准确的交通速度预测对提高智能交通系统的效率至关重要。然而，当前端到端的交通速度预测模型往往受限于特定区域或特定时间段的交通速度数据训练，泛化能力有限，且多数方法使用静态网络结构和节点参数共享机制，难以捕捉动态交通特性和节点多样性。针对这两个挑战，本文提出了一种基于自适应时空掩蔽预训练的交通速度预测方法（Adaptive Spatial-temporal Masking Pre-training for Traffic Speed Prediction，ASTMP），分为自适应时空掩蔽预训练阶段和预测阶段。在预训练阶段，本文设计了动态自适应图卷积层，为每个节点提供了权重参数和偏差参数，并依据包含节点独特属性的节点嵌入矩阵构建自适应图，深入挖掘节点的独特属性与节点间关系的动态规律。其次，设计时空掩蔽编码层对长时间交通速度序列进行随机时空掩蔽处理。然后，设计时空掩蔽解码层利用掩蔽令牌替换被掩蔽位置的数据，根据上下文信息重构被掩蔽的信息，增强方法的适应能力和泛化能力。在预测阶段，本文将预训练阶段学习到的长时间交通速度序列中蕴含的动态时空信息，与短时间交通速度预测器结合，实现更精准和高效的预测。在METR-LA、PEMS-BAY数据集上的实验结果表明，ASTMP的预测性能优于现有的先进基线方法，验证了方法可行性与有效性。

为满足校园场景中高效、准确的多目标跟踪(MOT)需求，提出了一种基于改进YOLOv8目标检测算法与OCSORT多目标跟踪算法的解决方案。针对校园环境复杂的背景与人群分布，构建了特定场景特征的数据集，以优化算法的表现。为提高行人小目标检测精度，引入高效的多尺度注意力机制(EMA)模块，并采用自校准卷积(SCConv)模块替代YOLOv8中的跨阶段部分融合(C2f)模块，从而有效提升了检测效果。在多目标跟踪中，针对关联准确度低和计算开销较大的问题，提出了一种创新的解决方案。首先，提出了基于行人重识别（ReID）的ID初始化（IIR）策略，有效解决了行人短暂离开后重新出现时的ID不一致问题。其次，设计了一种结合帧间形状相似度（SSF）与目标框交并比（IoU）的数据关联策略，进一步提高了连续帧间目标匹配的准确性。最后，为了提高外观相似度计算的效率，提出了分阶段数据关联（SDA）策略，该策略在保证较高精度的同时减少了计算开销。实验结果表明，所提方法在校园场景中有效提升了行人检测精度与跟踪准确性，并在复杂背景下表现出良好的鲁棒性与较高的帧率，为智能校园安防和人群行为分析提供了高效、可靠的技术支持。

水样袋杂质是指在工业生产中不慎落入袋内的微小异物，包括铁屑、毛发、泥土颗粒等，该类杂质通常因其目标微小、背景复杂且存在严重的文字标识等干扰，导致传统检测方法难以满足工业生产对质量控制的严格要求。为解决上述问题，提出一种面向复杂工业场景下的水样袋杂质检测方法，该方法分别从数据和模型层面进行创新。在数据层面，设计了一套基于双视角交叉验证的自动化采集和检测装置，该装置通过双工业相机和电磁控制系统实现水样袋双面自动检测与智能分拣，并据此装置构建了包含3000张图像的专用数据集WBID-3K，涵盖了真实工业场景下可能出现的各种类型杂质。在模型层面，基于该数据集，提出一个面向跨域特征增强与层级化信息融合的模型WBID-DETR，该模型通过细粒度频域特征优化器强化微小目标的高频特征表达，借助多尺度全域特征融合模块抑制文字标识等干扰，并利用互补特征融合模块补全丢失信息，以此实现对各类微小杂质的精准定位与准确识别。实验结果表明，在自制WBID-3K数据集上，WBID-DETR在准确率和mAP50上比基准模型分别提升了4.2%和3.5%；在包含复杂背景与密集小目标的VisDrone2019公开数据集上，WBID-DETR在准确率和mAP50上比基准模型分别提升了2.5%和3.4%，这充分证明了所提方法对小目标检测任务的泛化性与鲁棒性，为工业质检自动化提供了有效的解决方案。

在人体行为识别领域中，毫米波雷达兼具复杂环境适应性与隐私保护优势，但现有基于毫米波雷达人体行为识别方法存在准确率低、数据表征不足、时间序列依赖关系捕捉难、计算资源消耗大的问题。为此，本文提出一种基于时序捕捉和增强模块（TCM-TMEM）的轻量化毫米波雷达人体行为识别方法。首先，设计时序捕捉模块（TCM），以因果卷积为基础提升局部时序敏感性并通过简化局部特征提取网络结构以降低单模块计算开销。其次，基于Transformer编码器设计时序增强模块（TMEM），利用其全局建模能力，强化网络对全局时序关联的捕捉能力，同时通过模块参数精简设计保障轻量化特性。然后，针对毫米波雷达距离-多普勒图表征能力不足，创新性引入包含距离、多普勒频移、信号能量等11个关键维度的特征构建方案，弥补传统数据维度表征信息不足的缺陷，提升了数据表征完整性。最后，在自建数据集PACT和公开数据集R-IHB上开展实验验证，结果显示该方法识别准确率达89.86%和86.63%，值得注意的是，TCM-TMEM模型仅0.12M，充分证明所提特征构建方案与模型在提升识别准确率、解决时序建模困难、降低计算资源消耗上的有效性。

随着物联网的广泛应用，海量设备接入网络，其安全漏洞易被攻击者利用，严重威胁网络与数据安全。因此，在物联网环境中部署入侵检测系统，对异常流量与入侵行为进行检测与防护显得尤为重要。然而，物联网设备通常计算能力有限、存储资源不足，导致现有的基于深度学习的入侵检测模型难以直接部署。针对以上问题，文章提出一种定制的轻量级入侵检测模型FDRBT，旨在资源受限条件下实现对物联网攻击行为的准确检测。文章利用皮尔逊相关系数(PCC)以及主成分分析(PCA)两种方式进行融合特征降维，并通过渐进式模块替换方法逐渐将基于Transformer结构的教师模型换成更简洁的Poolformer结构。为了弥补知识蒸馏过程中的表征能力损失，文章还引入了动态tanh（DyT）激活功能对模型进行增强，用DyT层取代Poolformer中传统的归一化层。这种设计使模型能够根据输入特征分布自动调整激活特性，在无需计算激活统计量的前提下实现类似归一化层的功能。在TON-IoT和CIC-BCCC-NRC-2024数据集上的实验结果显示，FDRBT模型在保持较小体积与较低计算开销的同时，分别取得了99.91%和99.96%的准确率，适用于资源受限的物联网入侵检测场景。

随着6G向超大规模天线阵列（ELAA）与高频段发展，通信场景中的近场区域显著扩大。然而，现有关于智能反射面（RIS）辅助非正交多址接入（NOMA）系统物理层安全的研究多局限于远场通信场景，且通常计算复杂度较高，这限制了其在近场大规模系统中的实际应用。针对RIS辅助近场上行NOMA系统，该文考虑一个接入点（AP）、RIS、较远用户、较近用户、窃听者（Eve）组成的上行系统，通过联合优化AP波束赋形与RIS相移，实现系统的保密和速率最大化。该问题受欧几里德范数和单位模约束的限制，是一个复杂的非凸问题，需要采用合理的资源分配方案。为此，该文提出一种低复杂度的块坐标下降（BCD）算法，通过将原问题分解为两个子问题进行求解。首先推导出AP波束赋形的闭式解，然后采用流形优化求解RIS相移。MATLAB仿真结果表明，在默认参数设置下，相较于随机相移、最大比传输（MRT）、正交多址接入（OMA）方案，所提方案使系统的保密和速率分别提升了约4.4bps/Hz、10%和15%。此外，所提方案在达到与半定松弛（SDR）方案相近性能的同时，实现了较低的计算复杂度。

基因组结构变异（SVs）通过大片段DNA的插入、缺失、倒位或易位等改变基因组三维构象与调控网络，是多种复杂疾病的关键致病变异。近年来，长读长测序与三维基因组学技术的突破显著提升了对SVs的检测能力。然而，由于SVs的复杂性和功能注释的稀缺性，它的致病机制预测仍面临巨大挑战。研究者已经提出了通过挖掘染色质互作、表观修饰及单细胞转录组等数据，揭示SVs对基因表达与表型的影响规律并解析SVs致病机制的方法，目前仍缺乏对该类方法的系统性总结。因此，本文系统综述了基于高通量测序数据预测SVs致病性的方法，包括知识驱动型方法、传统机器学习方法、深度学习方法以及大模型方法。通过总结现有方法的局限性，包括低频变异预测灵敏度不足、功能注释数据库匮乏以及三维模型泛化能力有限等问题，本文提出通过多模态数据融合、因果推理模型及空间组学技术推动该领域发展的潜在方向，旨在为基因组结构变异的功能解析提供理论参考。

面向第六代（6G）星地一体化网络的愿景，低轨（LEO）卫星边缘计算技术是实现全球无缝覆盖的关键。然而，现有研究在面对卫星网络高动态拓扑与受限星上资源时，难以有效解决计算卸载、多跳路由与资源分配之间的强耦合及高维非凸优化难题。针对此问题，本文构建了涵盖MEO、LEO卫星及地面用户的三层协作架构，并提出一种基于软演员-评论家（SAC）的分层混合优化框架（H-SAC），旨在最小化系统加权时延与能耗。为降低混合非凸问题的求解复杂度，H-SAC采用分层解耦策略，上层利用SAC智能体的最大熵机制在离散卸载空间进行充分探索，有效避免局部最优；下层则嵌入高效传统算法，求解给定卸载策略下的连续资源分配与路由规划子问题。此外，引入动态权重调整机制，使系统能根据实时服务状态自适应权衡时延与能耗目标。仿真实验表明，H-SAC在关键性能指标上显著优于H-TD3与H-DDPG，其中最终奖励分别提升约7.2%和10%。消融实验验证了ISL支持与灵活卸载机制的必要性，分别带来约18%与15%的性能增益。此外，H-SAC的推理时延较T-DRL降低约73%。总体而言，该框架能够在动态卫星边缘计算场景下实现高效且鲁棒的资源调度。

电力数据预测是电力系统态势感知与调度决策的基础。然而，现有电力预测方法在多时间尺度特征建模以及非结构化领域知识的有效融合等方面仍面临显著挑战，制约了模型在复杂电力系统场景中的预测精度与泛化能力。为此，本文提出一种融合大语言模型与知识图谱的电力数据智能预测方法LLM-KGAP（LLM enhanced Knowledge Graph Augmented Power prediction），构建数据–知识双驱动协同预测框架。首先，利用大语言模型从电力文档中自动抽取关键实体及因果关系，构建异构知识图谱；其次，设计一种基于语义置信度的知识映射机制，将图谱中的多路径语义关系转化为带权先验邻接矩阵，为预测模型提供知识引导的结构先验信息；最后，提出基于混合邻接矩阵的自适应时空信息提取网络（ASIEN-MAM），该网络采用渐进式分块策略实现多尺度时间窗口划分，并设计稀疏注意力xLSTM模块（SA-xLSTM），在时间维度上筛选关键时序片段并提取多尺度特征，同时融合先验知识与数据驱动的混合邻接矩阵，精确刻画电力系统中复杂的时空依赖关系。实验结果表明，所提方法在公开光伏数据集和区域负荷数据集上均显著优于对比方法，平均绝对误差降低11.9%–44.3%，平均绝对百分比误差降低7.0%–27.3%。

在单图像超分辨率（SISR）任务中，Transformer虽能借助自注意力（SA）机制有效捕获全局依赖，但其存在复杂度高，信息冗余，参数量大等问题，限制了其在低功耗设备上的适用性。为了解决以上问题，提出一种轻量化特征聚合Transformer（FATNet）模型。该模型通过连续运用空间与通道自注意力，协同聚合双维度特征；同时引入稀疏化策略，该策略沿空间与通道维度自适应筛选关键信息以优化自注意力的计算效率；在计算注意力矩阵前利用深度卷积强化局部上下文建模，并采用通道分离与深度可分离卷积设计轻量化前馈网络（SFFN），在降低参数量的同时保留非线性表达。在5个常用数据集上的实验结果表明，相较于SMFANet，CATANet等具有代表性的轻量级SISR模型，FATNet更好地平衡了模型参数和重建性能。相较于MAN-light模型，FATNet在放大因子为×2和×3数据集上，参数量分别减少48%和47%，且重建效果更佳。对比当前最新的轻量化超分辨率模型(CATANet)，在参数量减小的情况下，FATNet的峰值信噪比(PSNR)和结构相似性(SSIM)分别最大提升0.15dB和0.0029，具有更好的重建效果。

随着边缘智能在工业检测、移动终端、智慧安防等场景中的广泛应用，深度学习模型逐渐从云端向边缘侧迁移。然而，在云端预训练的模型部署至边缘侧微调，通常因边缘资源受限而导致训练效率下降，需协同优化模型超参数和资源参数以维持模型高精度和训练效率。现有技术大多专注于面向服务端场景进行超参数优化，缺乏对边缘设备异构性和资源动态变化的考虑，可能导致模型精度及训练效率显著降低。本文提出异构感知超参数优化方法（H2PO），通过基础设施即代码（IaC）技术实现异构设备及动态资源的统一接口，并引入预测模型以指导模型训练时的在线超参数调优，使得模型超参数实时适应资源的动态变化。在异构设备上的实验表明，H2PO可以在资源受限条件下有效提升模型准确率2.5%、资源利用率4.2%，相比现有方法最多降低训练时间开销71.3%，并适用于不同深度学习模型。

块浮点（BFP）因其独特的数值表示方式，广泛应用于卷积神经网络的卷积计算。特别是，频域卷积通过将空间域卷积运算转化为频域复数乘法，能够显著降低计算复杂度，从而实现高效的神经网络部署。然而，现有研究主要集中于基于BFP的空间域卷积加速计算或频域中的定点卷积加速计算，尚未充分挖掘 BFP 数值格式与频域卷积相结合在推理时延改进与资源效率优化方面的潜力。本文提出一种基于BFP的频域处理单元，该单元利用现场可编程门阵列中的数字信号处理器资源的结构特性，结合BFP 数据格式的指数共享机制，实现多个复数乘法运算的打包执行，以提升整体计算性能。此外，本文提出一种面向BFP频域卷积的数据流映射方法，在频域卷积中最大化BFP指数部分与尾数部分的数据重用。在具有代表性的卷积神经网络模型基准测试中，对所提出的频域 BFP 加速设计进行系统评估。评估结果表明，与当前先进的基于 BFP 的空间域卷积加速基线方案相比，该方法在推理时延方面最高可实现 5.4倍的改进，在资源效率方面实现8.5倍的优化。

软件定义网络（SDN）中的嗅探攻击是一类以探测交换机敏感配置与状态为目的的隐蔽攻击。因其低速率、小流量和高隐蔽性的特征，现有攻击检测方法对其识别能力极为有限。已有的面向控制器饱和或流表溢出等攻击的图神经网络（GNN）方法往往依赖密集的拓扑交互或强信号特征，难以有效刻画嗅探网络流之间稀疏的相关性以及主机层面的隐式结构关系，使其攻击检测性能受限。为解决上述问题，提出一种面向SDN嗅探攻击的检测方法HSENet。该方法首先通过设计异构语义超图生成算法HSHG，刻画网络流的微观通信语义与宏观主机行为语义；进而构建异构边卷积网络HEC-GCN，实现针对不同语义关系的自适应卷积与融合，得到判别力更强的节点嵌入表示。基于两个网络流数据集的实验结果表明，HSENet在准确率、加权F1值与宏F1值等多项指标上均显著优于多种GNN与传统机器学习基线。相比较最佳基线，准确率分别提升2.65%和3.34%，加权F1值分别提升2.64%和2.48%，宏F1值分别提升2.91%和11.37%。这些结果表明，该方法能够有效增强对低速率、小流量且高度隐蔽的嗅探流的识别能力，为SDN环境下的早期威胁发现提供了一种可行且高效的解决方案。

针对结构体入水轨迹预测中普遍存在的计算成本高、响应速度慢等问题，本文提出了一种基于工程算法的快速求解方法，该方法旨在提高计算效率和精度平衡。不同于传统的计算流体动力学（CFD）方法，本文方法基于简化的入水理论、经验公式以及半经验水动力学模型，开发了一种无需大规模求解流体方程的快速预测算法。通过采用纯弹性接触模型和工程优化的计算策略，在保证计算误差小于真实实验值25%的前提下，显著提高了计算效率，将传统CFD方法的小时级计算时间缩短至秒级。测试结果表明，在无需依赖大量数据库或复杂表格数据的情况下，本文方法在误差控制上与机器学习方法及代理模型方法相比具有明显优势，能够快速预测投放体的入水轨迹和姿态，为相关工程应用提供了高效且可靠的方法。此外，本文系统分析了初始速度、海水流速和初始姿态等关键因素对入水轨迹和落点的影响，揭示了初始速度和海水流速对落点位置的影响作用，尤其在高流速条件下，落点位置对于海水流速的敏感性显著增加，指出了投放作业在特定流速条件下的风险。

针对依据平均场理论的传染病模型预测分析舆论信息传播中，难以通过模型自身迭代修正参数，易导致预测偏差，以及LSTB模型对舆论信息传播长期预测精度较差等问题，提出一种融合传播动力学与深度学习技术的SEI⊃3;R-BiLSTM模型。首先，改进SEIR传播模型，划分网络舆论信息传播过程中用户状态为S（信息未知者）、E（信息犹豫者）、I1（正面传播者）、I2（负面传播者）、I3（中立传播者）、R（信息免疫者）6类，设置各状态间的转换关系；然后，结合BiLSTM神经网络模型，引入注意力机制、残差连接等提升模型精度，预测舆论信息传播者数量变化；最后，采集“姜平数学竞赛”、“秦朗丢作业”和“胖猫跳江”3个热点舆论事件，共65.9万条微博平台舆论数据，进行实验验证与分析。结果表明，SEI⊃3;R-BiLSTM模型预测I₁、I₂、I₃三类传播者数量时序变化曲线与实际传播走势整体上一致，拟合精度高；依据RMSE（0.162）、MAPE（16.6%）、Jaccard(0.74) 、F1-score值(0.72) 4个评估指标数值，SEI⊃3;R-BiLSTM模型性能优于SEI⊃3;R-LSTM、SEI⊃3;R-ARIMA等4个融合型基准模型；消融实验部分证明了模型的合理性与有效性，为预测网络舆情发展提供了一种模型参考。

针对恶意软件数量及变种指数级增长，且传统检测方法对未知威胁识别能力有限的问题，提出结合“多模态图像化+轻量化”的MobileNetV2_AD检测方法。主要特点是多源语义视觉融合，将字节熵、反汇编指令流与API 调用序列表征为RGB三通道图像，实现“一图融三域”，揭示不同语义模态在图像空间的互补判别规律，较灰度图挖掘特征粒度更细；其次，轻量骨架强尺度感知，在MobileNetV2中植入空洞空间金字塔池化(ASPP)，提升模型感受野，增强多尺度特征提取能力。并且采用“类别-特征”双解耦蒸馏，以ResNeXt50为教师，将宏观分类逻辑与微观特征分布同步迁移，解决轻量学生“精度-泛化”跷跷板难题，蒸馏后学生模型在未知家族样本上F1提升11.7%。最后，进行跨数据集性能验证，在Kaggle（400 GB）与DataCon（最新攻防赛）双公开基准上，MobileNetV2_AD准确率分别达96.41%与98.68%，较原始MobileNetV2提升6.31%与4.21%，且推理速度达280样本/秒，满足终端实时检测需求。实验结果表明，所提方法在资源受限场景下，显著提升了恶意软件检测效果，为网络安全防护提供了有效的技术方案。

为解决现有三维牙齿关键点检测方法中存在的几何姿态感知不足及多类型牙齿统一建模困难问题，提出了一种基于四元数几何感知与自适应专家网络（QGAE-Net）的关键点检测算法。该方法设计了多尺度几何位置编码器（MS-QGPE），利用四元数表示结合几何形状描述子对点云的局部与全局结构进行多尺度建模，增强几何关系感知能力；构建了四元数引导的几何姿态注意力模块（QG-GPA），通过引入四元数相似度对注意力权重施加约束，引导模型依据真实几何关系完成特征聚合；同时，引入分类驱动的专家路由机制（CD-ERM），通过动态激活不同专家子网络实现多牙型的统一建模与个性化特征提取。在包含19200个牙齿样本的临床数据集上，所提方法在切牙、尖牙、前磨牙和磨牙上的平均绝对误差分别为0.179 mm、0.233 mm、0.188 mm和0.301 mm，召回率分别为85.1%、87.1%、91.5%和67.5%，整体分类准确率达到97.5%。此外，在Teeth3DS+与KeypointNet公开数据集上亦获得优于现有方法的关键点检测性能，验证了模型在公开基准与跨类别场景下的泛化能力。综合结果显示，QGAE-Net不仅有效提升了关键点检测精度，也具备较高的部署效率和结构扩展性，适用于多类复杂牙型场景下的自动化关键点标注任务。

通过深度学习整合病理图像与基因组数据，可显著提升癌症预后预测的精准性。然而在临床数据中，仅有部分患者具备完整的基因组测序结果，这限制了多模态模型的全面应用。如何充分利用有限的基因数据增强病理模型的预后能力，是提升多模态临床适用性与泛化能力的关键。为此，本文提出一种基于变分专家混合（VMoE）模块的病理增强框架VMEF，用于应对病理图像完整但部分样本缺失基因数据的训练场景。该框架利用具备完整模态的样本学习病理基因间的跨模态映射关系，为缺失样本生成插补特征，从而提升整体预后性能。VMEF包含三个核心模块：（1）多源病理编码模块，融合全局组织结构与肿瘤微环境先验信息，为基因特征生成提供丰富的病理学基础；（2）基于VMoE的插补模块，通过双专家结构与动态路由机制建模病理到基因的多样映射关系，自适应生成生物学合理的基因表征；（3）先验特征引导的融合模块，通过先验特征引导基因特征与病理表示的相互校准，有效缓解模态间异质性。在TCGA三种癌症数据集上的实验表明，当训练集中仅60%样本具备基因测序数据时，平均C-index达到0.6149；在模态完整情况下，平均C-index达到0.6370并超越现有多模态方法。实验结果展现了VMEF框架在模态缺失情况下癌症预后的有效性与鲁棒性，为其在随机缺失场景中的应用提供了有力支撑。

近年来，大语言模型在自然语言处理任务中展现出卓越性能。然而，在医学等专业领域的问答任务中，由于轻量级大语言模型缺乏足够的垂直领域知识支撑，其生成的结果在可靠性与准确性方面仍存在不足。为提升轻量级大语言模型在医学领域问答任务中的准确性，本文提出了一种基于实体识别与知识筛选的知识图谱增强大语言模型医学问答方法（ERKF-MedQA），该方法主要包括两个部分：精确的初始实体识别与知识筛选。实体识别采用多阶段提示的方法，首先在问题当中进行实体标准化检索，然后再对检索的实体进行相关性评估，以确定最终的有效实体。知识筛选采用多任务语义评分模型（M-TSSM）完成，该模型融合问题与路径信息，对初步检索的知识进行评分，筛选出与问题高度相关的知识。最后将筛选出的相关知识整合后以提示词的方式输入至大语言模型，由模型完成推理并生成答案。实验结果表明，所提方法在BERTScore指标上均优于各基线模型，且与效果最优的基线模型相比，Precision、Recall和F1_Score分别提升了0.44%、0.25%和0.34%。

城市地下管道缺陷检测是保障地下管道系统正常运行的重要措施。由于城市地下管道缺陷种类多样、形态复杂及尺度多变，导致现有检测方法检测精度不足，存在较多误检和漏检问题。基于RT-DETR模型提出一种有效的地下管道缺陷检测模型MEG-DETR。设计基于多尺度注意力的尺度内特征交互模块（M-AIFI），通过结合多尺度多头自注意力（M2SA），在高语义层特征内部建立通道与空间依赖关系，实现对地下管道缺陷细微特征的充分捕获；构建空间先验多尺度特征金字塔网络（SP-MSFPN），引入高效局部注意力机制（ELA）及添加浅层特征层，实现不同尺度层级间特征的高效融合，增强对小目标缺陷的检测能力；设计门控语义增强模块（GSEM），结合多尺度通道门控线性单元和GSBottleneck模块，实现语义与结构特征的协同增强，提升模型对复杂缺陷语义和细节结构的表征能力。实验结果表明，所提出的MEG-DETR模型能够更准确地检测地下管道缺陷，mAP达到83.44%，较原始模型提升2.74%；Precision和Recall分别提升1.69%和3.03%。与主流检测模型进行对比，MEG-DETR整体性能均优于其他主流方法，验证了模型在复杂缺陷场景下的有效性。

针对数据隐私与合规约束制约跨域协同的问题，联邦学习（FL）与区块链融合虽能缓解传统FL的中心化风险，但现有方案仍面临模型更新质量评估不足与验证节点可信危机等挑战。本研究提出一种去中心化区块链联邦学习框架，其核心创新在于构建了一个质量-信任-权益协同的动态闭环系统，具体表现为：1)验证者质量评分，采用多轮次交叉验证与时空权重算法量化验证者表现，将质量评分转化为动态投票权重以抑制共谋攻击；2)模型质量因子，基于滑动窗口追溯工人节点历史贡献，结合验证者准确率动态调整更新阈值，区分高价值更新与恶意扰动；3)模型质量驱动的动态权益证明机制，将节点权益与贡献质量绑定，确保高权益节点具备高质量输出。在多个数据集上的实验表明，该框架通过上述机制的协同作用，在非独立同分布场景下遭遇恶意节点干扰时，模型精度相较于基线方法平均提升12.5%，在CIFAR-10等复杂数据集上对特定攻击的防御效果提升高达38%，恶意节点的权益累计占比被成功压制至约1%，远低于基线方案的13%。同时，通信开销与基线相当，有效解决了模型更新质量与验证者表现的一致性问题。

平衡时间序列分类是深度学习领域的一项重大挑战，尤其是当关键信息集中于少数类时。传统的数据增强方法（如欠采样和过采样）旨在提升少数类样本比例，但往往会导致信息丢失、过拟合风险增加以及噪声引入等问题。尽管“双重增强联合标签学习”（JobDA）已被证明在一定程度上可缓解此类问题，但其并未对少数类做针对性的处理。针对这一难题，研究提出一种名为“少数类标签合并双重增强”（DAMLM）的新方法。该方法首先通过样本与标签的双重增强扩展训练集，随后利用标签映射机制对少数类标签进行融合，相比于JobDA有效提升了少数类样本的比例。具体而言，该方法通过重复原始数据的方式进行样本增强，避免了噪声引入。同时，在训练过程中对多数类采用联合标签、对少数类保留原始标签，相比于其他方法形成了更清晰的分类边界。在UCR档案的38个不平衡数据集上，本文在6种时间序列分类模型上分别开展实验，并对结果取平均进行比较。与7种代表性基线增强方法相比，DAMLM的平均F1提升1.24–6.27个百分点，并在G-mean等指标上取得最优。

电力系统作为关键基础设施，易受设备故障及恶意数据篡改等威胁，而异常样本的稀缺性导致传统检测模型性能受限。为了解决电力系统异常数据不平衡问题，提出基于混合专家生成对抗网络的数据增强方法(LT-MoEWGAN)。该方法创新性地集成了LSTM与TCN作为双专家模块，通过门控网络实现特征层级的动态权重分配，构建多尺度时序特征提取器以生成高质量样本。基于真实电力数据集的仿真实验结果表明：1) 基于Wasserstein距离度量，本方法生成数据与真实样本分布差异最小（中位数分别为0.043和0.135），且以WGAN为基准，生成稳定性提升33%；2) 在XGBoost、LightGBM、Random Forest、Decision Tree、CNN、GAT以及MTGF-Conv分类器上，在本文提出算法的基础上，AUC较SMOTE、ADASYN、Borderline-SMOTE和GAN、WGAN、WGAN-GP、DCGAN、WM_CVAE等基线方法提升1.5%-2%。该方法通过高质量数据增强有效改善异常检测性能，为电力系统异常检测提供了可靠的数据增强解决方案，其创新架构对时序数据生成任务具有理论参考价值。

图像模型的跨域迁移已成为解决视频理解问题的有效范式，但其使用的方法仍有改进空间：全量微调计算开销大且易产生性能波动；多数参数高效迁移学习（PETL）方案采用单一适配器，在长程时序依赖与小样本场景中的时空表征能力易受限，更关键的是，现有方法普遍依赖隐式时序建模而忽视显式运动先验，导致难以充分捕捉复杂运动模式。为此，本文提出结构化适配器框架FDA4Video，基于PETL范式实现图像模型的高效适配：设计解耦式双路径适配器架构，同步捕捉局部动作细节与长程时序关联；提出光流移位协同注意力机制，将显式运动表征深度融合到时序建模过程中以强化跨帧依赖；同步引入可学习时间位置嵌入提供时序坐标基准，通过分阶段残差融合策略保障表征完整性。实验表明，该框架在Kinetics-400、UCF101和HMDB51上分别取得85.6%、98.2%与83.9%的准确率，较基线方法在减少约26%新增参数的前提下平均精度提升1.6%~2.2%，整体性能可媲美先进PETL策略，为图像模型的视频化迁移提供了一条兼顾精度、轻量与效率的技术路径。

大型视觉语言模型(Large Vision-Language Models, LVLM)在多模态理解与生成任务中取得了重要进展，但近期研究表明它们在对抗攻击下表现出显著脆弱性。尽管已有针对LVLM的黑盒有目标攻击方法尝试提升对抗样本的跨模型迁移性，但迁移效果和稳定性仍不理想。为解决此问题，本文提出了一种基于中间层特征对齐的高可迁移性黑盒有目标攻击方法(Intermediate-Guided Transfer Attack, IGTA)。该方法利用预训练的视觉编码器作为代理模型，通过在代理模型的中间层精确对齐对抗样本与目标图像的特征表示。这种中间层对齐策略旨在更直接、更深层次地影响模型对视觉语义的理解与高层决策逻辑。此外，为了进一步增强迁移性，该方法还结合了细粒度数据增强操作。在多种主流LVLM上的大量黑盒攻击实验结果表明，IGTA在不同模型架构和任务场景中均能高效生成具有迁移性的对抗样本，其攻击性能显著优于现有基线方法。本研究不仅揭示了当前LVLM在视觉结构理解上的潜在安全风险，也为未来设计更鲁棒的多模态模型及相应的防御机制提供了重要参考。

尘肺病是一种慢性进展性间质性肺病，其精准分期对临床诊断、治疗策略制定及患者预后评估具有重要意义。针对现有单分支深度学习模型难以同时提取肺部全局与局部特征、导致跨区域病灶信息丢失的问题，构建了一种两阶段的双分支特征融合分期模型。第一阶段进行胸部X线影像数据预处理，利用DualAttention-Net++分割网络，通过通道与空间双注意力机制去除心脏及纵膈干扰，并结合Biorthogonal小波频域重构与空间纹理融合策略实现小样本类别数据增强。第二阶段设计双分支特征融合网络（Dual-Branch Feature Fusion Network，DBFF-Net），主分支采用EfficientNetV2提取全局形态特征，辅分支基于InceptionV3网络多尺度提取局部病灶特征，二者通过自适应融合模块实现跨模态特征互补。局部区域划分基于GBZ70-2015肺野分区规范，采用KD-Tree算法定位关键点以实现精确区域分割。基于来自多家医院的3006张胸片数据（含正常及尘肺I–III期）进行验证，模型在分期任务中的准确率为86.2%，精确率为89%，召回率为88.5%，特异性为98.5%，F1分数为86.1%，AUC值为92.4%。结果表明，该方法能够有效提高尘肺病影像分期的准确性与鲁棒性，为临床自动化诊断提供可行的技术途径。

针对微尺度篡改难识别与多域特征融合不足的问题，本文提出融合频域增强（FDE）与瓶颈聚合注意力（CFAM）的图像篡改检测框架。方法采用RGB+DCT双流：FDE在频域将特征划分为低/中/高频子带，利用频段注意力抑制冗余低频、强化篡改敏感频段，并以多尺度卷积捕捉边界与中高频扰动；增强后经IDCT回流，实现空间和频域信息互补。融合阶段，CFAM在 1×1 瓶颈内并行建模通道重要性与空间显著性，并通过同域线性聚合对齐两类注意力，区别于现有注意力机制（如SE、CBAM）的串行或单一维度建模，既降低计算开销，又减少信息传递损耗，显著提升对小目标与弱边界的响应。训练中引入加权损失与扰动增强缓解类不平衡并强化鲁棒性。多组公开数据集的统一口径评测与消融实验表明，本方法在精度、鲁棒性与跨域泛化方面优于近期可比方法，且FDE与CFAM具有协同增益；在重压缩、模糊与缩放等强扰动场景中仍能生成高精度篡改掩模，具备良好的效率与可部署性。

图像复杂度预测在视觉认知和计算机视觉领域具有重要研究意义。现有方法在有效模拟人类视觉系统、平衡模型复杂度与效率，以及生成可解释的像素级热力图等方面仍面临挑战。针对这些问题，现提出一种可解释的全局-局部复杂度融合网络（Interpretable Global-Local Complexity Fusion Network, IGLCFN），IGLCFN主要由三个关键模块构成：复杂度感知编码块、跨域交互模块，以及可解释图像复杂度热力图生成模块。复杂度感知编码块采用双分支结构，融合了Vision Transformers的全局语义建模能力和卷积神经网络的局部微观建模能力，从而模拟人类视觉系统对图像复杂度的多层次感知过程。跨域交互模块充分考虑了不同分支提取特征的特性，并负责对齐Transformer序列特征与卷积神经网络空间特征。此外，可解释图像复杂度热力图生成模块通过构建基于局部感知分数累加的伪标签数据集进行监督学习，从而生成符合人类视觉系统感知且具有可解释性的像素级热力图。在IC9600数据集上的定量实验结果显示，IGLCFN在所有关键指标上均取得了当前最优性能。相比于多种主流基线、图像质量及图像复杂度预测模型，IGLCFN在保持较低计算资源占用的同时，实现了最高的预测性能。此外，在SAVOIAS数据集上的实验也验证了模型的泛化能力和稳定性。消融实验进一步证实了复杂度感知编码块和跨域交互模块等关键模块的设计合理性和有效性。定性分析表明，IGLCFN生成的热力图能够更精准地聚焦人类视觉感知区域。

供应链数字化转型背景下，多源数据交互与跨企业共享面临数据泄露、策略暴露等安全风险，传统属性基加密方案因效率低、动态管控不足，难以适配场景需求。针对此问题，本文提出云边协同架构下基于属性的策略全隐藏可撤销密文检索方案，以应对供应链复杂场景下的高效数据交互与隐私安全需求。该方案融合边缘实时处理能力与云端强大算力，通过云边协同优化性能：边缘端提供预解密服务，结合云端外包存储，经协作密文缓存管理加速数据获取，依托边缘近用户端低延迟特性，显著降低用户解密等待时间与本地计算负载；采用支持通配符的多值属性与门访问结构与布隆过滤器结合，实现访问策略完全隐藏，有效防范供应链数据传输与存储中的敏感策略泄露，强化数据隐私性；引入区块链与智能合约实现高效检索与动态撤销，设计“搜索合约”自动化验证关键字陷门以缩短匹配时间，通过“撤销合约”动态更新权限完成属性撤销。方案在DBDH假设下满足选择明文攻击不可区分性安全，性能分析表明其计算开销较低，尤其搜索阶段计算开销较BADS方案提升近三分之二，为供应链协同管理提供高效数据检索与安全保障。

现有的自监督单目深度估计模型通常使用卷积神经网络和Transformer进行特征编码与解码，难以灵活高效地捕捉场景中不规则和复杂物体的几何特征，并且随着神经网络层数的加深，图像中的高频边缘信息被逐渐弱化，导致深度特征缺少关键的边缘细节而影响模型的性能。为解决这些问题，提出一种融合图神经网络与拉普拉斯金字塔的自监督单目深度估计模型。首先，引入视觉图神经网络（Vision Graph Neural Network, ViG）作为骨干网络，对场景的全局拓扑结构关联进行建模。其次，设计了拉普拉斯残差融合模块，将拉普拉斯金字塔残差与编码特征，解码特征在空间维度上拼接融合后使用通道注意力重新校准通道权重，从而实现拉普拉斯金字塔在空间和通道两个维度上的高效融合，以增强解码特征的边缘细节。最后，提出边缘引导的图推理模块，将位于边界处的像素视为图节点并进行显式地图推理，提高物体边界处深度估计的质量。通过在KITTI数据集上进行实验评估，结果显示所提模型与基线方法Monodepth2相比，绝对相对误差Abs Rel降低了12.2%，平方相对误差Sq Rel降低了21.4%，阈值为1.25的准确率提升到89.6％。此外，Make3D数据集的实验结果表明了模型在未见场景上同样具有良好的深度估计性能。相关可视化也验证了模型在预测边缘清晰，细节丰富的深度图上具有一定的优越性。

在海洋信息化进程中，水声通信面临着多普勒频移、带宽资源有限、量子攻击等挑战。传统的密钥封装机制在应对这些问题时无法满足水声通信复杂的需求。为有效解决上述难题，首先利用正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）技术结合N 次截断多项式环（N-th Truncated Polynomial Ring Unit，NTRU）双重加密方案提出了一种自适应选择密文攻击(Indistinguishability under Adaptive Chosen-Ciphertext Attack, IND-CCA2)安全的基于NTRU的水下多载波密钥封装机制(DTRM)，从而实现了水声通信过程中的抗量子攻击。其次，针对水声通信带宽资源有限的难题，提出了一种小密文扩展的OFDM多载波分片传输方案，从而显著提升了有限带宽下的密文传输效率。另外，针对水声通信网络中复杂的攻击环境，在密钥生成阶段设计了一种基于海洋噪声的拉丁方会话密钥结构来实现后续动态密钥更新机制，该机制实现了在不恢复会话密钥且存在部分密钥分片丢失的情况下对会话密钥进行安全更新，从而显著提升了系统的前向安全性与鲁棒性。并且形式化证明了方案的IND-CCA2安全性。最后通过实验验证分析，DTRM在通信效率上有所提升，而且还实现了抗量子安全，显著优化了水声加密通信系统的整体性能。

针对集中式新闻架构存在单点故障、篡改风险、验证不透明和虚假信息扩散等问题，提出并实现了基于区块链的去中心化新闻检索与聚合架构，实现多源新闻数据的可信存储、可验证检索与透明治理。架构融合区块链、智能合约与分布式存储，形成“链—合约—存储”一体化信任体系；通过共识机制保障数据来源可信，智能合约自动执行治理规则，实现可追溯与高可信性。提出MVF鲁棒任务分配算法与KMPT/TMPT双层可验证索引机制，用于优化任务调度与索引验证，以提升检索与验证效率。系统引入Merkle树完整性验证与多源信誉加权机制，实现信源信誉自适应调整，增强检索准确性和系统鲁棒性。系统在OpenStack私有云环境下完成分布式部署，并基于2024年采集的106,532条闻数据进行实验验证。实验结果表明，该架构相较传统方案，可信验证准确率提升15.6%（P<0.01），抗篡改检测成功率达99.6%，虚假新闻抑制率达92.4%。检索与验证流程的深度融合使可信检索综合效能提升22.3%（P<0.05）。研究结果验证了区块链在可信检索与数据治理中的可行性与工程有效性，为构建高透明度、可追溯的新闻生态体系提供理论支持与工程参考。

深度强化学习（DRL）在无人机（UAV）决策领域的最新研究中展现出强大潜力，已在多种控制任务中取得显著成效。然而，现有将DRL用于无人机控制的研究大多默认“零延迟”理想环境，忽略了真实链路中普遍存在的信号延迟；直接把在 MuJoCo 等基准任务中验证的通用延迟处理方法迁移到高动态无人机平台，往往难以复现其原有效果，甚至加剧性能衰减。本研究通过仿真实验验证了经过深度强化学习训练的无人机智能体在信号延迟下出现的显著性能下降，并深入分析了性能衰退的原因。论文提出了一种状态预测与自适应决策增强框架SPADE，能够有效处理固定与非固定延迟，在1v1近距离格斗任务中实现了与无延迟系统相媲美的控制效果：在300–2400 毫秒延迟区间内，SPADE较基线方法平均胜率增幅为19.4%（固定延迟）13.0%（非固定延迟），显著补偿了软演员-评论家（SAC）算法因延迟造成的性能衰减，且优于现有缓解深度强化学习无人机控制延迟效应的方法。总体而言，本研究揭示了信号延迟对无人机控制系统的负面影响，并提出了创新的状态预测与决策增强框架（SPADE）以应对此挑战，显著提升了在延迟条件下的无人机控制性能。

针对无人机小目标检测中多尺度特征解耦困难、形变目标表征不足及浅层特征保留受限等问题,提出一种基于改进YOLOv8s的目标检测算法AC-YOLO（Accurate-YOLO），以更好适应无人机影像的检测需求。该算法在主干网络中引入多尺度膨胀卷积残差机制改进卷积模块及结构，通过设计不同膨胀率的并行卷积结构，在增强局部细节感知的同时拓展感受野，同时降低冗余参数。特征融合阶段结合轻量化结构与额外引入的P2检测层重构颈部网络，有效增强浅层特征的利用率，显著降低漏检率。为应对目标轮廓复杂、背景尺度变化大的情况，提出改进的可变形卷积动态检测头，通过学习关键区域的可变卷积采样位置，实现对非规则形状目标的自适应感知与表征。此外，在Shape-IoU损失函数构建中引入Inner-IoU思想，以Inner-shapeIoU替代原有损失函数，从而进一步增强目标定位精度与边界框拟合性能。实验在VisDrone-2019数据集上开展对比验证，结果显示改进模型在mAP50指标上相较基线提升12.8个百分点，达到52.6%，在mAP50-95上提升9.1个百分点至32.6%；在Flow-Img数据集上,mAP50达84.5%。上述结果表明,所提模型在无人机视角下的小目标检测任务中具备更优精度与良好泛化能力。

：医学图像分割在疾病诊断、治疗规划与手术导航中发挥着关键作用。但传统方法多依赖大量标注数据，难以满足医疗隐私保护需求。无源域适应因无需源域原始数据、契合医疗隐私保护需求成为研究焦点，但仍面临空间一致性缺失、多尺度特征表征不足及伪标签噪声显著等问题。针对以上问题，提出了一种基于多分支协同校准与可靠加权一致性的无源域适应分割网络（MCC-RWC）。MCC-RWC具有两个优势：首先，设计了一个多分支协同校准模块，利用多解码器预测与逆变换校准生成高质量且空间一致的概率预测，并通过内嵌层级特征聚合模块捕捉细节解剖结构和长距离特征依赖，以增强多尺度特征的表达能力。其次，设计了一个可靠加权一致性模块，通过三次差异化的前向传播与置信度筛选生成高质量伪标签，并利用加权损失与一致性约束抑制噪声，来提升模型的鲁棒性。在多中心心脏MRI和息肉分割数据集上的实验表明，MCC-RWC的性能显著优于现有方法，为临床跨中心分割任务提供了高效且隐私安全的解决方案。

尽管价值分解方法在多智能体强化学习中广泛应用，但由于自举和最大化操作引起的偏差传播，Q值常被过度估计，导致智能体陷入次优策略，训练结果在成功与失败之间波动较大。传统的探索策略难以有效解决这一问题，因为它们无法引导智能体摆脱次优策略。为此，本文提出了Quest方法，通过动态低估Q值来打破训练中的次优收敛的平衡，并通过非对称偏差引导智能体进行更有效的策略搜索。本文的核心贡献在于突破了传统通过优化Q网络分解来提升性能的局限，提出了一种外部干预机制，通过动态引导智能体的探索，绕过了复杂分解结构的瓶颈，从而有效提升了智能体的表现。为了验证该方法的有效性，本文在StarCraft II的多智能体环境中进行了实验。实验结果表明，Quest显著提高了智能体对次优收敛的鲁棒性，减少了训练过程中的性能波动。根据“抵抗次优收敛的鲁棒性（RASC）”指标测量，在如6h_vs_8z等复杂环境中，Quest的RASC指标平均提高了130%，同时平均胜率提升了190%。这些实验结果表明，Quest在复杂的多智能体环境中有效优化了探索策略，增强了智能体的学习稳定性和最终性能。

随着海防部队信息化加速，联邦学习成为分布式数据安全共享的重要手段。然而，海防站点（如前线/后勤部队、设备中心）面临任务差异大导致知识负迁移，和本地模型持续更新但受限于通信带宽（边海防地处偏远）难以共享知识两大难题。现有联邦持续学习方法主要聚焦模型参数与数据特征，缺乏对任务层面的持续学习研究。本文提出任务粒度联邦持续学习方法FedTask，适配图像、文本、表格等多模态海防数据，支持任务粒度的模型知识提取，面向通信窄带宽的限制实现紧凑权重压缩。在中心化/去中心化场景下，通过对相似任务对的识别和聚合，FedTask实现了分布式客户端（海防站点）之间的知识正迁移。同时，本文构建了联邦持续学习系统架构，该系统提供了一体化的数据处理流程和可扩展的算法容器，并支持分布式节点的低代码化协同训练。基于真实的海防数据，本文对比了最新的9种联邦持续方法，测试结果表明，在同等训练时间下，FedTask分别提升中心化和去中心化联邦学习任务平均准确率14.78%和9.78%，并减少75%和85%的通信时间。

:联邦学习通过在分布式设备上本地训练模型并共享参数更新，提高了保护数据安全的能力，但仍面临隐私泄露与恶意客户端攻击的挑战。传统安全聚合协议存在服务器的推理攻击导致的客户端隐私泄露，另一方面，恶意客户端的投毒攻击会导致影响全局模型的性能恶化、收敛性降低，甚至是针对性误分类。针对这个问题，提出一种双向防御联邦学习框架：客户端上传本地模型中的全连接层和通过添加噪声后得到的本地模型参数密文。全连接层参数用于服务器检测投毒攻击，加密后的模型参数用于防止服务器的推理攻击，客户端所添加的噪声在服务器聚合运算中自动抵消，不影响聚合结果的正确性。在统一的框架下，既保护了客户端隐私，也防范了恶意客户端的投毒攻击。分析表明，使用优化的椭圆曲线密钥生成算法，在减少了开销的前提下实现了隐私保护，与此同时，实验发现，该方法在MNIST和CIFAR-10数据集上对四类投毒攻击的检测准确率都达到了较高的水平，误报率低于6%。为联邦学习提供了高效、鲁棒的双向隐私与安全防御方案。

深度学习模型作为一种重要的知识产权，其安全可信的部署对推动人工智能应用与创新具有重要意义。当前基于单一触发集响应的模型水印方法存在安全缺陷：其一，触发集的静态决策边界易受对抗扰动攻击，导致验证准确率骤降；其二，基于模型特征的水印机制对模型结构动态重构及高比例参数剪枝高度敏感。针对上述问题提出一种双重交叉验证水印框架(Double cross-validation watermarking, DCVW)，首先采用投影梯度下降合成对抗触发样本集作为第一重水印，接着调用深度特征提取网络针对模型应用场景获取其高阶隐式表征，进一步利用Bloom滤波器生成动态哈希链构建第二重水印，并将水印与密钥交由第三方机构保存作为模型指纹。在验证过程中，所有权声明需同时满足触发集响应与模型特征零水印哈希相似度的匹配。水印的鲁棒性实验结果表明，DCVW方案在75%的结构化剪枝下仍能保持模型较高的准确率；在面对歧义攻击时的比特差异率和伪造检测率较对比算法分别提升5.15%和1.04%。双重交叉验证机制保证了模型水印的不可伪造性，为深度学习模型的版权保护提供了一种有效的解决方案。

知识图谱在构建过程中常因异构数据源或信息抽取错误而引入实体冗余，即多个节点表示同一真实世界实体，严重影响图谱质量与应用性能。针对单知识图谱内的实体规范化问题，本文提出一种名为CRGC-SRM的两阶段框架。该框架的核心创新在于：(1) 提出对比表示引导聚类（CRGC）方法，它结合实体上下文与定义的双视图信息进行对比学习，并利用最小描述长度（MDL）准则对层次聚类结果进行自适应切割，避免了人工设定阈值的难题；(2) 设计了子模冗余最小化（SRM）算法，将代表实体选择问题建模为带分割拟阵约束的子模覆盖最大化问题，在保证近似比的同时，显式地平衡知识覆盖率与冗余度；(3) 针对实体规范化任务的特性，引入了类型一致性惩罚与硬负样本挖掘策略，有效抑制了同形异义实体导致的“过合并”问题。在多个公开及内部数据集上的实验结果表明，CRGC-SRM在聚类质量上相比最强基线平均提升约2.7个百分点，进而将实体冗余率平均从29.7%降至7.8%（较原始图谱削减73.7%），同时保持不低于98%的知识覆盖率，显著改善了图谱质量；并将SPARQL工作负载的平均倒数排名（MRR）提升约15.4%、首位命中率（Hits@1）提升约18.5%，查询延迟95分位数（P95）降低27.7–35.9%，有效提升了查询性能。本文所提框架为解决单图实体规范化问题提供了一套兼具理论保证与工程实用性的高效解决方案。

移动边缘计算（MEC）作为应对计算密集型应用低延迟与低能耗需求的关键技术，能够通过任务卸载有效缓解终端计算压力。然而，在异构多服务器环境中，传统启发式方法及单智能体深度强化学习（DRL）算法普遍存在感知与决策脱节、动作空间高维难以学习、约束处理效率低等问题，导致卸载策略收敛缓慢、适应性不足。为此，研究提出一种高效耦合协同计算多智能体深度强化学习框架（ECCC-MADRL），以实现异构多服务器场景下的高效任务卸载与资源分配优化。该框架构建“客户端-主控”双代理协同结构，通过高效耦合特征提取模块捕捉任务与资源的多维耦合特征，并基于Per-action DQN决策机制分解高维组合动作，实现多用户多服务器间的动态协同。框架设计引入“约束内化”降维方法，将子信道编号从状态与动作空间中剥离，显著降低动作维度；同时建立异构多服务器协同模型，以特征匹配度与负载均衡机制实现跨服务器资源的动态调度。实验结果表明，ECCC-MADRL相较于MAPPO与MADDPG系列基线算法在多个典型场景中实现了30–37%的奖励提升，并将任务超期率降低25–55%；在电量紧张场景下，其设备电量越线率亦减少约40%，充分体现了所提方法在收敛性、效率与鲁棒性方面的显著优势。研究表明，ECCC-MADRL框架能够在异构边缘环境中实现高效、鲁棒的任务卸载决策，为智能边缘计算系统的优化设计提供参考。

精细语义分割对于获取准确的目标边界具有重要作用。然而实际成像场景中，物体的边缘区域往往存在模糊现象，若缺乏对边缘特征的有效建模，容易导致分割结果在细节处不够准确。现有方法通常未能充分关注物体的边缘区域，或依赖额外步骤提取边缘信息，增加了处理的复杂性。为此，本文提出了一种边缘感知的语义分割网络EAM-UNet（Edge Aware Mamba-UNet），该网络利用改进的视觉Mamba捕捉长距离依赖关系并通过双向空洞选择性扫描机制降低现有视觉Mamba模块的计算量；再利用空域引导动态上采样模块对边缘区域上采样过程进行动态调控，确保边缘细节的准确分割；同时，设计边缘聚合感知模块从语义特征中提取并聚合边缘特征，增强模型对边缘区域的表达能力。实验结果表明，EAM-UNet在多个有高边缘分割精度要求的场景中表现优异。在医学图像分割数据集ISIC 2017与ISIC 2018中，该方法分别实现了82.52%与84.07%的mIoU，准确刻画了病灶边界，有助于提高诊断可靠性。在镜架分割的工业数据集GIS上，该方法的mIoU达到98.37%，显著提升了镜架虚拟试戴的可靠性。此外在专注于评估边缘分割质量的Boundary IoU指标上EAM-UNet同样优于现有方法。 关键词：语义分割；精细分割；双向空洞选择性扫

随着企业数字化转型深入，越来越多企业将核心业务迁移至云端，云计算的弹性扩缩容与 “随买随用” 特性显著提升运营效率，但自然灾害、网络攻击、人为操作失误、硬件故障等风险也随之加剧，一旦发生将导致云上业务中断与关键数据丢失，给企业造成巨大经济损失，因此云灾备技术已成为保障企业信息技术架构稳定、确保业务连续性的核心环节。云灾备技术历经多阶段演进，从早期高成本的本地磁带备份与自建数据中心，逐步发展到结合虚拟化技术的初步探索，再到如今依托云计算实现的多元化灾备方案，衍生出云上、混合云、多云等多种业务类型，不同类型在RPO(Recovery Point Objective, 恢复点目标)、RTO(Recovery Time Objective, 恢复时间目标)等技术指标要求上存在明显差异。然而，当前行业内针对云灾备技术体系的系统性梳理与整合研究仍较为缺乏。基于此，本文综合现阶段云灾备发展现状，研究分析其发展历程中的关键节点、明确备份与容灾的核心概念及金融、制造、医疗等典型应用场景，再聚焦两地三中心这一主流云灾备架构，深入分析数据同步、分布式一致性校验、故障检测等关键技术的研究进展，最后总结异构云资源同步、集群脑裂恢复等现存挑战，并指出结合AI实现智能故障预测等未来研究方向，为企业制定容灾上云策略提供技术参考。

无线通信的开放性和广播性使得传输信号极易受到非法窃听或恶意攻击的威胁，尽管近年来物理层安全通信技术已成为提升无线传输保密性的有效途径，但现有方法普遍存在密钥空间受限、加密参数固定以及信号保密性能不足等问题，难以有效抵御窃听者日益增强的攻击能力。因此，为了提升无线通信物理层的安全传输性能，该文提出一种新型三维混沌映射动态调控的多域联合调制安全通信方法。通过向Hénon映射中引入正弦、余弦和指数非线性项，构建了三维埃农正余弦指数混沌映射函数(3D-HSCE)，并借助分岔图、Lyapunov指数谱与相图验证了其混沌特性。随后，引入极化调制(PM)以扩展信号调制维度，并结合广义多参数加权分数傅里叶变换(GMPWFRFT)进行信号星座扰乱。此外，还利用3D-HSCE混沌映射来实施信号星座幅相加密，并设计了其初始值的状态反馈更新机制来动态调控系统密钥参数，从而实现了信号星座的动态加密。仿真结果表明，所提方法加密后的信号呈现类高斯分布特性，密钥空间可达2326，具备高敏感性与强安全性，即使窃听端密钥与正确密钥存在10-16或10-15的微小误差，其误比特率始终接近0.5，无法解密出任何有效信息，显著增强了系统抗参数扫描与调制识别攻击能力。与2D-HCE-DDL-GMPWFRFT方法相比，本文方法的密钥空间提升了2108倍，当SNR=10 dB时，系统误比特率下降了约2个量级，三种参数条件下的系统安全容量分别提升了约332.5%、45.8%、6.7%，故所提方法能够实现物理层的安全传输。

短期光伏功率预测是电力系统实现优化调度的核心基础，其精度直接影响系统整体效能。然而，光伏发电功率受多重气象因素影响，所呈现出的短期波动性和随机性给高精度预测的实现带来严峻挑战。近年来，深度学习技术凭借其挖掘数据内在关联特征的卓越能力，为突破性提升短期光伏功率预测精度开辟了全新路径。全面梳理了现有深度学习技术在短期光伏功率预测任务中的应用进展。首先，阐述了深度学习在该预测任务中的典型应用范式；然后，介绍了在可用数据充足、静态且无增量的理想场景下，卷积神经网络、循环神经网络、转换器及图神经网络等深度神经网络在该任务中的应用现状；继而，剖析了基于深度数据增强、迁移学习、联邦学习、在线学习等技术的深度神经网络，在应对数据匮乏、访问受限等现实数据挑战时，在该任务中的应用思路与进展；最后，探讨了当前基于深度学习的短期光伏功率预测研究在鲁棒性、泛化性、适应性等方面面临的挑战，并从模型架构、优化策略等角度对未来技术路线进行了前瞻性展望。

在现实的云边端分层联邦学习场景（如车联网环境）中，终端设备因物理位置的移动会切换边缘服务器，导致终端移动后新连接的边缘服务器的梯度更新会基于不同边缘节点的不同版本模型，从而引发聚合结果偏差、训练效率下降等问题。现有研究仅考虑了在全局聚合后重新分配设备归属边缘节点，且传统的异步联邦学习算法难以适应设备频繁移动的场景，难以解决移动终端跨域的问题。为此，该研究提出了面向移动设备的云边端分层联邦压缩算法FedSAQ（Federated Learning with Staleness-aware Adaptive Quantization）：该算法首先通过计算终端设备下载模型与上传梯度的轮次差、衡量本地模型与边缘节点模型的差异计算陈旧度系数，然后根据该系数调整边缘服务器的聚合权重，并采用基于陈旧度的自适应量化梯度压缩算法，能有效利用跨域的训练结果并减少通信开销，与基准算法相比，模型精度提升了0.6%-5%，通信开销降低了至多50%。

无线信号固有的广播特性使通信系统面临潜在的窃听与干扰威胁，尤其在通感一体化(ISAC)系统中，雷达探测信号中常同时承载着通信用户的机密信息，使其安全问题更为复杂。针对这一挑战，在本文中探讨一种有源可重构智能表面(RIS)辅助的安全ISAC系统，提出一种基于人工噪声(AN)的联合安全传输机制，用以增强物理层安全性。在存在潜在窃听者的多用户通信与感知场景中，通过联合设计基站(BS)发射预编码、AN干扰信号和RIS反射系数，在考虑合法用户通信质量的同时，最小化感知性能指标克拉美罗界(CRB)，从而实现通信、感知与安全的协同优化。为解决由此产生的多变量耦合非凸问题，提出基于交替优化(AO)、半定松弛(SDR)与主化最小化(MM)的高效算法，将原问题转化为两个子问题进行高效求解。仿真结果显示，与无AN方案相比，所提方案可使窃听信干噪比(SINR)降低约20.3 dB(下降约99.07%)，而感知性能仅损失约0.5 dB(约11.28%)，实现了安全性与感知精度之间的平衡。与无源RIS相比，所提有源RIS辅助方案在安全性能方面显著提升，并验证了“以感知增强物理层安全”的有效性，为ISAC系统的安全设计提供了可行的方法。

随着网络攻击的频发与隐蔽性增强，传统防御机制难以及时识别未知威胁，网络入侵检测作为安全防护体系的核心环节，可在攻击早期实现异常识别与预警，对构建智能化主动防御体系具有重要意义。现有网络入侵检测方法在高阶拓扑依赖建模、全局与局部信息协同以及对抗扰动下的鲁棒性方面仍存在不足，难以同时兼顾检测准确性与泛化能力。针对这些问题，本文提出了一种基于多尺度图扩散对比学习的网络入侵检测模型（MGDCL-IDS）。模型构建了一个面向网络入侵检测任务的多尺度图表示学习框架，针对攻击模式的特质，设计了具有任务导向特征增强与信息协同机制的模型结构。通过拓扑感知的特征优化与多层级对比建模，模型在结构与语义两方面实现了统一表征与高鲁棒检测性能。模型在私有的真实网络入侵检测数据集上准确率达到98.57%，F1分数达到98.68%，精确度达到98.41%，曲线下面积（AUC）达到98.75%；在NF_CSE_CIC_IDS2018数据集上较近期方法准确率提升2.21%，F1分数提升2.08%，精确率提升1.79%，AUC提升0.74%。实验表明，该方法在高阶依赖建模和结构鲁棒性方面均取得有效改进，在检测准确率与误报控制上表现出显著优势，为构建高效、可靠的入侵检测系统提供了可行思路。

近年来，传统图神经网络已广泛应用于谣言检测任务，其核心优势在于能够有效捕捉谣言的传播结构特征。然而，现有模型大多仅聚焦于传播过程中推文间的显式交互关系，既未能充分挖掘用户与推文的深层交互逻辑，也未有效建立推文内容间的语义关联，这一缺陷直接制约了谣言检测性能的进一步提升。针对上述问题，本文提出一种融合用户、传播、语义及时间特征的双超图神经网络模型——UPST-HGNN。具体而言，模型首先引入用户特征与高阶传播特征，构建“用户—传播”超图，以刻画跨主体的复杂交互关系；同时，引入推文语义特征并计算语义相似性，构建“语义—时序”超图，实现语义关联与时间演化特征的联合建模。在此基础上，采用超图卷积网络结合图注意力网络提取超图特征，基于注意力机制动态融合多维度特征表示，最终将整合后的特征输入分类器，完成谣言检测判断。实验结果表明，在公开的PHEME与WEIBO数据集上，UPST-HGNN模型的准确率分别达到86.27%和94.10%。相较于最优基线模型，其准确率进一步提升1.67%与2.8%。这一结果证实，该模型能够更全面地捕捉谣言相关信息，深刻理解传播过程的多样性与复杂性，从而有效提升检测性能，并为谣言检测研究提供了新的思路。

随着巨型星座逐步成为空天地一体化网络的核心基础设施，其资源调度正面临高维约束、动态任务分配与多目标优化等多重挑战。针对这一领域的智能调度方法，可归纳为三类：基于数学模型驱动、基于启发式算法以及基于深度学习与强化学习的方法。其中，数学模型驱动方法借助混合整数规划、图论建模等工具构建优化模型，通过精确的数学推演描述资源调度中的约束条件与目标函数，在静态场景下能够提供理论最优解，但其计算复杂度会随问题规模呈指数级增长，难以应对大规模动态调度需求。启发式算法依托仿生机制快速生成近似解，在处理中等规模问题时展现出较高的效率与灵活性，不过解的质量易受参数设置影响，且缺乏全局最优性保证。深度学习与强化学习方法凭借数据驱动和交互学习机制，能够从海量调度数据中挖掘隐含规律，通过智能体与环境的持续交互优化决策策略，在动态拓扑、突发任务等复杂场景中表现出独特优势，但其对训练数据的依赖性较强，且决策过程的可解释性仍有待提升。当前研究在跨层协同调度、鲁棒性优化、异构资源融合等方面仍存在不足，未来需进一步探索多模态学习与自适应决策机制，推动巨型星座资源调度向智能化、高效化、可靠化方向发展，为空天地一体化网络的大规模部署与应用提供关键技术支撑。