计算机应用研究杂志

计算机应用研究杂志2026年第3期

• 基于秩函数合成的程序终止性验证综述

  蔡裕星,陈长波,李轶,

  秩函数合成是程序终止性验证的主流方法之一，其基本思想是通过构造程序变量状态变换的良序映射来证明程序的终止性。近年来，深度学习技术在秩函数合成中的应用取得了初步进展，在一定程度上缓解了形式化方法对程序分析与逻辑推理等专业知识的依赖，同时为该领域的进一步研究提供了新的思路。为给后续研究提供理论背景和技术参考，首先介绍了秩函数的基本概念，从基于形式化方法和基于学习方法两个方面出发，系统梳理了单一秩函数、字典序秩函数、多阶段秩函数以及神经秩函数合成的代表性工作；在此基础上，收集了相关研究中的程序样例，构建并公开了一个大规模的线性简单循环人工合成数据集，为基于学习方法的研究提供数据支持。最后，针对现有研究在数据集构造、网络结构与训练策略、验证成本等方面的不足，对未来的研究方向进行了展望。

• 智能服装版型生成技术研究综述

  张家福,史英杰,杜方,

  服装版型作为服装的基础单元，是连接设计与生产的关键桥梁。随着服装数字化和智能化需求的提升，智能服装版型生成技术逐渐成为研究重点。系统梳理了当前主流的三维模型、图像和多模态驱动的服装版型生成方法，涵盖模板匹配、优化算法与深度学习等技术路径，分析其适用场景与核心机制；进一步比较了代表性服装数据集的构建方式及其模态特征，总结了当前研究中常用的定量与定性评估。最后探讨未来在知识体系拓展、泛化能力提升、交互性增强与评估体系完善等方面的研究趋势，为智能服装版型生成的理论发展与产业应用提供参考。

• 模态缺失场景下基于生成重构和交互式自挖掘的多模态情感分析

  冯广,周科栋,伍文燕,黄俊辉,林忆宝,刘馨婷,赵志文,苏旭,

  在多模态情感分析任务中，真实应用常出现模态缺失现象，而现有缺失模态生成方法普遍过度依赖自动生成的模态表示，易导致生成误差放大和泛化能力不足等问题。为此，提出一种提示生成-双模态重构-自挖掘的多模态情感分析框架（prompt-reconstruct-mining，PRM）。针对单模态和双模态缺失场景，该框架首先利用生成式提示与已有模态信息对缺失模态进行初步估计，随后设计了双模态支撑重构机制，有效降低了单源生成误差；在融合阶段创新性地引入自挖掘算子（self-mining operator）显式学习未缺失模态的深层语义特征，并提出零向量位插入（zero-slot insertion）策略聚合全局上下文信息。实验结果表明，在CMU-MOSI和CMU-MOSEI数据集的单模态和双模态缺失场景下，PRM模型的accuracy和F1分别平均提升约1%~3%，并且在动态缺失与跨数据集迁移实验中仍表现出稳健的泛化能力，验证了模型在复杂缺失情境下的有效性和鲁棒性。

• 基于分布感知与扩张卷积金字塔的SNO位点预测方法

  段依蒙,牛帅军,闫宇利,李婷,李庆坤,王会青,

  S-亚硝基化（S-nitrosylation，SNO）是一类在多种生理与病理过程中具有关键调控作用的可逆性蛋白质翻译后修饰，其修饰位点的准确识别对于阐明疾病机制与开发靶向治疗策略具有重要意义。针对现有方法易受伪负样本干扰、跨通道语义复杂性高以及语义协同建模困难的问题，进行了融合样本筛选与语义建模的SNO位点预测研究，构建了分布感知与语义融合相结合的预测模型SFEP-SNO（sample-aware filtering and expanding pyramid for SNO prediction）。该模型通过分布感知机制识别并剔除伪负样本，缓解潜在伪阴性样本对训练过程的干扰；同时，基于生物要素特征编码设计扩张卷积金字塔结构，实现多尺度语义融合与关键特征的深层表达。实验结果显示，SFEP-SNO在多个独立数据集上准确率、特异性及AUC等关键指标均取得明显提升，表明该方法能够有效提高SNO修饰位点预测的判别性能，为SNO相关机制研究和疾病诊断提供了有效支撑。

• 知识图谱增强的残差集成网络舆情热度预测方法

  杨敏,李明伍,彭国莉,吴方龙,

  针对现有舆情预测方法难以融合多源异构数据并挖掘深层语义关联的挑战，提出知识图谱增强残差集成框架（KG-ARRE）。该框架提取微博日粒度基础特征，基于文本语义分析构建主客体交互知识图谱，并利用自回归滑动平均模型（ARIMA）提取热度序列残差；随后通过时序卷积网络（TCN）融合多源特征进行建模，并引入多随机初始化子模型和误差加权机制以提升预测稳定性。真实事件数据实验表明，KG-ARRE的平均绝对百分比误差（MAPE）为4.53%，较最优基线模型TCN（MAPE=12.28%）降低63.1%；将框架中的知识图谱与集成模块迁移至BiLSTM等模型后，迁移模型较原始基础模型的MAPE下降2.36~7.05个百分点。结果表明该框架具有较好预测精度与泛化能力。

• 基于CLIP语义特征增强的图像描述

  谷金晶,覃天宝,普园媛,翟祎乔,赵征鹏,

  基于检索的图像描述能够利用丰富的外部先验文本知识，但现有研究仅将检索到的文本用作文本提示，视觉信息则完全依赖于CLIP视觉嵌入。这种方法的局限性在于，模型使用的文本提示信息未能充分表示到视觉嵌入空间。针对该问题，提出了ECSFCap模型，在编码阶段增强CLIP语义特征，进而指导语言模型在解码阶段生成高质量文本的图像描述。首先，将构建的文本信息和输入图像映射到CLIP空间，并变换到多元高斯分布，利用重参数采样法对两个多元高斯分布进行采样。随后，将采样结果、检索文本和视觉嵌入共同输入交叉编码器进行计算，这能有效融合不同模态的语义优势，从而得到增强的CLIP语义嵌入。大量实验表明，语义增强模块可以有效提升模型性能，模型仅需训练2.1 h即可获得122.9%的CIDEr评分和22.5%的SPICE评分。这是同等评价指标级别下训练时间很短的模型，展现了模型低训练成本的优势。

• WKCN:基于小波-KAN协同优化的自适应图像描述算法

  何世鹏,郑豪,

  针对图像描述任务中多尺度纹理表征不足、特征融合冗余及动态语义建模有限的核心挑战，提出一种基于小波-Kolmogorov-Arnold网络（KAN）协同优化的自适应图像描述算法WKCN。首先，设计小波-KAN多尺度非线性增强模块（WKMNE），通过Daubechies-4小波基对图像频带特征进行分解，并结合KAN网络的B样条插值实现纹理非线性增强；其次，提出基于KAN的自适应特征融合机制（KAN-AFF），动态生成空间与通道双权重，以融合ResNet50提取的全局特征与WKMNE输出的频域特征；最后，构建KAN增强动态解码器（KED），将Transformer中的静态前馈网络替换为可学习的KAN激活函数模块，增强语义映射能力。在MSCOCO数据集上的实验表明，WKCN在BLEU-1（81.1）、ROUGE-L（59.1）和CIDEr（133.6）等指标上均达到最优性能；消融实验验证了多尺度特征提取与动态解码的协同效应；超参数分析实验验证了各种超参数选取的合理性；跨数据集实验（Flickr30k、NoCaps）进一步证实了模型具有良好的泛化能力，可视化分析实验直观展现了WKCN的有效性。WKCN为跨模态语义生成任务提供了一种可验证的非线性优化范式。

• 面向智慧医疗的联邦学习动态节点选择和资源分配方法

  刘玉峰,李涵,吴秋新,王灿,秦宇,杨鹏飞,

  将联邦学习应用于无线身体区域网络（wireless body area network，WBAN）可解决隐私数据保护问题，但仍然面临着全局模型准确率下降和能耗高的挑战。提出了面向智慧医疗的联邦学习系统模型，构建了各个WBAN节点参与联邦学习的能耗模型，分析了其数据特性和资源特性。为保护本地数据隐私，避免直接获取原始数据信息，引入KL散度（Kullback-Leibler divergence）代表各节点的统计异构程度，通过信道增益、带宽等指标代表各节点的系统异构程度，提出了一种结合SAC（soft actor-critic）的联邦学习动态节点选择和资源分配方法。在每轮联邦学习训练开始前，SAC算法根据WBAN节点上传的数据特性和资源特性，动态选择参与训练的节点、分配本地计算资源和通信资源，解决WBAN节点的统计异构性和系统异构性导致的全局模型准确率下降和能耗高的问题。在CIFAR10、FashionMNIST、PathMNIST数据集上的实验表明，所提方法相比FedAvg、FAVOR、FLASH-RL，全局模型准确率至多提高20%、能耗降低了50%，并加快了全局模型收敛速度、减小了准确率波动，证明了所提方法的有效性。

• 面向智能交通的安全高效个性化联邦学习框架

  王逸飞,胡颍,蔡婷,陈炜,吴雨芯,李晓丽,叶志伟,

  区块链与联邦学习的融合为智能交通系统提供了一种去中心化、隐私保护的数据协同方案。然而终端设备类型多样、数据分布呈非独立同分布（Non-IID），且传统单链结构难以满足高并发训练的吞吐与延迟需求。为此，提出一种安全高效的个性化联邦学习框架（SCPFL），利用区块链分片按节点地理区域划分网络，实现分片内并行训练与聚合以提升可扩展性和吞吐率；同时，引入基于余弦相似度的个性化方法，在支持个性化模型生成的同时促进跨分片知识共享；并设计筛选与激励双重机制，以抵御恶意节点并提升设备参与度。实验表明，SCPFL在CIFAR-10、MNIST和交通标志数据集GTSRB上的模型性能均优于基线方法，其中相较主流个性化方法（如Ditto）最高可提升18.3%的精度，收敛速度最快提高50%；在系统效率上，相较传统基于主子链的联邦学习架构，系统吞吐量提高约53%，同时处理时间、CPU和内存消耗分别降低33.3%、17.7%和19.7%。

• SDP-FL:选择性差分隐私的工业物联网联邦学习框架

  刘暄,刘亚,王新中,赵逢禹,刘先蓓,

  随着工业物联网（IIoT）的快速发展，如何在保护数据隐私的前提下高效利用设备数据成为亟待解决的问题。联邦学习（FL）作为一种通过本地训练模型并共享模型参数的技术，已成为保障数据隐私的有效方法。然而，现有FL仍存在隐私泄露的风险。为此，提出了一种面向工业物联网的选择性差分隐私联邦学习（SDP-FL）框架。该框架通过将智能工厂的终端设备作为客户端参与联邦学习，在客户端侧通过最小裁剪和高斯噪声保护局部模型隐私；在服务器端，采用基于损失函数差值的筛选机制来设定模型参数更新阈值，仅聚合高质量的本地模型。实验结果表明，SDP-FL框架在MNIST和CIFAR-10数据集上的分类准确率分别为97.8%和79.2%，较传统联邦学习方法分别提高了1.6和0.6个百分点。该方法有效避免了无用梯度的干扰，同时也提升了模型聚合效用。

• 基于Chernoff界的概念漂移检测方法

  杨书蓉,韩萌,丁剑,李娟,朱诗能,代震龙,杨文艳,

  为应对分类模型性能下降的问题，需要及时检测数据流中的概念漂移，以更新基分类器并提高分类准确性。提出一种基于均值的Chernoff界的检测机制，在提升漂移检测速度的同时，确保了较高的准确性。利用基于均值的Chernoff界，提出基于当前均值的Chernoff界和基于全局均值的Chernoff界。此外，为了增强检测的稳定性和精确性，设计复合检验策略，包括双重检验机制与先检测后验证机制，从而构建一种基于Chernoff界的概念漂移检测方法（CDDM）。最后，为了全面评估双重检验机制与先检测后验证机制的有效性，该方法变体并进行性能对比。实验结果表明，该方法在合成数据集上取得了最高85.97%的平均准确率，同时降低了8.80%的漂移检测延迟。实验验证了该方法在提高准确率的同时加快了检测速度。

• 自适应规模邻近与K壳分解的空间并置核模式挖掘

  陈雪瑶,芦俊丽,段鹏,唐明香,

  随着空间信息技术的发展和城市空间数据的快速增长，空间并置模式挖掘已成为理解空间对象潜在关联关系的重要手段。为克服传统方法在表达空间对象主导性及忽略实例规模差异方面的不足，提出一种面向城市功能分析的空间并置核模式挖掘方法。该方法构建了基于实例面积的自适应规模邻近度公式，结合球邻域搜索策略，通过引入面积感知机制与动态阈值半径，有效提升邻近关系判定的准确性与效率。为识别具有核心作用的空间特征，引入K壳分解方法建立图结构，自动筛选出中心性强、结构稳定的核心特征。此外，通过基于特征对划分的并行挖掘策略，显著加快邻近关系计算和频繁模式生成过程。在真实城市POI数据集上的实验结果表明，该方法在模式质量上的整体参与度对比其他方法高出约10%，运行效率上平均提速约为33.8%。实验验证了该方法在模式质量与计算效率方面的显著优势，展现了良好的实际应用前景。

• 基于动态邻域聚合与类型增强的知识图谱补全方法

  韩云佳,范永胜,桑彬彬,徐林,

  针对现有的基于图神经网络的知识图谱补全模型未能区分不同邻居实体对中心实体的贡献度，以及其仅依赖于结构信息的提取，忽略了实体固有类型所携带的重要语义信息，导致嵌入表达能力不足，限制了模型预测性能等问题，提出了一种基于动态邻域聚合与类型增强的知识图谱补全模型。首先，该模型利用注意力机制动态调节实体邻域聚合，精细化邻居实体对中心实体的贡献度，以获得更高质量的实体嵌入，并采用实体类型信息对实体嵌入进行语义增强，提高实体嵌入的语义表达能力；其次，通过构建类型图捕捉关系本质所体现的实体间的类型语义关联，提高关系嵌入质量；最后，将增强后的实体和关系嵌入输入到解码器中，通过一个评分函数，对输入的特征三元组进行打分预测，完成知识图谱补全任务。该模型与目前流行的基线模型CompGCN相比，其性能在FB15k-237和NELL-995数据集上的MRR、hits@3分别提升了1.9、2.3和2.1、0.9个百分点。实验结果表明，该模型能够有效利用实体类型信息对实体和关系嵌入进行增强，从而提高模型在预测任务中的准确度。

• 动态知识选择与自适应迁移的多目标多任务进化算法

  李涛,马昊月,李兴晨,徐久成,

  多目标多任务优化旨在通过跨任务传递搜索经验同时优化一组多目标优化问题。针对问题求解过程中所存在的知识负迁移现象，提出了一种动态知识选择与自适应迁移的多目标多任务进化算法。首先，给出基于邻域协同的种群生成方法，该方法通过任务间微量知识迁移探索新的解空间区域，以缓解子问题的盲目搜索。其次，设计一种动态知识选择与自适应迁移机制，该机制依据子问题的进化状态自适应调整知识类型和知识迁移概率，以降低负迁移。最后，设计历史信息驱动的邻域更新策略，该策略通过利用历史迁移信息动态调整搜索方向和位置信息的邻域结构，以增强算法鲁棒性。实验结果表明，该算法在测试套件CEC21-CPLX以及最优潮流问题上均表现出良好的收敛性和竞争力。

• 基于动态邻接融合与通道混合的图神经网络社团检测方法

  艾均,向潜,苏湛,肖晨曦,

  随着社交网络、电商平台等场景中图数据的动态演化，动态社团检测问题已成为图表示学习中的关键任务。现有方法多基于统一的时间衰减机制建模图结构演化，难以刻画节点间异构的时序行为；同时，节点特征在通道维度的交互建模不足，限制了模型在表达能力与计算效率之间的统一优化。针对上述问题，提出了一种新型动态图学习框架——时序-通道图注意力网络（TC-GAT）。该模型以图注意力网络为基础，融合了动态邻接融合模块（DAF），通过节点自适应的时间权重实现多阶段邻接信息融合，从而刻画多样演化行为；同时引入图通道混合器（GCM），以轻量化方式建模通道间的深度交互，有效提升节点表示能力。在多个真实动态图数据集上的实验结果表明，所提模型在准确率、F1值与AUC等关键指标上均优于主流模型，且具备较高的训练效率。研究结果表明，协同建模时空演化与通道交互有助于提升动态图分析的整体性能，为发展高性能动态图社团检测方法提供了新思路。

• 融合A*算法与模型预测控制的海空协同动态路径规划方法

  李明,李思润,陈浩冉,金毓,张翔勇,张恒,

  针对复杂海洋环境下海空协同路径规划效率低、实时性差及动态适应性不足的问题，提出一种融合新型A*算法与模型预测控制（MPC）的动态路径规划方法（A*-MPC）。首先，为无人船构建多约束路径优化模型，利用动态权重A*算法求解，实现洋流干扰下的路径规划；其次，为无人机构建时空优化模型，利用A*算法及扇区稀疏优化求解，获得三维路径规划；最后，采用分层MPC策略实现海空协同。仿真结果表明，所提算法在计算时间（1.5±0.5 s）、路径平滑度（指数9.24）和避障能力（碰撞风险3.7U）方面优于对比算法，路径长度缩短13.3%，平滑度提升59.3%，为动态海洋救援任务提供了高效、安全的决策支持。

• 车联网环境下考虑侧向偏移效应的网联车辆跟驰模型

  黄宇达,赵红专,王迤冉,

  车联网技术加速落地的背景下，车辆可通过V2V实时共享运动状态，然而既有跟驰模型普遍忽视侧向偏移对纵向稳定性的耦合干扰，导致理论预测与实测拥堵波形偏差较大。针对存在的跟驰车流的交通拥堵问题，基于车辆侧向偏移行为的特性分析，提出了一种考虑侧向偏移效应（lateral offset effect，LOE）的网联车辆跟驰模型。首先，该模型在全速度差跟驰模型的基础上，引入了后视效应、侧向偏移效应和多前车速度信息；其次，通过对该模型进行线性稳定性分析和非线性分析，推导出临界稳定条件，并采用约化摄动法获得mKdV方程的扭结-反扭结波解。数值分析表明，增加后视效应和多前车速度信息，同时减小前车的侧向偏移行为影响，能够增强交通流的稳定性，缓解交通堵塞。该模型提出并验证了一种可同时量化侧向偏移与多车信息影响的网联跟驰模型，为车联网环境下抑制交通拥堵提供了可实施的理论工具与参数设计准则。

• 融合防御式交互机制的人工旅鼠算法及其应用

  韩玉,刘升,

  针对人工旅鼠优化算法在复杂优化问题中存在收敛精度不足且易陷入局部最优的问题，提出了一种融合防御式交互机制的人工旅鼠算法（improved artificial lemming algorithm，IALA）。首先，通过种群自适应调节因子动态平衡算法探索和开发的能力；其次，采用随机掩码维度学习策略，提高算法在复杂空间中的求解能力；此外，引入防御式交互机制，增强算法跳出局部最优的能力；最后，结合混沌-高斯混合变异策略，提高算法后期局部开发精度。为验证所提算法的有效性和实用性，将其与多种优秀算法在CEC2017和CEC2022测试集上进行对比实验并应用到3个工程优化问题的求解中。结果表明，IALA的Friedman平均排名稳居首位；相较于原始算法，其平均值误差降低了28.62%，标准差平均降低了44.31%。在实际工程问题中，IALA表现出较好的适用性和优越性。

• 基于动态输出节点选择的遗传规划算法解决本体匹配问题

  贺国东,吕青,薛醒思,

  遗传规划（GP）是求解本体匹配问题的有效方法，然而，由于本体匹配任务具有庞大的搜索空间，固定根节点输出的GP无法快速地获取高质量匹配结果。为了提高算法的搜索效率和匹配结果的质量，提出了一种基于动态输出节点选择的GP。该算法将动态输出节点选择机制引入到基于GP的匹配过程中，自适应地为每个个体确定多个输出节点，充分地探索解空间；其次，提出新的概率分布引导的选择方法，根据概率分布来指导个体输出节点的选择过程，并通过统计分析种群的进化信息来自适应地调整概率分布，促进算法快速收敛；最后，设计了位置感知的交叉与变异算子，通过考虑交叉（或变异）点与GP树中精英子树之间的位置关系，采用不同的育种策略平衡全局探索与局部开发。实验结果表明，该方法能够快速地确定高质量的匹配结果，优于先进的匹配方法。

• 时滞效应下双层耦合网络舆情传播动力学模型

  徐会杰,马静珂,

  针对社交媒体环境中舆情传播的动态过程，探讨了信息传播与消亡过程中存在的时间滞后对官方-民间双层耦合网络舆情演化的影响。首次建立官方层（OLN）与民间层（CLN）耦合的双层网络传播动力学框架，并引入时滞参数τ刻画权威信息发布与公众响应的延迟过程，通过稳定性理论及Hopf分岔分析，研究系统平衡点的存在性与稳定性。时滞τ存在一个临界值τc，当ττc时，系统失稳并发生Hopf分岔，舆情将呈现周期性波动。OLN的阻止率和推进率均能降低传播阈值R0，其中阻止率对控制舆情传播作用更为显著。时滞是影响双层网络舆情稳定性的关键因素，官方迅速捕捉舆情动态并及时干预能够降低舆情传播风险。

• 基于知识蒸馏及元梯度初始化剪枝的混合压缩方法

  张红梅,潘守登,刘坷嘉,霍俊杰,杜瑞洋,韦宏毅,

  针对深度神经网络在初始化剪枝中存在表征退化与精度下降的问题，提出一种双阶段同构蒸馏框架（dual-stage homogeneous distillation，DHD），以实现高效稀疏建模。该方法包括同构自蒸馏（homogeneous selfdistillation，HSD）阶段和稀疏感知温度耦合（sparsity-aware temperature coupling mechanism，SATC）阶段。HSD阶段采用参数镜像初始化策略，构建拓扑对称的学生网络，通过自蒸馏优化增强参数平滑性及模型性能；SATC阶段通过动态调整教师模型中正确类与错误类的蒸馏温度，实现知识迁移强度与剪枝率的自适应匹配。在CIFAR-10、Tiny-ImageNet和ImageNet数据集上的实验表明，该方法在91.4%的剪枝率下仍能保持较高精度，显著优于SNIP、GraSP等方法。提出的DHD框架有效缓解了高剪枝率下的表征退化问题，提升了稀疏子网的性能与鲁棒性，为边缘设备部署提供了可行的模型压缩方案。

• 基于双图与多层次对比的多变量时间序列异常检测方法

  吴雨露,凌捷,

  多变量时间序列异常检测对于保障工业系统与物联网的稳定运行至关重要。现有方法对于多变量时间序列中变量间复杂依赖关系的提取往往不够充分，且对正常模式的构建能力不足，判别异常时效果欠佳。为此，提出一种基于双图与多层次对比的多变量时间序列异常检测方法DGMLC。该方法基于图注意力机制构建时间图与空间图，以充分提取时间序列的时序特征与变量依赖关系；通过卷积操作将时间图与空间图聚合并作为空间图的注意力权重，得到特征聚合图；设计多层次对比学习，对时间图、空间图和特征聚合图进行联合训练来预测时间序列的正常模式，并基于预测误差实现异常检测。在SMAP、MSL、SWaT和WADI数据集上进行实验，所提方法的平均F1分数达到92.86%，较现有方法有显著提升。实验结果表明，所提方法在变量间依赖关系提取和正常模式建模方面具有显著优势，验证了其在多变量时间序列异常检测任务中的优越性能，具备良好的应用前景。

• AACD:基于属性协同的自适应物质扩散推荐算法

  钱晓东,王汝宽,

  针对传统基于二部图的物质扩散算法难以适应用户偏好异质性和物品属性多样性的问题，提出了一种自适应属性协同的物质扩散算法（adaptive attribute-collaborative material diffusion，AACD）。首先引入属性竞争力系数，对用户偏好进行差异化捕捉；其次构建用户-属性耦合结构，自适应调控扩散路径与强度，从而挖掘高阶协同信号并提升资源传递的灵活性；最后通过稳态解分析保证算法的收敛性。通过在Ciao等三个公开数据集上的实验显示，在MovieLens-1M数据集上，recall@N、precision@N和NDCG@N较最优基准模型分别提升了6.57%、7.03%和11.37%，其结果验证了AACD在缓解资源分配偏差问题和流行度偏移问题的有效性。

• 基于开源大语言模型的文本增强框架

  霍浩鑫,管卫利,方志杰,

  针对传统数据增强方法仅在数据层面操作，难以突破语义空间封闭性的问题，提出了一种基于 DeepSeek 的文本增强框架（DS-Aug）。该框架利用推理链提示模板生成语义一致且具领域特异性的增强样本和蒸馏知识，并设计知识感知迁移融合模型，通过注意力门控机制动态注入领域相关外部知识，从而提升模型的知识迁移与小样本学习能力。在 BBC 新闻主题分类和 MR 影评情感分析两个公开数据集上的实验结果表明，DS-Aug 在准确率和F1 分数上均优于传统增强方法和部分预训练模型。结果验证了 DS-Aug 在提升分类性能方面的有效性，尤其在小样本与跨领域任务中表现出较强的鲁棒性。该研究为开源大语言模型在领域文本分类中的应用提供了新的思路与参考。

• 超图驱动的多源知识融合情感对话生成方法

  朱永梦,詹卫华,

  情感对话生成是提升系统交互体验的关键环节，但现有方法在多源知识建模和情感策略引导方面仍存在不足，难以同时捕捉语义、情感和策略间的高阶依赖关系。为解决上述问题，提出了一种超图驱动的多源知识融合情感对话生成模型（MIFS-HGCN）。该模型通过关系时序超图将历史对话、情感状态、策略回复和对话背景等信息进行动态场景建模和特征聚合。然后，使用门控-注意力协同机制在情感和策略的双重约束下进行多源知识的高效融合，以生成情感一致、策略合理的共情回复。ESConv数据集上的实验结果表明，模型的困惑度下降至14.25，在BLEU-1/2、Distinct-1/2和ROUGE-L指标上相较于之前的KEMI和DQ-HGAN等模型均有显著的提升。研究结果表明，该模型能够有效提升情感对话生成的准确性、连贯性和多样性。

• 基于时空上下文感知的解纠缠兴趣点推荐

  杨晓文,李锦翔,况立群,孙福盛,庞敏,李潞洋,

  现有PoI推荐方法在时空上下文建模与兴趣解纠缠方面存在不足，难以兼顾多层次的时空依赖，且用户兴趣容易混淆，限制了对多样性兴趣和冷门PoI的发现。针对上述问题，提出了一种基于时空上下文感知的解纠缠兴趣点推荐模型（ST-DPR）。该模型设计了基于Transformer结构的变分自编码器模块（DIDVAE），用两个独立编码器分别建模主要兴趣与多样性兴趣，以刻画不同兴趣模式之间的差异性。利用分层编码器进一步捕捉签到序列中的局部与全局时空上下文信息，实现对用户偏好的精细建模。训练阶段结合交叉熵损失、VAE的重构损失、KL散度和互信息损失以提升预测性能并促进兴趣解纠缠。基于Foursquare NYC、TKY和US三个真实数据集的实验表明，ST-DPR在命中率（HR）和归一化折损累积增益（NDCG）指标上优于现有先进模型，验证了其在PoI预测任务中的有效性与优越性。

• 基于MAPPO算法的串行多车间调度方法

  闫俊宇,吴孟武,

  针对串行多车间动态环境复杂、生产调度困难等问题，提出了一种基于多智能体深度强化学习的调度优化方法。将调度过程建模为马尔可夫决策过程模型，设计了机器选择与AGV调度两类智能体并构建车间多智能体协同调度框架。引入异步更新机制对MAPPO（multi-agent proximal policy optimization）算法进行改进以提升其适应性，同时结合plant simulation构建车间仿真模型，实现了MAPPO算法与仿真模型协同优化。以某设备制造工厂为例，设置不同任务规模及扰动场景开展实验，结果表明所提出的方法在完工时间、资源利用率和负载均衡性方面均优于传统调度规则、遗传算法以及主流多智能体算法，展现出良好的适应性和稳定性。

• 融合音类检测和模板匹配的声韵母标注方法

  孙林嘉,康美金,王莹琳,

  针对低数据条件下连续汉语语音的自动声韵母标注方法进行了研究。提出采集有限样本构建声韵母模板，采用模板匹配策略确定连续语音中声韵母的边界及转写。基于声韵母特性，系统性地引入音类检测技术，将连续语音分为清音、浊音及元音等音类区域，以此提升模板匹配的精度与效率。将融合音类检测和模板匹配的声韵母标注方法应用于普通话、晋方言和吴方言的语音数据集，系统开展性能分析与效果测试。实验结果表明，每个声韵母模板使用20~25个样本构建，所获标注结果的精确率、召回率及F1值分别达92.68%、93.05%和92.86%。即便在引入噪声的情况下，各项指标仍保持较高水平，分别达91.97%、92.51%、92.43%。与多项方法比较，准确率、召回率和F1值分别至少提升了4.46、4.29和4.37个百分点。证实所提方法在可控成本下能够取得鲁棒的标注结果。

• 基于GSPN的云控制系统容错构型建模与可靠性评估

  吕书玉,戴新发,马中,高毅,胡哲琨,

  云计算服务较低的可用性与工业控制系统较高的可靠性之间存在显著矛盾。通过冗余容错构型能够以空间为代价提升云控制系统的无故障运行时间，但需解决基于多副本的云控制系统容错架构设计与可靠性量化评估问题。结合云计算资源弹性扩展、虚拟机/容器动态迁移、故障自恢复等特性，设计了冗余热备、冗余冷备、三模冗余三类空间冗余容错构型，通过“1←N”模式的冗余副本机制实现容错构型的动态自重构，并基于广义随机Petri网构建容错构型可靠性模型，描述容错构型的故障逻辑与行为模式，采用蒙特卡罗仿真方法对容错构型的可靠性进行量化评估，避免复杂系统等效可达图状态空间组合爆炸的问题。实验表明，空间冗余容错构型的动态重构特点能够显著提升云控制系统的可靠性，所提可靠性建模与评估方法也有效解决了状态空间复杂性问题。

• 一种通用的基于Wi-Fi探针数据的人群密度估计方法

  黄中意,黄仟嬴,房志明,石志钢,

  随着对于大规模人群聚集活动的监控需求日益凸显，基于Wi-Fi的人群密度监测技术逐渐应用于公共安全管理，但其受限于RSSI（received signal strength indicator）的显著波动性与MAC地址匿名化造成的个体识别困难，特别在高密度场景下，其估计精度与稳定性仍难以保障。对此，提出一种抗随机性的Wi-Fi探针数据人群密度估计方法，通过设计一种基于时间窗的累计RSSI计算策略，利用局部建模构建区域密度映射关系，捕捉区域人群的动态变化，实现了复杂环境下稳定人群密度估计。所提方法在米级精度上分别取得了0.972 3的整体准确率和0.897 4的高密度场景准确率，实验结果表明其性能良好，具备跨场景推广的理论潜力与良好的泛用性。

• 基于双链结构与HMB+树索引的食品溯源查询方案

  刘嘉艳,邓小鸿,朱蕴真,刘秋平,

  针对基于区块链的食品供应链溯源系统中数据存储压力大与查询效率低的问题，提出了一种基于双链存储结构与HMB+树索引机制的溯源查询方案。首先，构建联盟链+私有链的双链架构，以实现对产品各阶段信息分开上链，并减轻主链的存储负担；同时，引入以监管机构为核心的公证人组，通过采用批量签名与异步验证机制提升跨链事务的处理并发度与协同效率。其次，提出一种基于哈希表与MerkleB+树的混合索引结构HMB+树，在区块头中引入最大/最小键以缩小查询范围，借助哈希表实现对多字段的快速索引映射，并利用MerkleB+树高效的范围查询与多条件查询操作，提升数据定位能力。最后，在私有链中设置基于指数平滑的冷热跳表索引重构机制，动态划分冷热区块并自适应调整索引层级，进一步优化高频查询路径并提高检索效率。实验结果表明，此方案相较于现有方法在查询效率方面提升了49.5%，并有效缓解了链上存储压力，为区块链在食品安全与溯源查询领域的深入应用提供了有力的技术支撑。

• 基于自注意力机制的全局社区隐藏算法

  冯志超,张博瀚,荆军昌,李永波,刘栋,

  社区检测算法在揭示网络结构和挖掘数据方面具有显著优势，但也带来用户隐私泄露的潜在风险。为解决该问题，社区隐藏已成为一个广泛研究的解决方案。然而，现有的大多数社区隐藏的研究集中在拓扑网络上，在属性网络方面取得的进展很有限。针对上述问题，提出了一种基于自注意力机制的社区隐藏算法（self-attention mechanism network community hiding，SANCH）。该算法利用自注意力机制对节点属性之间的全局依赖关系进行建模，并通过整合图的结构信息生成对抗性扰动。它计算节点之间的注意力权重以导出节点嵌入表示，随后得出链路存在的概率。基于预定义的扰动预算，该算法选择对社区结构影响最大的链路进行添加或删除，从而实现有效的社区隐藏。实验结果表明，SANCH在针对各种社区检测算法时具有出色的隐藏性能和鲁棒性。

• 基于异质图和Mamba的跨模态遥感语义分割

  叶志伟,冯青阳,刘明明,王苑,高榕,严灵毓,

  针对可见光遥感影像语义分割中跨模态特征异构性显著及深层语义交互效率低下的问题，提出了一种跨模态异质图引导的Mamba网络（CHGMNet）。该方法通过设计跨模态异构特征对齐模块（CHFAM），利用异质图卷积构建可学习的特征相似性度量，实现光谱-几何特征在共享语义空间的自适应校准，有效缓解模态间维度失配问题。同时，创新性地提出多路径融合Mamba模块（MPFM），通过线性复杂度的状态空间模型捕获多层次融合特征，结合多路径自适应架构在保持全局上下文建模能力的同时显著提升计算效率。实验结果表明，在 Vaihingen 和 Potsdam 两个大规模高分辨率遥感数据集上，CHGMNet 在 mIoU、mF1 和 OA 等指标上均显著优于现有主流方法，验证了其在跨模态遥感解译任务中的优越性。

• 基于非对称框架的高效图像语义检索范式

  王越芸,黄华,

  针对图像检索中全局特征匹配-重排序两级架构存在的计算冗余与可扩展性差问题，提出非对称全局特征检索范式OnlyGlobal。该方法构建离线图库端多模态特征融合与在线查询端轻量处理的协同框架，将传统重排序优势融入离线特征增强，实现精度与效率协同提升。算法核心贡献包括：离线阶段通过多尺度变换与语义分割构建多粒度特征空间；引入关键点热图引导的特征增强机制，强化判别性区域表达；采用自适应聚合生成增强特征，建立维度恒定的非对称匹配模型。实验表明，该方法在保持单阶段架构简洁性的同时，显著优于现有技术。通过去掉在线多尺度处理与重排序计算环节，将查询特征提取效率提升超300%，整体匹配实现数量级加速，为十亿级图像检索的工程部署提供了可行方案。

• 基于双编码器与扩散模型的三重对比学习的脑疾病诊断

  王晨,张丽梅,王俊泽,李雅茹,李学娇,李东楷,许丽娜,

  针对静息态功能磁共振成像（resting-state fMRI）在脑疾病诊断中存在标注成本高、传统对比学习方法数据增强效果欠佳的问题，提出一种融合双编码器与扩散模型的三重对比学习框架CL-MambaGIN。该方法采用图同构网络（GIN）编码器提取脑功能网络空间特征，结合Mamba时序编码器捕捉血氧水平依赖（BOLD）信号动态特性；创新性地引入扩散模型生成符合生理特性的增强样本，并通过三重对比学习实现跨维度特征对齐。在自闭症（ABIDE）和抑郁症（REST-MDD）跨站点诊断任务上的实验表明，所提方法相较于主流基线模型展现出较高的分类性能优势。研究证实，该框架通过时空特征融合与跨维度对比策略，能有效提升脑疾病诊断的准确性，缓解小样本过拟合问题，并增强模型在未参与训练站点数据上的泛化能力。

• 青光眼视盘视杯分割中的特征增强与类平衡优化策略

  罗敏,曹路,曾军英,麦超云,黄秀清,赵菲菲,何锡权,

  为了提升视盘和视杯分割精度，助力青光眼早期诊断，提出了一种基于U-Net架构的改进型深度可分离多尺度聚合网络（DSMA-Net）。首先，引入自适应可分离多尺度注意力模块，以增强特征表示能力并有效捕捉视盘和视杯的复杂结构，从而减少边界模糊现象；其次，将该网络的部分传统卷积替换为深度可分离卷积，降低计算复杂度，并提升模型效率；此外，采用改进的自适应加权Tversky损失函数，使网络聚焦于视盘和视杯像素，缓解背景像素占主导的问题，进一步提高分割精度。实验结果表明，在DRISHTI-GS、RIM-ONE-R3和ORIGA三个公开数据集上，DSMA-Net在视盘和视杯分割任务中具有显著优势，能够为青光眼早期诊断提供有力的技术支持。

• 基于改进堆叠沙漏网络的人体姿态估计

  吕超,马歌谣,

  针对堆叠沙漏网络在复杂场景人体姿态估计任务中存在注意力机制缺失导致语义感知能力弱、固定卷积采样模式导致几何建模能力差、结构冗余影响推理效率问题，设计了一种轻量高效的改进网络架构。该网络采用空间-通道双路径协同注意力模块，从空间维度增强关键点感知、抑制背景干扰，同时在通道维度筛选高语义特征，实现多维特征优化；引入多态线性可变形卷积瓶颈模块，通过异构初始采样形状提升对复杂姿态结构的几何建模能力；构建ELA-PCCW沙漏模块，在保持特征完整性的同时显著降低模型复杂度以提升模型推理效率。在MPII与COCO2017两个主流数据集上进行性能评估，结果显示，所提方法在MPII数据集上PCKh@0.5提高2.3个百分点，参数量和计算量分别减少9.1M和6 GFLOPs，在精度与复杂度之间形成良好平衡。对比实验和可视化分析进一步验证了该方法在多种复杂场景人体姿态估计任务中的优越性。

• FDR-Net:融合动态图卷积与频域推理的人体运动预测

  贾文博,张孙杰,

  随着具身智能与人机交互技术的快速发展，对人体运动意图的精准预测成为提升交互自然性与安全性的关键。针对现有基于图卷积的人体运动预测方法存在时空特征耦合不足、长期依赖建模能力有限的问题，提出一种融合动态图卷积与频域推理机制的人体运动预测方法。该算法首先设计多跳最大相对图卷积增强局部运动模式捕捉能力，结合重参数化条件位置编码实现位置感知；其次引入时序感知注意力机制建模跨帧依赖关系；最后构建频域图网络，通过傅里叶变换在频域空间进行多尺度运动特征推理。在Human3.6M和3DPW数据集上的对比实验表明，该方法较主流方法平均位移误差显著降低，预测轨迹更贴近真实运动。结果验证了融合动态图卷积与频域推理能有效提升人体运动预测的精度和长期稳定性，为自然安全的人机交互提供了技术支持。