷积网络模型（SADGCN）来提升情感分析的预测精度。该模型主要由句法增强模块与语义增强模块组成。对于句法增强模块，提出了一种高效的面向方面词的选择方法来重塑句法依存树，从而更加准确地捕获与目标方面高度相关的句法信息；对于语义增强模块，设计了一种方面聚焦注意力机制来与全局性自注意力机制相融合的策略，从而帮助模型学习特定方面的语义特征表示。最后将两个模块学习到的信息进行特征融合以预测情感极性。三个基准数据集上的实验结果表明，所提模型相比于对比模型取得了更优的效果。

• 基于博弈共识的异构多智能体分布式强化学习方法

  何杏宇,高锦,杨桂松,

  现有的异构多智能体分布式强化学习方法往往采用统一的状态和动作空间定义，很难体现异构智能各自的特点，且无法实现异构智能体对任务环境的自适应优势互补与竞争。然而采用差异化的状态和动作空间定义又会给异构智能体之间的共识带来挑战。为了实现异构多智能体的协同工作，针对车机异构协同场景提出一种基于博弈共识的异构多智能体分布式强化学习方法。首先，为了实现车机自适应能耗互补，该方法为无人机定义了区别于车辆的分层动作策略网络，其中，上层动作可以实现无人机在执行任务和充电行为之间的自适应切换，充电行为对应的底层动作是对辅助无人机充电的车辆进行选择。另外，为了在交通拥塞情况下发挥车机各自的差异化竞争优势，该方法设计基于GS（Gale-Shapley）算法的博弈共识机制，定义与拥堵参数相关的激励因子以实现对车机的差异化任务参与引导，并根据激励因子进一步进行成本估计，以最终实现任务执行效率和平台成本的双重优化。实验结果表明，相比于现有方法，该方法在完成所有任务时所需的时间平均减少了7.58%，智能体的能量消耗平均降低了10.05%，证明该方法在效率和能耗方面更具优势。

• 基于少类增强和远距离连通的不平衡节点分类

  韩忠明,张舒群,刘燕,杨伟杰,

  图数据在现实应用中普遍存在类不平衡分布问题，现有的生成式方法通过提出对应的生成策略来合成少类节点以增强原始类不平衡图。但这些方法主要关注数量补偿，在根据少类数量对其进行补偿时，某些节点可能会显著降低其他类的性能。为此，从数量和拓扑两个角度来考虑少类生成方法以应对图上的不平衡问题，提出了基于少类增强和远距离连通的不平衡节点分类方法。在生成新少类节点平衡训练数据时，通过基于节点重要性的邻居采样方式来查找远距离潜在同类节点，减轻节点邻域高异类和自类标记节点连接弱带来的拓扑不平衡问题，合理增强不平衡图。在三个基准数据集上的实验结果表明，所提方法在不平衡节点分类任务中，其准确率、平衡准确率和F1值指标均优于基线方法，并通过消融实验和应用实例分析等验证了所提方法的有效性及实用性。

• 基于有序代理与双置信筛选的半监督有序分类方法

  陈锦翔,汤梦姿,解庆,刘永坚,

  针对当前半监督方法应用在有序分类任务中存在的类别顺序关系建模不足及伪标签噪声问题，提出一种结合有序代理与双置信筛选的半监督分类框架（OPMatch）。首先在分类交叉熵损失基础上引入有序单峰约束项，通过约束类别分布呈现单峰特性，增强模型对误分类代价的敏感性；其次在特征空间的单位超球体上引入有序半圆排列的类别代理机制，在数据稀缺环境下有效建模类别顺序关系；同时对无标签数据结合数据增强和一致性正则化，并采用双置信度筛选策略生成伪标签，有效利用无标注数据并降低伪标签噪声对模型学习的影响。在Adience、Aptos2019和HistoricalColor三个不同有序分类任务数据集上的实验结果表明，该方法的有序分类能力优于现有半监督学习方法。该方法显著提升了标注稀缺场景下的有序分类性能，为半监督有序分类任务提供了通用且有效的思路。

• 对抗环境下一种带时间窗的多机器人巡逻任务规划策略

  陈静怡,李宗刚,杜亚江,

  为解决现有多机器人协同巡逻策略在对抗环境下决策反应时间长以及仅限于单机器人-入侵者对抗的问题，提出一种结合全局规划与在线决策的新巡逻策略。针对机器人续航限制，构建带时间窗的多机器人任务规划模型，设计改进的softmax回归人工鱼群算法优化全局规划。在周界巡逻过程中，设计两种运动模式并以显式概率函数计算入侵者检测概率，提升巡逻效率与可靠性。实验表明，该策略在算法复杂度、迭代次数与运行速度方面均优于传统算法，同时为定向和全向机器人运动提供适用场景，具有反应迅速与高效巡逻的特点。

• 基于跨模态交互Transformer的多模态方面级情感分析

  甘卓浩,缪裕青,刘同来,张万桢,周明,

  针对现有多模态方面级情感分析模型存在的视觉信息提取不充分和方面情感语义缺失问题，提出一种基于跨模态交互Transformer的多模态方面级情感分析模型。该模型通过文本语义增强模块融合图像标题与原始文本以弥补情感语义缺失；利用依存句法分析与图卷积网络构建方面感知特征提取模块，捕获方面项与观点词间的长距离依赖；设计跨模态特征交互模块，结合top-n形容词-名词对分布约束策略及多模态融合Transfor-mer，实现图像与文本特征的深层交互。在Twitter-2015、Twitter-2017和ZOL三个数据集上的实验结果表明，CMIT模型在准确率和宏平均F1值上均优于多个基准模型，验证了其有效性和泛化能力。

• 基于拓扑地图与A*算法的路径规划求解方法

  王天琦,杨丽英,黄朝雄,何玉庆,

  为解决在大尺寸、复杂环境栅格地图上搜索路径时，存在的搜索时间长和计算资源消耗急剧上升等问题，提出了一种基于计算机几何学的拓扑地图提取方法，并基于图搜索的方法进行路径搜索。首先对地图进行预处理，将障碍物使用多边形表示，并从地图中提取出一组点集；然后将应用点集于Delaunay分割算法从而对地图进行分割，得到一组几何图形集合；之后将障碍物内的几何图形从集合中去除，并将新的集合转换为拓扑地图；最后将拓扑图用于A*的路径搜索算法。利用MATLAB和GAZEBO设置多种仿真环境进行测试，结果表明基于Delaunay分割的拓扑地图的A*算法搜索时间比基于栅格地图的A*算法的搜索时间显著减少，在50×50的地图中减少73.27%，并与其他拓扑地图的研究进行比较。因此，在仿真环境中运用计算机几何学的方法来生成拓扑地图，使用离散的点和不重叠的边来表达空间中的环境信息，可以有效解决A*路径搜索算法在栅格地图中搜索时间长、计算资源消耗多的问题。

• 基于DRL-PPO求解柔性作业车间调度问题

  董海,鲁婷婷,

  柔性作业车间动态调度问题因其动态性和复杂性成为智能制造领域的研究重点。针对柔性作业车间动态调度问题的复杂性与动态性，提出了一种基于深度强化学习和近端策略优化相结合的调度优化算法。该算法通过构建马尔可夫决策过程模型，定义状态空间、动作空间及多目标奖励函数，设计了离线训练与在线应用相结合的两阶段动态调度框架，以提升调度策略的泛化能力和鲁棒性。实验在不同规模实例中验证了算法的性能，结果表明提出方法在不同规模场景下均优于传统启发式算法和现有学习算法，尤其在大规模实例中最大完工时间降低了23.6%、最优性偏差减少了7.5个百分点，展现了卓越的适应性与优化能力。

• 一种基于两阶段自适应搜索的云计算任务调度算法

  孙超利,张澳龙,刘晓彤,阙凌燕,赵志诚,

  针对云计算任务调度中用户与云服务提供商利益冲突加剧、多目标权衡困难的问题，基于用户与云服务提供商的偏好建立任务调度模型，并提出一种基于两阶段自适应搜索的云计算任务调度算法（TSASA）用于求解该模型。在第一阶段，利用偏好感知距离策略完成种群的聚集，当种群质心方差达到预定义的阈值时，再利用偏好区域分类策略进行第二阶段的搜索。与经典多目标算法、调度领域启发式算法和最新云计算调度算法获得的实验结果对比表明，该算法在中规模云环境下，完工时间比NSGA-Ⅲ缩短约29%，租赁成本比RVEA降低约37.5%；在大规模云环境下，能耗比GrEA低约28.2%，负载均衡指数比MCT-PSO降低约34.8%。实验结果验证了所提算法在平衡多方利益、实现多目标协同优化方面的有效性，为复杂云环境任务调度提供了新思路。

• 基于演化学习的医疗时序知识图谱链接预测方法

  牛崇庆,卢菁,杜钰萱,王劭羽,

  为提高疾病进展、治疗方案及药物反应等医疗事件的预测性能，辅助医疗决策，从电子病历提取出医疗实体及其相互关系，构建医疗知识图谱并利用链接预测模型实现对医疗事件的预测。然而，现有时序链接预测模型面临未能充分利用事实之间的结构依赖信息、难以有效捕捉实体和关系的动态演化特征等问题，提出了基于演化学习的医疗时序知识图谱链接预测模型MedEvoLP。首先构造关系共现图，利用关系图卷积网络和时序图卷积网络进行递归演化，捕捉并发医疗事实中实体和关系的结构依赖，充分利用医疗知识图谱中丰富的上下文信息。MedEvoLP还将多个相邻时间戳组成为时间单元作为模型的基本演化单元，参与医疗实体嵌入与关系嵌入的动态演化，有效捕捉医疗知识图谱的动态演化特征。在MIMIC-III 和DiabetesP中提取的临床记录上与8种基准模型进行了对比实验。实验结果表明，MedEvoLP在多个评估指标上均优于基准模型，例如在MIMIC-III数据集上，MedEvoLP的命中率（hits@1）达到42.37%，证明MedEvoLP模型具有更好的性能。

• 基于3D Gaussian Splatting的室内环境TIGO-SLAM算法

  王凌峰,刘宏杰,余映,

  针对现有SLAM算法在渲染真实感、内存占用和复杂场景适应性方面的不足，提出了一种基于3D Gaussians Splatting的密集SLAM算法——TIGO-SLAM（tensor illumination and Gaussian optimization for indoor SLAM）。该算法集成了基于神经网络的张量光照模型、改进的高斯遮罩算法以及网格化神经场的几何和颜色属性表示，具体创新包括：a）基于神经网络的张量光照模型，增强镜面反射与漫反射效果，从而提升了渲染真实感；b）通过冗余高斯剔除机制改进高斯遮罩算法，有效降低了内存消耗并提高了实时性；c）结合网格化神经场的几何与颜色属性表示，采用优化的码本存储方式，显著提高了渲染性能和场景重建精度。实验结果表明，TIGO-SLAM在室内场景渲染、内存优化和复杂场景适应性方面均有显著提升，特别是在动态室内环境中的渲染和重建效果表现突出，为SLAM技术在资源受限设备上的应用提供了新的可能。

• 基于知识图谱构建和实体校正的查询重写模型

  邓佩晨,黑永桦,魏炳生,冯诗宇,万源,

  针对人工智能对话系统中查询文本存在实体错误导致对话摩擦的问题，现有的基于知识图谱的查询重写模型缺乏自学习能力，在部分专业领域场景存在跨领域适应性差，导致其在实际应用中效果不佳。因此提出了一种基于自动构建对话特定知识图谱的查询重写模型（query rewriting model based on knowledge graph construction and entity correction，QR-KGCEC）。首先，通过动态构建专门针对对话场景的知识图谱，利用历史对话信息实现实体校正；其次，结合错误跨度识别与正确实体预测的双阶段机制，有效提升查询重写的准确性；此外，引入自学习机制，能够在对话过程中不断更新知识图谱与优化实体预测，提升系统对新实体与跨领域场景的适应能力。结果表明，在New York Times和NewsKG21等公开数据集上QR-KGCEC显著优于如KG-ECO和gUFS-QR方法，其中在New York Times数据集上正确触发率提升了159.8%，在NewsKG21数据集上提升了131%；消融实验进一步验证了模型各组件的有效性与整体性能优势。

• 查询负载变化自适应的数据库索引推荐方法

  吴康,牛祥虞,游进国,虞文波,李晓武,丁家满,

  在目前基于深度强化学习的数据库索引推荐中，当负载变化时，由于实际负载与训练负载差距较大，模型的推荐效果会显著下降。针对现有基于深度强化学习的索引推荐算法在负载增量变化下自适应性和模型泛化性不足的问题，提出了一个基于多智能体迁移强化学习的索引推荐算法MARLIA（multi-agent reinforcement learning index advisor）。该算法结合了迁移学习的思想，使用多智能体进行模型训练。在负载变化更新导致模型推荐效果下降时，该算法可以利用策略蒸馏的方式将旧索引推荐策略传递给新索引推荐智能体，提高了模型的泛化性和对动态负载的支持。在TPC-H数据集上的实验结果表明，该算法的负载代价提升率与基线算法相比稳定在7%以内，在负载为120条时缓存命中率为76.3%。该研究表明，MARLIA算法在负载变化时具有强大的自适应性和模型泛化能力。

• 存储系统中低修复成本的局部修复阵列码

  唐金华,黄鹃,杨洋,唐聃,蔡红亮,余洪州,熊攀,

  在大规模分布式存储系统的广泛应用背景下，传统容错编码方案在单盘和双盘故障修复过程中面临读取资源消耗高、修复效率不足等技术难题，提出一种具有局部修复特性的混合校验编码方案——VC-code（vertical central symmetric code）。VC-code通过融合横纵式阵列码的快速修复与负载均衡特性，设计了一种局部水平校验与对角校验交叉融合的结构，并采用纵向中心对称校验布局优化数据依赖关系。该设计将单盘和双盘故障修复的数据读取量显著降低，同时通过缩短修复链提升整体效率。理论分析表明，在单双盘故障恢复时大幅降低了数据读取开销。实验结果进一步验证了其性能优势，与RDP码、LRRDP码以及DRDP码相比，VC-code在单盘故障修复时间上减少了10.45%~29.57%，在双盘故障修复时间上减少了6.35%~33.24%。

• 基于双条带编码结构的低修复成本分组修复码

  余洪州,杨洋,唐金华,黄鹃,唐聃,蔡红亮,

  针对分布式存储系统中纠删码容错技术因修复成本过高制约其实际应用的问题，提出一种具有分组修复性质的双条带分组修复码模型（DSGRC）。该模型创新性地设计了基于双条带编码结构的分组修复架构，通过双条带混合编码策略构建全局与局部校验块的多级冗余结构，在确保数据可靠性的前提下优化故障修复过程。实验结果表明，相较于传统RS码、RGRC、TLRC、SLRC以及CSLRC等编码方案，DSGRC仅需增加少量的存储开销，即可实现将单节点故障修复时间降低10.4%~67.7%、多节点故障修复时间缩减5.4%~51.1%。

• 基于哈希增强技术的分布式系统数据分片方案

  艾志成,曹炳尧,王演祎,

  分布式系统数据分片技术旨在优化数据分布以提升计算效率，然而现有方法在分片质量与冗余控制等方面存在局限。为此，提出一种基于混合局部敏感哈希（hybrid LSH）的分片策略与改进的meta-partitioning优化技术。首先，设计混合LSH框架，通过MinHash与自适应LSH的协同机制实现实体描述的高效初步聚类；其次，提出逆块频率边权重计算方法与动态双阶段剪边策略，优化分片覆盖率与冗余控制。在四个基准数据集上的实验表明：相较于现有方法，该方案使平均分片大小平均降低58.3%，最大分片规模平均减少51.1%，PC指标达96.4%（整体提升3.4个百分点），PQ指标达11.6%（较最差基线提升至少6.6个百分点）。研究成果为分布式系统提供了兼顾分片质量与计算效率的解决方案，其量化指标验证了方法在覆盖率与冗余控制方面的双重优势。

• 跨组织业务流程建模与过程模型挖掘

  辛歌,刘伟,

  为了解决传统的过程挖掘技术难以适应跨组织业务流程的实际需求，提出一种跨组织业务流程建模与模型挖掘方法。首先，在工作流网的基础上扩展嵌套变迁、时间及组织间协作相关库所等元素提出HTC_WF_Net（hierarchical temporal collaborative workflow net）；然后，提出一种跨组织业务事件日志分层构造方法并定义相关协作模式；最后，基于HTC_WF_Net和分层日志提出一种支持隐私保护的跨组织业务过程模型挖掘方法。实验结果证明了算法的有效性，在多个事件日志上对比多种算法，过程模型的精确度、F值表现最优，并展现了良好的可读性和挖掘效率。

• 通信约束下的多无人机路径规划与任务卸载策略

  邓月月,陈海华,

  近年来，无人机（UAV）凭借其灵活性强、快速部署等特点，广泛应用于雾计算场景中，为地面终端提供更加高效可靠的服务。针对雾计算通信网络中多无人机协同任务处理时延优化问题，提出了一种联合优化任务分簇、卸载策略和飞行轨迹的三阶段解决方案。首先，设计了一种基于层次聚类和改进模糊C-均值（IFCM）的任务分簇算法，通过隶属度加权策略实现簇间任务量均衡与通信拓扑保持；其次，构建了任务卸载问题的半定松弛凸优化模型（COS），将非凸问题转换为可求解的凸优化问题；最后，提出改进离散麻雀算法（IDSA），通过自适应通信罚函数和混沌初始化策略优化无人机路径。仿真结果表明，所提方案相较于传统方法，任务完成总时延降低14.3%，通信保持率提升至93.4%，验证了其在灾后救援等时敏场景中的有效性。

• 无人机自组织网络中双态自适应的随机双Q学习路由算法

  孙晨,万家梅,余苏奇,舒坚,

  无人机自组织网络（UANETs）的路由算法设计，需要考虑其应对动态网络变化的能力，以实现快速路径选择和确保数据传输的高效性和可靠性。针对现有的基于强化学习的路由算法应对高速动态网络变化的能力有限等问题，提出了一种双态自适应的随机双Q学习路由算法（2k-adaDQL）。该算法采用随机交替更新的双Q函数来降低传统Q学习中的高估偏差。为满足UANETs路由服务质量的多样化需求，结合多目标优化技术，设计了基于链路可靠性和时延相关的复合奖励函数，以提高算法的服务质量。针对高速动态变化的网络环境，创新性地提出了双态自适应参数调整机制，该机制依据网络状态的不同阶段，设计了灵活参数自适应调控策略，确保算法能够及时应对不同的网络环境变化，从而提升路由算法的适应性。仿真结果显示，与AODV、QMR、QGeo、LN-AODV等算法相比，2k-adaDQL算法在包到达率、平均端到端延时、最大端到端时延三个关键性能指标上均有提升；同时该算法的可扩展性和稳定性也得到了验证，其收敛速度明显快于基本算法QMR。这一结果表明，2k-adaDQL算法在UANETs环境中，特别是在节点分布稀疏且速度变化大的场景下，具有更优的性能表现。

• 基于可重构智能表面的MIMO系统及应用

  刘嘉慧,刘锋,邵蔚,高军,

  旨在优化工业环境下基于可重构智能表面（RIS）的 MIMO 通信系统。首先构建适用于工业场景的信道模型，并提出以最大化系统接收功率为目标的非凸优化问题。针对该难题，创新性地提出一种基于梯度投影算法（GPM）的交替优化策略，通过迭代更新RIS相移矩阵、发射波束成形矢量及接收组合矢量，实现接收功率最大化，提升系统性能。同时研究 RIS 部署位置影响，并与传统译码转发（DF）中继对比。仿真结果表明，当RIS元件数量为18×18时，其系统接收功率与传统DF中继性能相当；当RIS规模增加至24×24时，接收功率较DF中继性能提升172.7%。该成果可为相关通信系统优化部署与性能提升提供参考。

• 高效且平衡的多方PSI协议

  张磊,杨芜蔚,叶前呈,连帅帅,赵兴丰,

  随着应用场景的多样化和私有数据共享规模的扩大，多方隐私集合交集计算（private set intersection，PSI）成为协同数据处理中的一个研究热点。然而，现有的多方PSI协议大多存在着参与方之间开销不平衡的问题，这不仅影响参与方之间的公平性，还影响协议的总体效率。针对该问题，基于不经意键值存储和秘密分享技术，提出了一个高效、平衡的多方PSI协议（EBMPSI）。该协议具备面向所有半诚实敌手的安全性，且可抵抗多个参与方的合谋攻击。理论和实验分析表明，EBMPSI协议有效地平衡了各个参与方之间的计算和通信开销。与现有方案的实验对比表明，EBMPSI协议在资源分布均匀的环境中展现出更高的执行效率。

• 基于CUDA和比特切片的SM4算法软件优化和实现

  吴江雨,何鹏,

  SM4算法作为中国国家标准的对称加密算法，其加密效率是实现高质量、高效率数据保护的关键因素。目前SM4算法优化主要表现在比特切片和指令集优化等方面。比特切片和指令集优化分别存在着数据交互频繁以及高度依赖于底层硬件，不同架构的支持程度存在不同的问题。针对上述问题，提出了在数据处理上采用改进的比特切片优化数据编排的方法，从而提高数据传输效率，并且在CUDA编程模型的框架上，通过本地GPU实现SM4算法的高效通用并行加密。实验结果表明，在使用比特切片后，对小型数据也能够提高速度，处理明文大小为32 KB时加速比（Ep）能达到3.03。另外，与通用SM4算法相比，优化后的SM4算法加密速度可以达到14 648 Mbit/s，加密每字节需要的时钟周期可以达到2.0 cycles/Byte，性能提升40%~215%。该方案在GPU的并行加速下能够大大提升当前SM4算法的加解密效率，在基于改进的比特切片优化下，也能提高小型数据的速度，并且安全性得到了良好的提升。

• 基于累积分布表的离散高斯采样器硬件设计

  邓斯淇,刘思煌,粟涛,

  基于格的密码学被广泛认为是抵御量子计算攻击的有效方法，因此成为后量子密码学的一个重要研究方向。离散高斯采样器在格密码系统中用于引入噪声，对保证系统安全至关重要。提出了一种基于累积分布表（CDT）方法的离散高斯采样器的电路架构，并实现了噪声生成加速器。设计采用流水线架构，可以在每个时钟周期生成一个样本，提高了采样效率；这种架构同时确保了恒定的工作时间，增强了其抵御侧信道攻击的能力。此外，凭借专门为CDT设计的存储和访问模式，设计在保持较小面积开销的同时，实现了对编译时和运行时可配置性的支持，显著增强了高斯采样器的灵活性。该设计不仅实现了高采样效率和高面积效率，还具备抵御侧信道攻击的能力和高水平的可配置性。在FPGA上的实验结果表明，与当前先进的运行时可重构设计相比，该设计在面积时间积上实现了4.86~14.30倍的改进，在电路的可配置性和性能上均具有明显优势。该工作有助于设计更先进的加解密处理器。

• 基于光照探针的三维高斯辐射场压缩算法

  宋明清,郭尧,李晓峰,张严辞,

  针对三维高斯场景数据量庞大及视角相关外观难以保留的问题，提出了一种基于光照探针的三维高斯辐射场压缩算法。该算法通过识别并裁剪冗余高斯图元、引入光照探针以降低球谐函数阶数，以及基于图元重要性进行加权聚类，有效减少了致密化策略以及表征视角相关颜色信息带来的冗余数据。主流数据集上的实验结果表明，该方法有效降低了存储需求，压缩率平均达1/20，同时保持高质量的视角效果与良好的视角相关性。该算法提供了一种有效压缩三维高斯场景的方式，为三维高斯场景在游戏、虚拟现实及数字孪生等领域的应用提供了有力支持。

• 基于跨主体交互和多尺度时间增强的行为识别方法

  张君逸,赵培培,梁松,杨迪,孙奥然,肖涛,

  在图像/视频的行为识别算法中，存在骨骼图数据利用不充分、模型忽略运动中的交互语义信息，以及捕获运动中长短时信息不足等问题，导致在双人交互行为和相似动作场景下识别准确率不高。为解决这些问题，提出一种基于跨主体交互和多尺度时间增强的CTR-GCN（channel-wise topology refinement graph convolution net）网络的行为识别模型。针对输入骨骼图利用不充分的问题，将图数据进行分解来作数据增强，并设计集成网络来处理这些信息。现有算法主要学习单个主体的节点间的关系，忽略了双人交互行为时的交互语义信息的问题，设计了一种跨主体交互的Cformer（Cross-Transformer）深入学习主体间的交互特征。针对图卷积对时序信息中长短帧间信息处理不足的问题，提出了多尺度时间建模来增强模型对长短时特征的提取能力。实验结果表明，模型在NTU-RGBD和NTU-RGBD 120数据集上达到92.7%和89.4%的准确率，尤其在双人交互行为以及相似动作行为的场景下表现优异，验证了模型的有效性。

• 基于时空协同滤波的事件行人重识别

  陈万章,孔军,

  为了解决事件行人重识别领域（event-based person ReID）中事件流噪声问题和类间不平衡问题，提出了一种基于时空协同滤波的事件行人重识别方法（SCF-Net）。该方法包含时空协同滤波器和局部代理稀疏性学习模块两个部分。时空协同滤波器通过利用真实事件之间的时空协同特性来区分真实事件和噪声事件，并滤除噪声事件，以消除事件流中噪声的影响。局部代理稀疏性学习模块考虑了行人特征之间的差异性，通过将行人实例特征映射到局部代理域，并强制各代理互相远离，在特征空间中得到了清晰的类别边界。在Event-ReID数据集上的实验表明，与目前先进的事件行人重识别方法相比，SCF-Net方法取得了较大的性能提升，mAP指标提升了6.9%，Rank-1指标提升了4.4%。

• 基于层次分解的无监督原始红外图像增强

  李钦童,马泳,黄珺,王戈,张灿,

  红外成像设备采集的原始红外图像普遍存在对比度低和目标显著性差等问题，传统增强技术难以自适应处理复杂场景下的光照不均问题，而基于深度学习的方法又过度依赖高质量标签数据。针对上述问题，提出了一种基于无监督学习与层次分解的红外图像增强方法。该方法采用层次分解策略，将输入图像分解为基础层和细节层，通过引入多尺度增强网络自适应调整基础层的亮度与对比度，实现全局与局部信息的优化，并与细节层融合生成增强图像。同时，利用多种无参考损失函数联合优化对比度、亮度和图像熵，在显著提升图像视觉质量的同时避免了配对数据依赖。基于FLIR A700红外相机构建的数据集上的实验结果表明，该方法在对比度增强和细节保留方面优于多种现有算法，能够有效提升目标显著性，验证了其有效性与先进性。

• 针对边缘纹理保留的多模态医学图像融合算法

  柯长豪,王晓明,

  针对多模态医学图像融合过程中细节纹理信息丢失、结构不清晰等问题，提出一种结合掩码技术的无监督端到端的融合网络ETPFusion。该网络引入边缘纹理保留模块，在特征编码阶段能够保留更多的纹理细节信息。其次，为在特征解码阶段捕获特征图的不同位置的依赖关系，引入双层卷积模块。同时，考虑到随着网络层数的增加，特征信息可能会逐渐损失，在残差学习中嵌入边缘纹理保留模块，以此来补充纹理特征信息，并减少源图像中的冗余信息。在图像重构阶段，引入纹理信息掩码模块，旨在强化特征图的纹理信息，并提取其细粒度信息。在多个融合任务上与多种方法的对比实验表明，所提出方法ETPFusion在MI、NMI、PSNR和VIF指标上平均提升4.79%、9.38%、17.7%和26.36%，获得了良好的融合效果，在临床诊断等领域拥有更高的实用价值。

• 上下文协同与混合注意力机制驱动的图像去雾算法

  赵志强,何进良,

  现有的去雾模型在处理雾霾图像时，常因雾霾在不同像素和局部区域的分布不均匀，导致特征提取不充分，进而削弱了对图像纹理和边缘信息的捕捉，影响去雾效果。针对这一问题，提出了一种全新的多域注意力机制与上下文协同的图像去雾方法——HACNet。HACNet创新性地提出了以多域注意力机制（MDA）为基础的混合注意力融合算法（HAF）用于整合局部和全局特征，实现了特征的精细化处理与自适应权重分配。同时提出了上下文自适应感知网络（CAF）协同多尺度膨胀卷积（CAAC），增强了模型对多尺度特征的感知能力，能有效应对雾霾浓度的区域差异。实验结果表明，HACNet 在 RESIDE、NH-Haze 和 Dense-Haze 等数据集上均优于目前的先进去雾模型。HACNet 通过多尺度雾霾特征捕捉与局部-全局细节的平衡，有效提高了去雾性能，具有较强的应用潜力。源代码发布在https://github.com/ruicys/HACNet。