计算机科学

第52卷第3期目录

计算机科学. 2025, 52 (3): 0-0.

摘要 ( 182 )

PDF(13034KB) ( 397 )

相关文章 | 多维度评价

元宇宙技术发展与应用综述

曹明伟, 张迪, 彭圣洁, 李宁, 赵海峰

计算机科学. 2025, 52 (3): 4-16. doi:10.11896/jsjkx.241000095

摘要 ( 286 )

PDF(3868KB) ( 342 )

参考文献 | 相关文章 | 多维度评价

元宇宙是一个结合了虚拟现实、增强现实、人工智能和互联网技术的虚拟世界,它不仅提供了一个数字化的沉浸式环境,还代表着一种新的社会互动和经济模式。随着一些科技巨头和创新企业的积极投入,元宇宙的快速发展在多个领域引起了广泛关注。着眼于元宇宙的起源、技术基础、当前应用以及对社会和经济的影响,探讨了其面临的隐私和安全问题,并展望了未来的发展方向。通过对元宇宙的多个方面进行深入分析,以期为理解和探索这一复杂前沿领域提供全面的理论框架,并为未来进一步对其进行研究和实践提供参考。

元宇宙中三维场景重建技术综述

宋星诺, 王丛妍, 陈鸣锴

计算机科学. 2025, 52 (3): 17-32. doi:10.11896/jsjkx.241000043

摘要 ( 141 )

PDF(3463KB) ( 348 )

参考文献 | 相关文章 | 多维度评价

随着虚拟现实(Virtual Reality,VR)、增强现实(Augmented Reality,AR)、区块链、人工智能(Artificial Intelligence,AI)等多种技术的发展,元宇宙逐渐被应用于游戏、教育、医疗、商业等许多领域。三维重建技术作为元宇宙的核心技术,因具有极高研究价值和广泛应用前景而受到关注。传统的三维重建技术在处理以实时交互性为特点的元宇宙任务中表现不佳,其计算效率以及重建模型精度都有很大提升空间。因此,如何优化三维重建技术,提高精度和鲁棒性,为用户提供更真实、更实时的交互体验,成为当前的研究热点。文中对近几年元宇宙中基于场景生成的三维重建技术进行了跟踪与归纳。首先,回顾元宇宙的发展历程,指出其中三维重建技术面临的挑战,并提出基于两种不同三维表示的解决思路。其次,分别梳理了基于三维高斯(3D Gaussian)和神经辐射场(Neural Radiance Field,NeRF)表示的三维重建技术。然后,主要分析了三维重建技术与触觉信号、大语言模型的创新融合方法。最后,详细探讨了元宇宙中基于场景生成的三维重建技术面临的挑战,并提出其未来研究方向。

LpDepth:基于拉普拉斯金字塔的自监督单目深度估计

曹明伟, 邢景杰, 程宜风, 赵海锋

计算机科学. 2025, 52 (3): 33-40. doi:10.11896/jsjkx.240800069

摘要 ( 156 )

PDF(4291KB) ( 312 )

参考文献 | 相关文章 | 多维度评价

自监督单目深度估计受到了国内外研究人员的广泛关注。现有基于深度学习的自监督单目深度估计方法主要采用编码器-解码器结构。然而,这些方法在编码过程中对输入图像进行下采样操作,导致部分图像信息,尤其是图像的边界信息丢失,进而影响深度图的精度。针对上述问题,提出一种基于拉普拉斯金字塔的自监督单目深度估计方法(Self-supervised Monocular Depth Estimation Based on the Laplace Pyramid,LpDepth)。此方法的核心思想是:首先,使用拉普拉斯残差图丰富编码特征,以弥补在下采样过程中丢失的特征信息;其次,在下采样过程中使用最大池化层突显和放大特征信息,使编码器在特征提取过程中更容易地提取到训练模型所需要的特征信息;最后,使用残差模块解决过拟合问题,提高解码器对特征的利用效率。在KITTI和Make3D等数据集上对所提方法进行了测试,同时将其与现有经典方法进行了比较。实验结果证明了所提方法的有效性。

基于边缘增强的选择性特征融合肾癌三维CT图像分割

王涛, 白雪飞, 王文剑

计算机科学. 2025, 52 (3): 41-49. doi:10.11896/jsjkx.240300091

摘要 ( 122 )

PDF(3375KB) ( 293 )

参考文献 | 相关文章 | 多维度评价

针对肾癌三维CT图像存在病变区域多尺度、边缘像素稀疏、对比度低以及肿瘤形状复杂且不规则等问题,提出一种基于边缘增强的选择性特征融合肾癌三维CT图像分割网络(EE-SFF U-Net)。EE-SFF U-Net采用基于U-Net的对称编解码网络架构,编码路径中包含一个用于强化边缘信息的边缘增强模块,可有效挖掘、利用浅层特征信息以缓解边缘像素稀疏问题,同时避免小目标的漏检。此外,在网络的跳跃连接中,设计一个选择性特征融合模块,使得深浅层特征相互补充,实现不同信息的有效聚合。最后提出一个综合Generalized Dice Loss和Focal Loss的混合损失函数,利用动态权重调整策略,实现损失函数的优化训练,并降低病变区域多尺度和肿瘤形状大小不规则带来的影响。所提方法在保证病变区域整体定位准确的同时,强化对小目标特征信息的挖掘利用,从而提高分割的准确性和鲁棒性。在KiTS19公开数据集上的实验结果表明,与其他分割算法相比,该方法各项指标表现良好,分割性能有显著提升。

基于区域编码的可驱动头部虚拟化身重建算法

王杰, 王创业, 谢九成, 高浩

计算机科学. 2025, 52 (3): 50-57. doi:10.11896/jsjkx.240200060

摘要 ( 113 )

PDF(2876KB) ( 224 )

参考文献 | 相关文章 | 多维度评价

传统的头部化身大多基于 3D 可变形模型(3DMM) 制作,虽然 3DMM 能够方便地进行驱动,但无法表达头发等非刚性结构。近期,基于神经辐射场的头部化身工作虽然取得了优秀的视觉效果,但在可驱动性和训练效率上存在不足。为了解决以上问题,单目视频被作为原始数据,一个数量动态增长的点云被用来构建可驱动的头部虚拟化身。点云能够通过光栅化操作快速渲染为图像,大大减少了训练时间。在纹理表示上,颜色被解耦为反照率和阴影,阴影又进一步被分解为法线和通过对点进行稀疏性编码获得的区域特征的组合,这种分解最终得到了更精准的纹理。然而,点云固有的离散性质会导致渲染时出现孔洞。因此,一项法线平滑策略被用来提高纹理的连续性,从而有效地消除了牙齿、舌头等区域上的纹理孔洞。在多个主体上的大量的实验表明,相比 IMavatar,PointAvatar,NerFace和 StyleAvatar 等目前最好的头部化身构建算法,基于点云并结合区域编码和法线平滑策略构建的可驱动头部化身在 PSNR 指标上平均取得了约3.41% 的提升。消融实验表明,相较于不使用区域编码和法线平滑策略,所提方法的 PSNR 指标分别提升了约3.50% 和3.44%。

基于区域显著性与空间特征提取的说话人像合成方法

王邢波, 张浩, 高浩, 翟明亮, 谢九成

计算机科学. 2025, 52 (3): 58-67. doi:10.11896/jsjkx.240300030

摘要 ( 103 )

PDF(4590KB) ( 210 )

参考文献 | 相关文章 | 多维度评价

音频驱动的说话人像合成技术致力于将任意的输入音频序列转换为逼真的说话人像视频。近期,基于神经辐射场(NeRF)的多个说话人像合成工作取得了优秀的视觉效果。但是,此类工作仍普遍存在着语音-嘴唇同步欠佳、躯干抖动和合成视频清晰度较低等不足。为了解决上述问题,提出了一种基于区域显著特征和空间体积特征的高保真说话人像合成方法。具体而言,一方面,开发了一个区域显著性感知模块用于头部建模。它利用多模态输入信息动态调整头部空间点的体积特征,同时优化基于哈希表的特征存储,从而提高面部细节表征的精确度和渲染效率。另一方面,设计了一个空间特征提取模块用于躯干的独立建模。不同于现有方法普遍采用的直接基于躯干表面空间点坐标估计其颜色和密度的方式,该模块利用参考图像构建躯干场以提供对应的纹理和几何先验,从而实现更清晰的躯干渲染和自然的躯干运动。应用于多个人物主体的实验结果表明,在自我重建场景中,所提方法相较于当前最优的基线模型,在图像质量上(PSNR,LPIPS,FID,LMD)分别取得了10.15%,12.12%,0.77%和1.09%的提升,在嘴唇同步精度上(AUE)提高了14.20%。此外,在交叉驱动(使用非训练集音频)的场景下,该算法在嘴唇同步精度(AUE)上提升了4.74%。

基于中心点注意力的多视角多人三维人体姿态估计

江以恒, 李洋, 刘春颜, 赵蕴龙

计算机科学. 2025, 52 (3): 68-76. doi:10.11896/jsjkx.240600063

摘要 ( 109 )

PDF(3046KB) ( 229 )

参考文献 | 相关文章 | 多维度评价

多视角多人三维人体姿态估计被广泛应用于各类计算机视觉任务中。当前基于空间体素的方法由于需要消耗巨大的资源难以实现在边缘计算设备上的实时性运算;而回归方法因缺乏几何约束导致泛化能力有限,在新的环境中无法直接应用而需要采集数据进行微调。通过结合空间体素方法与基于回归的姿态估计方法并融合二者的特点,提出了基于中心点注意力回归的多视角多人三维人体姿态估计模型。该模型通过一个小规模的体素网络粗略估计人体中心点位置,并以此构建初始姿态,随后在人体中心点的范围内进行回归预测得到更精确的人体姿态。本研究通过结合空间关键点位置,使得模型的回归预测更加准确,在大尺度上平均准确率提升1.16%,同时使得模型非常容易训练,在小样本微调中准确率最多提升了12%。这使得基于回归的模型可以在新的场景下通过小数据量的训练快速部署而实现泛化性能和通用性的大幅提升。

基于注意力机制与对比损失的单视图草图三维重建

钟悦, 谷杰铭

计算机科学. 2025, 52 (3): 77-85. doi:10.11896/jsjkx.240200102

摘要 ( 103 )

PDF(2857KB) ( 232 )

参考文献 | 相关文章 | 多维度评价

元宇宙是三维的沉浸式互联空间。随着虚拟现实、人工智能等技术的发展,元宇宙正在重塑人类的生活方式。三维重建是元宇宙的核心技术之一,其中,基于深度学习的三维重建是计算机视觉领域的研究热点。针对手绘草图难以避免的前景和背景模糊性、绘制风格差异性和视角偏差问题,提出了基于注意力机制与对比损失的单视图草图三维重建方法,重建过程中无需额外的标注信息和交互操作。该模型首先通过空间变换模块矫正输入草图的空间位置,随后使用基于归一化的注意力模块在草图上建立长距离和多层次的依赖关系,利用草图的全局结构信息缓解前景和背景的模糊性所带来的重建困难,并设计对比损失函数使模型学习到对草图风格和视角不变的潜空间特征,提升模型对输入草图的鲁棒性。在多个数据集上的实验结果证明了所提模型的有效性和先进性。

跨视角地理定位中的三维交互机制

周博文, 李阳, 王家宝, 苗壮, 张睿

计算机科学. 2025, 52 (3): 86-94. doi:10.11896/jsjkx.240500020

摘要 ( 69 )

PDF(3306KB) ( 190 )

参考文献 | 相关文章 | 多维度评价

跨视角地理定位是一种图像检索任务,其目的是在不同视角下使用无地理坐标的图像与数据库中有地理坐标的图像进行检索匹配,从而获取目标图像的地理位置信息。然而,现有方法大多忽略了全局位置信息和特征完整性,导致模型无法捕获深层语义信息;另外,现有的二维交互方式未充分利用维度间关系,导致跨维交互不充分。为解决上述问题,设计了一种跨视角地理定位三维交互机制。该方法利用ConvNeXt作为特征提取网络,随后使用所提出的三维交互机制(Triplet Interaction Mechanism,TIM)进行特征丰富操作,最后利用联合损失函数指导模型训练。所提方法在模型内进行了多次三维交互,缓解了二维特征投影部分信息丢失的问题。同时,所提出的三维交互机制在3个通道中使用不同的注意力,使模型对跨视角图像的平移、缩放、旋转具有鲁棒性。实验结果表明,所提方法在University-1652数据集上针对无人机视角定位和无人机导航两个任务均取得了最优性能。

基于拆分联邦学习的元宇宙视线交互中的隐私主动保护方法研究

骆正权, 王云龙, 王子磊, 孙哲南, 张堃博

计算机科学. 2025, 52 (3): 95-103. doi:10.11896/jsjkx.240500038

摘要 ( 76 )

PDF(2925KB) ( 198 )

参考文献 | 相关文章 | 多维度评价

随着元宇宙的迅猛发展,视线交互技术作为元宇宙核心交互方式受到广泛关注,视线隐私问题愈发引起人们的担忧。视线不仅可以表征凝视方向,还能用于个体身份识别,以及识别一系列敏感的软生物特征,如年龄、性别、种族等,甚至可以用于推断个体的情绪、认知状态和决策过程。因此,研究元宇宙视线交互中的隐私保护策略变得极为关键。此外,元宇宙中很多基于视线交互的新功能需要利用特定的个体隐私属性以提供更好的服务,然而目前尚无主动控制视线隐私进行选择性流通的方法。为此,首先围绕视线隐私泄露问题展开了分层次、定量的实证研究;接着创新性地提出了一种融合联邦学习与拆分学习的视线隐私保护框架,有效降低了隐私泄露的风险;进一步地,提出了一种基于对抗训练的主动隐私控制策略,不仅实现了针对性的隐私过滤,而且提高了视线模型的泛化能力;最后进行了严谨的实验验证,所提方法在视线数据的隐私保护和交互性能方面展现出了双重优势,为元宇宙环境中视线交互的隐私保护提供了创新的解决路径和技术方案。

融合动态加权图卷积的三维目标检测

李宗民, 戎光彩, 白云, 徐畅, 鲜世洋

计算机科学. 2025, 52 (3): 104-111. doi:10.11896/jsjkx.240700041

摘要 ( 77 )

PDF(2810KB) ( 234 )

参考文献 | 相关文章 | 多维度评价

三维目标检测是自动驾驶中最关键的技术之一,基于激光雷达的三维目标检测通常在点云构建的场景中进行。目前的三维检测方法不能充分地利用点云的结构信息,这将导致目标物体的误检和漏检。为此,提出了基于动态加权图卷积的DEG R-CNN。首先,在RoI中对节点设置主邻点和次邻点,为目标物体构建点云的图结构,恢复物体的几何信息;然后,在图中利用Gaussian函数和一维卷积,高效地聚合点云的结构特征;最后,使用交叉注意力机制自适应地融合不同粒度的图像特征,为点云补充图像语义信息。在KITTI数据集上进行实验,验证了各个模块的有效性,三维目标检测的3D mAP达到88.80%,相比基线模型提高了1.22%。同时,对三维目标检测的结果进行了可视化,并对可视化结果进行了分析。

基于深度学习的气象预报模型研究综述

王嫄, 霍鹏, 韩毅, 陈暾, 汪祥, 温辉

计算机科学. 2025, 52 (3): 112-126. doi:10.11896/jsjkx.240900095

摘要 ( 281 )

PDF(2812KB) ( 377 )

参考文献 | 相关文章 | 多维度评价

实时准确的气象预报关乎人民生计、环境生态以及军事决策,受到各界人士的广泛关注和重点研究。数值气象预报是当前的主流预报方法,经过长期发展,其预报精确性和可靠性不断提高,但仍然面临系统误差无法避免、历史观测数据难以利用,以及计算开销巨大等重大挑战。随着深度学习技术的快速兴起,数据驱动的人工智能方法逐渐应用于气象预报领域,为应对上述挑战提供了全新技术手段。基于上述背景,文中全面总结了数值气象预报和深度学习气象预报的研究现状,系统梳理了深度学习气象预报模型的相关概念和输入数据,详细阐述了应用于各类气象预报任务的代表性模型,深入对比了不同模型的技术架构和性能指标,并且分析讨论了该领域目前面临的挑战和未来发展的方向,旨在为相关研究提供参考。

基于多主体演化博弈均衡模型的数据要素的进场交易与可信流通体系构建研究

张丽丽, 章政

计算机科学. 2025, 52 (3): 127-136. doi:10.11896/jsjkx.240200003

摘要 ( 96 )

PDF(2593KB) ( 179 )

参考文献 | 相关文章 | 多维度评价

与传统生产要素相比,数据要素的非排他性、非竞争性和非标准化性等特点决定了可信场内交易体系是实现数据要素市场可持续发展的关键。引导交易双方进场交易是解决当前我国数据要素可信流通体系缺失、数据流动不足、场内交易不活跃等问题的“突破口”。通过构建包括政府、数据提供方、数据需求方三方主体的演化博弈模型并进行政策仿真分析发现,在给定条件下,政府通过提高场外交易惩罚额度、提高场内交易收益、降低进场交易成本和场外交易收益等措施,可以促进交易双方进场交易行为的实现;而进场交易补贴激励、进场激励或场外交易惩戒强度、数据需求方场外交易收益等政策变量对推动相关主体进场交易的作用并不显著,在政策机制设计中可忽略这些变量的影响。

风险最小化加权朴素贝叶斯分类器

欧桂良, 何玉林, 张曼静, 黄哲学, PhilippeFournier-Viger

计算机科学. 2025, 52 (3): 137-151. doi:10.11896/jsjkx.240600045

摘要 ( 79 )

PDF(4091KB) ( 171 )

参考文献 | 相关文章 | 多维度评价

朴素贝叶斯分类器被誉为机器学习领域的十大经典算法之一,其以完备的理论基础和简单的模型结构而闻名,在许多的实际应用中取得了良好的分类效果。然而条件属性独立性假设在一定程度上限制了朴素贝叶斯分类器的性能,因此大量的改进工作被提出来缓解这一问题,加权朴素贝叶斯分类器便是其中之一。在对边缘概率权重作用深入分析的基础之上,文中提出了一种基于风险最小化的加权朴素贝叶斯分类器(Risk Minimization-Based Weighted Naive Bayesian Classifier,RM-WNBC),即在权重确定的过程中同时考虑分类器的经验风险和权重的结构风险。不同于现有的过分关注朴素贝叶斯分类器外在泛化性能的改进策略,RM-WNBC是从朴素贝叶斯分类器的内在概率分布出发改善其泛化性能。经验风险度量了加权朴素贝叶斯分类器的分类能力,采用后验概率的估计质量表示;结构风险刻画了加权朴素贝叶斯分类器对属性相关性的处理,采用类条件概率的均方差表示。经验风险最小化保证了RM-WNBC可以获得良好的训练精度,同时结构风险最小化又使得RM-WNBC能够取得最佳的属性相关表达能力。为了获得RM-WNBC的最优权重,推导了高效且收敛的权重更新策略来保证结构风险和经验风险的最小化。在31个UCI和KEEL标准分类数据集上对RM-WNBC的可行性、合理性和有效性进行了验证。实验结果表明:1)RM-WNBC的训练和测试精度随着边缘概率权重的不断更新逐渐增加直至收敛;2)RM-WNBC具有比现有加权朴素贝叶斯分类器更好的属性相关性表达能力;3)在给定的显著性水平下,RM-WNBC在31个数据集上能够获得比经典朴素贝叶斯分类器、3种贝叶斯网络、4种加权朴素贝叶斯分类器和1种特征选择朴素贝叶斯分类器更好的训练和测试表现。

一种基于改进NSGA-III的联邦学习进化多目标优化算法

胡康琦, 马武彬, 戴超凡, 吴亚辉, 周浩浩

计算机科学. 2025, 52 (3): 152-160. doi:10.11896/jsjkx.240600014

摘要 ( 113 )

PDF(2620KB) ( 202 )

参考文献 | 相关文章 | 多维度评价

联邦学习是一种新型的分布式机器学习方法,可以在不共享原始数据的前提下训练模型。当前,联邦学习方法存在针对模型准确率最优化、通信成本最优化、参与者性能分布均衡等多个目标同时优化难的问题,难以做到多目标的同步均衡。针对该问题,提出联邦学习四目标优化模型及求解算法。将全局模型错误率、模型准确率分布方差、通信成本、数据成本作为优化目标,构建优化模型。同时,针对该模型的求解搜索空间大,传统NSGA-III算法难以寻优的问题,提出基于佳点集初始化策略的改进NSGA-III联邦学习多目标优化算法GPNSGA-III(Good Point Set Initialization NSGA-III),以求取Pareto最优解。该算法通过佳点集初始化策略将有限的初始化种群以均匀的方式分布在目标求解空间中,相较于原始算法,使第一代解最大限度地接近最优值,提升寻优能力。实验结果证明,GPNSGA-III算法得到的Pareto解的超体积值相较于NSGA-III算法平均提升107%;Spacing值相较于NSGA-III算法平均下降32.3%;对比其他多目标优化算法,GPNSGA-III算法能在保证模型准确率的情况下,更有效地实现模型分布方差、通信成本和数据成本的均衡。

融合知识图谱的负采样方法

陆海洋, 柳先辉, 侯文龙

计算机科学. 2025, 52 (3): 161-168. doi:10.11896/jsjkx.240500015

摘要 ( 83 )

PDF(1702KB) ( 189 )

参考文献 | 相关文章 | 多维度评价

为了解决信息过载的问题,推荐系统被广泛研究。由于很难获取大量高质量的显式反馈数据,隐式反馈数据成为训练推荐系统的主流选择。从未标记的数据中采样负例,即负采样,对于训练基于隐式反馈的推荐模型非常重要。现有推荐系统的负采样方法往往只关注如何选择包含更多用户偏好信息的强负样例,却没有考虑强负样例的假阴性问题。为了降低采样得到的负样例的假阴性概率并提高其信息量,提出了一种融合知识图谱的负采样方法。首先,根据用户-项目知识图谱构建负样例候选集;然后,通过基于贝叶斯分类的方式从候选集中筛选假阴性概率最小的负样例;最后,基于Mixup策略引入正混合技术构建强负样例。为了验证所提出方法的有效性,在两个公开数据集上进行了实验。结果表明,与现有方法相比,所提方法表现更优。

基于群体投票的移动性数据驱动地点类别推测

熊可钦, 阮思捷, 杨芊雨, 徐常炜, 袁汉宁

计算机科学. 2025, 52 (3): 169-179. doi:10.11896/jsjkx.240600164

摘要 ( 51 )

PDF(4247KB) ( 160 )

参考文献 | 相关文章 | 多维度评价

地理信息是经济社会发展所需的基础数据,而兴趣点数据是其中一种常见且重要的数据类型。兴趣点数据的采集,传统上由地图厂商完成,存在成本高、空间覆盖不全、粒度不够细等问题,影响了下游应用的精准性。幸运的是,移动互联网的普及产生了大量移动性数据,其揭示了兴趣点的存在且具有推测地点类别的潜力。但是利用移动性数据推测地点类别因用户访问地点稀疏、移动上下文依赖关系复杂、用户的个体行为随机等问题面临挑战,现有工作无法较好地应对。因此,提出了一种基于群体投票的移动性数据驱动地点类别推测方法Milotic。该方法对地点类别的推测细化到每一条移动轨迹中,通过图模型建模了地点间复杂关系,通过签到嵌入和Bi-LSTM充分保留并融合了细粒度轨迹上下文信息,同时通过投票机制克服了个体行为的随机性。实验结果表明Milotic在两个真实移动性数据集上的加权F1值分别比最优基线提高了7.5%和13.3%。

基于数据增强的异质图注意力网络

杨应修, 陈红梅, 周丽华, 肖清

计算机科学. 2025, 52 (3): 180-187. doi:10.11896/jsjkx.231200138

摘要 ( 96 )

PDF(1996KB) ( 206 )

参考文献 | 相关文章 | 多维度评价

异质图是由不同类型节点及边构成的图,可建模现实世界中各种类型对象及其关系。异质图嵌入旨在捕捉图中丰富的属性、结构和语义等信息,学习节点嵌入向量,用于节点分类、链接预测等任务,进而实现用户识别、商品推荐等应用。在异质图嵌入方法中,元路径通常被用来获取节点间的高阶结构和语义信息,然而现有方法忽略了元路径实例中不同类型节点或异质图中不同类型邻居节点的差异,导致信息丢失,进而影响节点嵌入质量。针对上述问题,提出基于数据增强的异质图注意力网络(Heterogeneous graph Attention Network based on Data Augmentation,HANDA),以更好地学习节点嵌入向量。首先,提出基于元路径邻居的边增强。该方法基于元路径获取节点的元路径邻居,用节点及其元路径邻居形成的语义边增强异质图。这些增强边不仅蕴含了节点间的高阶结构和语义,还缓解了异质图的稀疏性。其次,提出融入节点类型注意力的节点嵌入。该方法采用多头注意力从多个角度学习不同直接边邻居及增强边邻居的重要性并在注意力中融入节点的类型信息,进而通过消息传递、直接边邻居及增强边邻居同时获取节点的属性、高阶结构和语义信息,提升了节点嵌入质量。在真实数据集上的实验验证了HANDA模型在节点分类、链接预测任务上的效果优于基准模型。

FedRCD:一种基于分布提取与社区检测的聚类联邦学习算法

王瑞聪, 边耐政, 吴英俊

计算机科学. 2025, 52 (3): 188-196. doi:10.11896/jsjkx.240100213

摘要 ( 87 )

PDF(3478KB) ( 204 )

参考文献 | 相关文章 | 多维度评价

将客户端聚类并在簇内进行联邦学习是缓解传统联邦学习算法在非独立同分布(Non-IID)数据场景下表现不佳的一类有效方法。这类方法大多使用客户端本地模型的参数来表征数据特性,并利用参数间的“距离”来评估相似性,从而实现客户端的聚类,但由于神经网络神经元的置换不变性,聚类效果可能会不准确。此外,这类方法通常需要预设聚类数量,可能产生不合理的聚类,或者需要在算法迭代过程中进行聚类,这将带来过大的通信开销。在深入分析了现有方法的缺点之后,提出了一种新颖的联邦学习算法FedRCD。该算法结合了自编码器和K-Means算法,直接从客户端提取数据集的分布信息来描述其特性,从而降低了对模型参数的依赖;FedRCD还将客户端关系组织成图结构,并通过Louvain算法完成客户端聚类关系的构建,这个过程无需预设聚类数量,因此聚类结果更加合理。实验结果表明,FedRCD能更有效地挖掘客户端间的潜在聚类关系,在多种非独立同分布数据场景下,与其他联邦学习算法相比,显著提升了神经网络的训练效果。在CIFAR10数据集上,FedRCD的准确率比经典的FedAvg算法提高了37.08%,比最新发布的FeSEM算法也提高了1.89%,同时展现出更优秀的公平性表现。

基于试题-知识点异构图和多特征融合的知识追踪模型

解培中, 李冠进, 李汀

计算机科学. 2025, 52 (3): 197-205. doi:10.11896/jsjkx.240700151

摘要 ( 83 )

PDF(2716KB) ( 195 )

参考文献 | 相关文章 | 多维度评价

知识追踪要求基于学习者的历史作答情况来预测未来的答题表现,并评估知识状态的变化。探索学习者知识状态的变化有助于实现个性化服务,如课程推荐和试题推荐。然而,现有的大多数知识追踪模型在建模时考虑的特征不够全面,不能综合衡量学习者知识状态的变化。针对这一问题,提出一种新的知识追踪模型——基于试题-知识点异构图和多特征融合的知识追踪模型(EKMFKT)。具体而言,从学习者的学习过程出发,研究了两种行为特征(尝试次数和提示次数)以及两种时间特征(响应时间和间隔时间)对知识状态的影响。然后,设计了学习门和遗忘门,以模拟知识的获取和遗忘,全面更新知识状态的变化。另外,对于模型的输入,设计了基于试题-知识点异构图的图嵌入方法来预训练试题表示,使得模型的输入保持试题和知识点的关联。在两个公开数据集上的实验结果表明,EKMFKT在预测性能上优于现有模型。通过引入多个特征并确保试题与知识点的关联,EKMFKT使知识状态的变化更合理,增强了模型的可解释性。

基于多原型重放和对齐的类增量无源域适应

田青, 康陆禄, 周亮宇

计算机科学. 2025, 52 (3): 206-213. doi:10.11896/jsjkx.240100166

摘要 ( 61 )

PDF(2165KB) ( 168 )

参考文献 | 相关文章 | 多维度评价

传统无源域适应通常假设目标域数据全部可用,然而在实际应用中目标域数据常以流的形式出现,即未标记的目标域中的类会依次增加,这无疑带来了新的挑战。首先,在每个时间步骤中,目标域的标签空间都是源域的一个子集,盲目对齐反而会导致模型性能下降;其次,在学习新类的过程中会破坏先前学习到的知识,导致之前知识的灾难性遗忘。为了解决这些问题,提出了一种基于多原型重放和对齐(MPRA)的方法。该方法通过累积预测概率检测目标域中的共享类来应对标签空间不一致问题,并采用多原型重放来处理灾难性遗忘,提高模型的记忆能力。同时,基于多原型和源模型权重进行跨域的对比学习,从而对齐特征分布,提高模型性能。大量的实验表明,所提方法在3个基准数据集上都取得了优越的表现。

基于子频带前端模型和反向特征融合的说话人确认方法

王萌威, 杨哲

计算机科学. 2025, 52 (3): 214-221. doi:10.11896/jsjkx.240100222

摘要 ( 64 )

PDF(1742KB) ( 184 )

参考文献 | 相关文章 | 多维度评价

现有说话人确认方法中用于提取帧级特征的时延神经网络(TDNN)存在两个问题,一是缺少对局部频率特征的建模能力,二是多层特征融合方式无法对高层和低层特征之间的复杂关系进行有效建模。因此,提出一种新的前端模型以及一种新的多层特征融合方式。在前端模型中,通过将输入特征图划分为多个子频带,并逐层扩大子频带的频率范围,使TDNN可以渐进地对局部频率特征进行建模。同时,在主干模型中新增一条由高层向低层传递的反向路径,对相邻两层输出特征之间的关系进行建模,并将反向路径中每层的输出拼接后作为融合后的特征。此外,在主干模型中使用逆瓶颈层的设计,进一步提升模型的性能。在VoxCeleb1测试集上的实验结果表明,所提方法与目前的TDNN方法相比,等错误率和最小代价检测函数分别降低了9%和14%,而参数量仅为目前方法的52%。

基于元学习的半监督声音事件检测方法

沈雅馨, 高利剑, 毛启容

计算机科学. 2025, 52 (3): 222-230. doi:10.11896/jsjkx.240100191

摘要 ( 58 )

PDF(2324KB) ( 182 )

参考文献 | 相关文章 | 多维度评价

现有的半监督声音事件检测方法直接使用强标签合成样本、弱标签真实样本和无标签真实样本进行训练,以缓解标签样本量不足的问题。然而,合成和真实数据域之间存在不可避免的分布差异,这种差异会干扰模型梯度优化方向,从而限制模型的泛化能力。针对这一问题,基于元学习(Meta Learning)提出了一种新颖的半监督声音事件检测学习范式MMT(Meta Mean Teacher)。具体来说,对于每个训练批次的数据,将其分为由合成样本组成的元训练集和由真实样本组成的元测试集;将模型在元训练集上计算的元梯度作为元测试梯度更新的指导,使模型感知并学习到更具泛化性的知识。在DCASE2021任务4数据集的测试集上进行对比实验,结果表明,相较于官方基线,所提出的学习范式MMT在F1,PSDS1和PSDS2指标上分别提升了8.9%,6.6%和1.1%;相较于当前的先进方法,所提出的学习范式MMT同样表现出了显著的性能优势。

融合上下文引导代价体和深度细化的多视图立体重建

陈光远, 王朝辉, 程泽

计算机科学. 2025, 52 (3): 231-238. doi:10.11896/jsjkx.231200111

摘要 ( 75 )

PDF(2880KB) ( 192 )

参考文献 | 相关文章 | 多维度评价

针对基于深度学习的多视图立体(Multi-view Stereo,MVS)重建算法仍然存在图像特征提取不全面、代价体匹配模糊以及深度误差不断积累而导致在无纹理和重复纹理区域重建效果差的问题,提出了基于上下文引导的代价体构建和深度细化的级联MVS网络。首先,利用基于无参注意力的特征融合模块过滤无用特征并通过特征融合来解决多尺度特征不一致的问题;然后,利用基于上下文引导的代价体模块融合全局信息来提高代价体匹配的完整性和鲁棒性;最后,利用深度细化模块学习深度残差来提升低分辨下深度图的准确性。实验结果表明,在DTU数据集上,该网络相比MVSNet完整度误差减小了24.4%,准确度误差减小了4.1%,整体误差减小了14.3%,其在Tanks and Temples数据集上性能也优于大多数算法,展现出强大的竞争力。

大模型金融场景能力评测框架研究

程大伟, 吴佳璇, 李江彤, 丁志军, 蒋昌俊

计算机科学. 2025, 52 (3): 239-247. doi:10.11896/jsjkx.240900123

摘要 ( 111 )

PDF(1655KB) ( 327 )

参考文献 | 相关文章 | 多维度评价

随着大模型技术的快速发展,其在金融领域的应用已成为推动行业变革的重要力量。构建标准化、系统化的金融能力评测框架是衡量大模型金融场景能力的重要途径,但是现有的评测方法存在评测数据集泛化性弱、任务场景覆盖面窄等缺点。因此,提出了一种面向大模型金融能力的评测框架CFBenchmark,该框架由金融自然语言处理、金融场景计算、金融分析与解读,以及金融合规与安全四大核心评估模块构成,基于模块内的多任务场景设计和系统化评测指标来为金融领域大模型的能力评估提供标准化、系统化的解决途径。实验结果表明,大模型在金融场景下的表现与模型参数、架构和训练过程息息相关,同时大模型在金融合规与安全领域仍有很大改进空间。未来随着大模型在金融领域的应用愈发广泛,大模型金融能力测评框架需完善更多真实场景的任务设计与高质量测评数据的收集,以提升大模型在多样化金融场景下的泛化能力。

生成式任务网:基于大模型的自主任务规划与执行范式

黄雪芹, 张胜, 朱先强, 张千桢, 朱承

计算机科学. 2025, 52 (3): 248-259. doi:10.11896/jsjkx.241100068

摘要 ( 116 )

PDF(3190KB) ( 231 )

参考文献 | 相关文章 | 多维度评价

得益于生成式人工智能的发展,无人系统的智能规划技术将迎来新的变革。首先分析了传统智能任务规划范式在泛化性、可迁移性以及任务规划前后连贯性等方面的缺陷,针对性地提出了基于大模型的任务规划与执行新范式,即生成式任务网。该方法可以帮助无人系统实现任务自主发现、智能规划与自动执行,形成问题到解决的闭环,同时使无人系统的任务规划过程具备了可泛化和易迁移的优势。然后介绍了生成式任务网的内涵,并完成了它的要素定义和流程建模,进而设计了一个通用应用架构。最后以N航空公司航材库作为场景进行应用分析,有效提升了无人系统在仓库管理中的智能化和自动化水平。

一种基于直接反馈对齐的精确脉冲时间学习规则

宁黎苗, 王自铭, 林志诚, 彭舰, 唐华锦

计算机科学. 2025, 52 (3): 260-267. doi:10.11896/jsjkx.240100195

摘要 ( 60 )

PDF(2370KB) ( 172 )

参考文献 | 相关文章 | 多维度评价

由于脉冲神经元和突触复杂的时空动力学特性,训练脉冲神经网络比较困难,目前尚不存在公认的核心训练算法与技术。为此,提出一种基于直接反馈对齐(DFA)的精确脉冲时间(PREST-DFA)学习规则。受脉冲分层误差再分配(SLAYER)学习算法的启发,PREST-DFA使用基于脉冲卷积差的误差信号,输出层通过迭代方式计算出误差值,利用基于DFA的误差传输机制,将误差广播至隐藏层神经元,最后实现突触权值更新。仿真实验表明,实现了时间驱动的PREST-DFA学习算法具有精确脉冲时间学习能力。根据文献查询结果,这是首次验证基于DFA机制的学习算法可以在深层网络中控制脉冲的精确发放时间,说明DFA机制可以应用于基于脉冲时间的算法设计。另外还进行了学习性能和训练速度的比较,实验结果表明PREST-DFA能在较低的推理延迟下实现良好的学习性能,与采用相同学习规则使用反向传播训练的学习算法相比,能够加快训练速度。

一种基于TVM的自动调度搜索优化方法

韩林, 王一帆, 李嘉楠, 高伟

计算机科学. 2025, 52 (3): 268-276. doi:10.11896/jsjkx.240100126

摘要 ( 83 )

PDF(2394KB) ( 183 )

参考文献 | 相关文章 | 多维度评价

随着人工智能的迅猛发展,新型算子与硬件不断涌现,算子库的开发和维护面临着巨大的挑战,仅仅依靠手工优化已无法满足AI模型性能提升的需求。Ansor是一种基于TVM的算子自动调度技术,可以针对不同的后端搜索深度学习模型或算子的最佳调度方案,生成高性能代码而无需用户手动定义模板,但其巨大的搜索空间造成了搜索效率低下的问题。因此,提出了两种优化方案:1)基于强化学习的算法实现最佳性能草图的选择;2)基于机器学习模型的突变规则预测。两种优化方案旨在缩短最佳调度方案的搜索时间,快速生成高性能的算子。为评估优化方案的有效性,对Resnet-50等3种模型和conv2d等3种算子进行测试与评估。结果显示,优化后的Ansor只用70%~75%的搜索时间就可以生成性能与之前相同甚至更优的目标程序,并且在最佳迭代次数下,目标程序的推理速度最高可提升5%。

基于双向图注意力网络的潜在热点话题谣言检测

李劭, 蒋方婷, 杨鑫岩, 梁刚

计算机科学. 2025, 52 (3): 277-286. doi:10.11896/jsjkx.240100204

摘要 ( 98 )

PDF(3758KB) ( 211 )

参考文献 | 相关文章 | 多维度评价

现有社交网络谣言检测方法大多将社交网络中的单个帖子视为检测目标,存在因数据量不足而导致的检测冷启动问题,影响检测性能。另外,现有方法没有对海量社交网络信息中与检测无关的信息进行过滤,导致检测时延较长,性能较差。在分析谣言的传播特征时,现有方法大多侧重于谣言传播过程中的静态特征,难以充分利用节点间的动态关系对复杂的传播过程进行表征,导致性能提升存在瓶颈。针对以上问题,文中提出了一种基于潜在热点话题和图注意力神经网络的谣言检测方法,该方法采用神经主题模型和潜在热点话题发现模型进行话题级别的谣言检测以克服冷启动问题,并设计了一个基于双向图注意力神经网络的检测模型TPC-BiGAT,分析谣言话题传播过程中的动态特征以进行谣言真实性检测。在3个公开数据集上进行了多次实验证明,该方法在准确率上较现有方法取得了3%~5%的显著提升,验证了所提方法的有效性。

融合关系模式和类比迁移的知识图谱补全方法

宋宝燕, 刘杭生, 单晓欢, 李素, 陈泽

计算机科学. 2025, 52 (3): 287-294. doi:10.11896/jsjkx.240700156

摘要 ( 101 )

PDF(2245KB) ( 206 )

参考文献 | 相关文章 | 多维度评价

近年来,知识图谱嵌入(Knowledge Graph Embedding,KGE)作为一种主流方法在知识图谱补全任务中已取得显著效果。然而,现有KGE方法仅在数据层考虑三元组信息,忽略了不同三元组间在逻辑层存在的关系模式语义,导致现有方法仍存在一定性能缺陷。针对上述问题,提出一种融合关系模式和类比迁移的知识图谱补全方法(Fusing Relational-pattern and Ana-logy Transfer,RpAT)。首先,在逻辑层,根据实体关系的语义层次结构,细分为不同的关系模式;其次,在数据层,提出一种模式类比对象生成方法,该方法利用关系模式性质生成目标三元组相似类比对象,依据类比对象对缺失信息进行迁移;最后,提出一种融合了原始知识图谱嵌入模型的推理能力与类比迁移能力的综合性评分函数,以提升图谱补全性能。实验结果表明,在FB15k-237和WN18RR数据集上,相较于其他基线模型,RpAT方法的MRR值分别提升了15.5%和1.8%,验证了在知识图谱补全任务中的有效性。

基于可微知识图谱的多跳知识库问答

魏谦强, 赵书良, 张思漫

计算机科学. 2025, 52 (3): 295-305. doi:10.11896/jsjkx.240600095

摘要 ( 69 )

PDF(1982KB) ( 185 )

参考文献 | 相关文章 | 多维度评价

知识库问答是一个具有挑战性的热门研究方向。目前,基于嵌入的方法通过隐式推理得到问题的答案而不能产生完整的推理路径,基于可微知识图谱的模型只需要将问题答案对作为弱监督信号就可以产生可解释的结果。基于可微知识图谱,提出了一个端到端编码器-解码器模型。编码器使用多头注意力机制和LSTM对问题进行细粒度顺序建模,生成能更好地表示问题每一跳语义特征的查询向量;解码器使用前馈神经网络实现问题多跳推理的注意力机制,能更好地表示问题每一跳在整个问题中的权重。所提模型解决了以前粗粒度非顺序建模方法存在的信息丢失问题。在5个数据集MetaQA-1hop,MetaQA-2hop,MetaQA-3hop,WebQSP和CWQ上进行实验,模型分别取得了97.5%,100%,100%,77.8%和51.4%的准确率。消融实验表明,各个模块都对模型整体性能的提高有贡献。

定向无线自组网中的邻居发现算法综述

李想, 朱小军, 冯斯梦, 董超, 张磊

计算机科学. 2025, 52 (3): 306-317. doi:10.11896/jsjkx.240600108

摘要 ( 84 )

PDF(2103KB) ( 178 )

参考文献 | 相关文章 | 多维度评价

对当前无线定向自组网领域中的定向邻居发现算法的相关研究成果进行了系统性总结。首先,从定向自组网在无线通信中的重要性出发,介绍了相关背景知识和基本概念,指出其在无线通信领域的研究前景。然后,依据不同的技术标准,对定向邻居发现算法进行了多个维度的分类和比较,分别深入探讨了各种算法在不同应用场景下的适用性和局限性,具体分类包括基于扫描序列设计的确定性和随机性算法、同步和异步算法、纯定向和全向辅助发现算法、全盲和半盲算法,以及直接和间接邻居发现算法。接着,结合提出的分类方法以及算法的实际应用情况,详细阐述了部分重要定向邻居发现算法的设计原理及其收敛过程,包括确定及随机性邻居发现算法、异步邻居发现算法,以及利用机器学习技术的优化算法。最后,探讨了定向邻居发现算法的未来研究方向及应用趋势。

基于BTMA的LoRa网络隐藏终端MAC协议研究

汪浩, 蔡宇航, 陈国杰, 王璐

计算机科学. 2025, 52 (3): 318-325. doi:10.11896/jsjkx.240700203

摘要 ( 61 )

PDF(3312KB) ( 170 )

参考文献 | 相关文章 | 多维度评价

低功耗广域网(Low Power Wide Area Network,LPWAN)技术的出现,能够在保证更远距离的通信传输的同时,最大限度地降低功耗,节约传输成本。LoRa(Long Range)技术作为其中的佼佼者,凭借其远距离、低功耗、大容量、强抗干扰、高接收灵敏度的特点,备受工业界和学术界的青睐。针对目前工业中主流使用的基于ALOHA的LoRaWAN协议无法很好地解决海量终端设备接入LoRa网络后所带来的严重数据包冲突以及LoRa CAD(Channel Activity Detection)功能带来的隐藏终端问题,提出了一种基于BTMA(Busy Tone Multiple Access)的LoRa网络MAC协议——BT-MAC协议。该协议利用了LoRa高接收灵敏度的特性,网关利用“忙音”信标来通知各个节点网关的工作情况,减少了无效包的发送。同时,节点端通过记录有“忙音”信息和本地信息的逻辑信道矩阵,结合最优信道选择算法,选出最优逻辑信道进行发送,降低了端节点上行数据包之间的冲突,有效缓解了LoRa网络中的隐藏终端问题以及阻塞问题。此外,搭建了LoRa网络MAC协议测试平台,并测试了BT-MAC的有效性,完成了室内和室外环境大规模的并发实验和能耗检测实验。实验结果表明,BT-MAC 协议的吞吐量是 LMAC-2 协议的 1.6 倍,是 ALOHA 协议的 5.1 倍;同时其包接收率达到 LMAC-2 协议的 1.53 倍,ALOHA 协议的 17.2 倍;其包接收平均能耗约为 LMAC-2 协议的 64.1%,为 ALOHA 协议的 14.2%。

基于类脑脉冲神经网络的边缘联邦持续学习方法

王冬芝, 刘琰, 郭斌, 於志文

计算机科学. 2025, 52 (3): 326-337. doi:10.11896/jsjkx.240900070

摘要 ( 77 )

PDF(5090KB) ( 146 )

参考文献 | 相关文章 | 多维度评价

移动边缘计算因具有通信成本低、服务响应快等优势,已经成为适应智能物联网应用需求的重要计算模式。在实际应用场景中,一方面,单一设备能够获取到的数据通常有限;另一方面,边缘计算环境通常是动态多变的。针对以上问题,主要对边缘联邦持续学习展开研究,将脉冲神经网络(SNN)创新性地引入到边缘联邦持续学习框架中,在降低设备计算和通信资源消耗的同时,解决本地设备在动态边缘环境中所面临的灾难性遗忘问题。利用SNN解决边缘联邦持续学习问题主要面临两个方面的挑战:首先,传统脉冲神经网络没有考虑持续增加的输入数据,难以在较长的时间跨度内存储和更新知识,导致无法实现有效的持续学习;其次,不同设备学习到的SNN模型存在差异,通过传统联邦聚合获得的全局模型无法在每个边缘设备上取得较好的性能。因此,提出了一种新的脉冲神经网络增强的边缘联邦持续学习(SNN-Enhanced Edge-FCL)方法。针对挑战一,提出了面向边缘设备的类脑持续学习算法,在单个设备上采用类脑脉冲神经网络进行本地训练,同时采用基于羊群效应的样本选择策略保存历史任务的代表样本;针对挑战二,提出了多设备协同的全局自适应聚合算法,基于SNN工作原理设计脉冲数据质量指标,并利用数据驱动的动态加权聚合方法,在全局模型聚合时对不同设备模型赋予相应权重以提升全局模型的泛化性。实验结果表明,相比基于传统神经网络的边缘联邦持续学习方法,SNN-Enhanced Edge-FCL方法在边缘设备上消耗的通信资源和计算资源减少了92%,且边缘设备在测试集上5个连续任务中的准确率都在87%以上。

基于图强化学习的多边缘协同负载均衡方法

郑龙海, 肖博怀, 姚泽玮, 陈星, 莫毓昌

计算机科学. 2025, 52 (3): 338-348. doi:10.11896/jsjkx.240100091

摘要 ( 70 )

PDF(3933KB) ( 159 )

参考文献 | 相关文章 | 多维度评价

在移动边缘计算中,设备通过将计算密集型任务卸载到附近边缘服务器,可以有效减少应用程序的延迟和能耗。为了提高服务质量,边缘服务器之间需要协作而非单独工作。针对多边缘协作的负载均衡问题,现有的策略往往依赖于精确的数学模型或缺乏对边缘拓扑关系的利用。为了解决此问题,文中提出了一种基于图强化学习的卸载决策方法。首先将多边缘协作的负载均衡场景抽象为图数据;然后采用基于图卷积神经网络的图嵌入过程来提取图的信息特征,以辅助深度Q网络进行卸载决策;最后通过集中反馈控制机制找到目标负载均衡方案。在多个场景下进行仿真实验,实验结果验证了所提方法在缩短任务平均响应时延方面的有效性,并且可以在短时间内获得优于对比算法且接近理想方案的负载均衡效果。

基于异构图神经网络的网络切片端到端时延估计

胡海峰, 朱漪雯, 赵海涛

计算机科学. 2025, 52 (3): 349-358. doi:10.11896/jsjkx.240800067

摘要 ( 67 )

PDF(3453KB) ( 178 )

参考文献 | 相关文章 | 多维度评价

端到端时延作为网络切片重要的性能指标,在切片部署中因受到网络拓扑、流量模型和调度策略等影响,很难通过建模方式进行准确预测。为了解决上述问题,提出基于异构图神经网络的网络切片时延预测(Heterogeneous Graph Neural Network-Based Network Slicing Latency Prediction,HGNN)算法。首先,构建了切片-队列-链路的分层异构图,实现了切片的分层特征表达。然后,针对分层图中切片、队列和链路3种类型节点的属性特点,使用异构图神经网络挖掘拓扑动态变化、边特征信息和长依赖关系等和切片相关的底层特征,即分别选用GraphSAGE图神经网络、EGRET图神经网络和门控循环单元GRU来提取切片、队列和链路特征。同时,利用基于异构图神经网络的深度回归实现了网络切片特征表达的更新迭代和切片时延的准确预测。最后,通过构建基于OMNeT++的不同拓扑结构、流量模型和调度策略的切片数据库,验证了HGNN在实际网络场景下对切片端到端时延预测的有效性,并通过对比多种基于图深度学习的切片时延预测算法,进一步验证了HGNN在时延预测准确度和泛化性方面的优越性。

自学习星型链空间自适应分配方法

杜立宽, 刘晨, 王俊陆, 宋宝燕

计算机科学. 2025, 52 (3): 359-365. doi:10.11896/jsjkx.240700140

摘要 ( 58 )

PDF(2946KB) ( 169 )

参考文献 | 相关文章 | 多维度评价

区块链分片技术是提高区块链系统吞吐量的有效方法。现有的区块链分片方法大多采用静态平行架构分片方案,未解决跨分片交易比例高的问题,导致吞吐量降低以及潜在的无限交易确认延迟。针对这些问题,提出一种基于自学习的星型链空间自适应分配架构。首先,针对区块链分片系统中跨分片交易比例高的问题,提出一种信标链-分片链架构吞吐量模型;其次,综合分片区块链的吞吐量和时延的关系,在星型链空间的动态决策过程中设计星型链空间奖励函数;最后,提出一种分布式多智能体强化学习动态聚类方法,将每个分片作为智能体共同学习合作策略。实验结果表明,所提方法在吞吐量、跨分片交易比率和交易确认延迟等方面,相比现有方法分别约提升31.74%,35.96%和37.13%。

电动出租车充电桩租借模型及其成本优化

徐佳, 张毅铭, 陈文斌, 俞欣仕

计算机科学. 2025, 52 (3): 366-376. doi:10.11896/jsjkx.240100121

摘要 ( 66 )

PDF(3089KB) ( 175 )

参考文献 | 相关文章 | 多维度评价

近年来,家用电动汽车激增,电动出租车需要与家用电动汽车竞争使用公共充电桩,降低了其充电效率。为此,提出了一种面向电动出租车的充电桩租借模式,通过租借分布广泛的公共充电桩作为临时专用充电桩来满足出租车的充电需求。该模式能降低充电桩建设成本,为电动出租车提供优先充电服务,缓解电动出租车与家用电动汽车的充电竞争。提出了两种电动出租车充电桩租借成本模型。首先,形式化了以最小化总充电成本为目标的基于任务数的充电分配问题,提出了基于任务数的充电分配算法,并从理论上证明了算法的近似度。进一步地,形式化了基于充电完成时间的充电分配问题,并提出了基于充电完成时间的充电分配算法。基于真实数据集的仿真结果表明,与基准算法相比,基于任务数的充电分配算法最多可以减少16.15%的充电成本,基于充电完成时间的充电分配算法最多可以减少17.49%的充电成本。

联邦增量学习研究综述

谢家晨, 刘波, 林伟伟, 郑剑文

计算机科学. 2025, 52 (3): 377-384. doi:10.11896/jsjkx.240300035

摘要 ( 158 )

PDF(2025KB) ( 273 )

参考文献 | 相关文章 | 多维度评价

联邦学习以其独特的分布式训练模式和安全聚合机制成为近年来的研究热点。然而,在现实生活中,本地模型训练往往会收集到新数据,从而造成对旧数据的灾难性遗忘。因此,如何将联邦学习和增量学习有效结合是实现联邦生态可持续发展的关键所在。文中首先对联邦增量学习(Federated Incremental Learning)的相关概念进行了深入的调查和分析;然后,重点阐述了基于数据、基于模型、基于架构和基于多方面联合优化的联邦增量学习方法,同时对现有方法进行分类和比较;最后,分析和总结了联邦增量学习未来的研究发展方向,如大规模、小样本、安全可靠和多任务场景下的联邦增量学习。

一种基于混合量子卷积神经网络的恶意代码检测方法

熊其冰, 苗启广, 杨天, 袁本政, 费洋扬

计算机科学. 2025, 52 (3): 385-390. doi:10.11896/jsjkx.240800006

摘要 ( 81 )

PDF(2335KB) ( 187 )

参考文献 | 相关文章 | 多维度评价

量子计算是基于量子力学的全新计算模式,具有远超经典计算的强大并行计算能力。混合量子卷积神经网络结合了量子计算和经典卷积神经网络的双重优势,逐渐成为量子机器学习领域的研究热点之一。当前,恶意代码规模依然呈高速增长态势,检测模型越来越复杂,参数量越来越大,迫切需要一种高效轻量型的检测模型。为此,设计了一种混合量子卷积神经网络模型,将量子计算融入经典卷积神经网络,以提高模型的计算效率。该模型包含量子卷积层、池化层和经典全连接层。量子卷积层采用低深度强纠缠轻量型的参数化量子线路实现,仅使用两类量子门:量子旋转门Ry和受控非门CNOT(controlled-NOT),并仅使用两量子比特实现卷积计算。池化层基于经典计算和量子计算实现了3种池化方法。在Google TensorFlow Quantum上进行了模拟实验。实验结果显示,所提模型在恶意代码公开数据集DataCon2020和Ember的分类性能(accuracy,F1-score)分别达到了(97.75%,97.71%)和(94.65%,94.78%),均有明显提升。

基于相似性感知的Tor网络路径选择算法

隋嘉祺, 扈红超, 史鑫, 周大成, 陈尚煜

计算机科学. 2025, 52 (3): 391-399. doi:10.11896/jsjkx.240100151

摘要 ( 64 )

PDF(2521KB) ( 171 )

参考文献 | 相关文章 | 多维度评价

由于Tor低门槛的搭建条件和开放的参与机制,攻击者可以通过控制大量的恶意Sybil节点对Tor网络发起Sybil攻击,从而对用户隐私造成严重的威胁。目前,针对Sybil攻击的防御方法中,一类通过识别恶意Sybil节点来进行防御,该类方法存在对节点之间相似性分析缺乏准确性、难以识别恶意节点针对性伪装等问题;另一类通过提升Tor路径选择算法的安全性来进行防御,该类方法存在路径选择算法难以同时满足安全性和性能的双重要求、不能抵御多种Sybil攻击等问题。为了弥补现有防御方法自身存在的脆弱性问题,提出将恶意节点识别方法和路径选择算法综合应用。首先,从多个数据源采集中继节点的信息,并对多源数据进行验证、过滤和融合,提升数据层面的安全性;其次,通过基于历史数据的带宽度量优化,一定程度上增大了对带宽长期稳定的可靠节点的选择倾向,增加了攻击者部署恶意Sybil节点的成本;然后,优化中继节点相似性评估方法,提出一种基于聚合相似性得分的最近邻排序算法,提高节点相似性分析的准确性;最后,将优化后的相似性评估方法融入路径选择算法的设计中,提出一种基于相似性感知的路径选择算法。实验结果表明,该算法不仅在抵御多种Sybil攻击时表现出更好的防御效果,而且确保了链路的性能需求得到满足。

基于深度强化学习的Windows域渗透攻击路径生成方法

霍兴鹏, 沙乐天, 刘建文, 吴尚, 苏子悦

计算机科学. 2025, 52 (3): 400-406. doi:10.11896/jsjkx.231200074

摘要 ( 87 )

PDF(1931KB) ( 176 )

参考文献 | 相关文章 | 多维度评价

Windows域被视作内网渗透测试的重点目标,然而Windows域渗透测试的场景和方法与常规的内网渗透有很大差异。因此,当前常规的智能化路径发现研究并不适用于Windows域环境。为了增强Windows域的安全防护,提出了一种基于深度强化学习的Windows域渗透测试路径自动化生成方法。首先,将Windows域渗透测试场景建模为马尔可夫决策过程,通过OpenAI的Gymnasium设计了一个适用于强化学习的模拟器;其次,为了解决在大动作空间和观察空间下的探索不充分问题,提出了通过先验知识对冗余动作进行削减并对无效观察空间进行压缩的方法;最后,在小型服务器中利用虚拟机技术部署Windows域环境,以NDD-DQN作为基础算法,实现了在真实环境中从信息收集、模型构建到路径生成的全流程自动化。实验结果表明,所提方法在真实的Windows复杂环境中具有良好的模拟和训练效果。