为在持续集成（CI）环境下减少回归测试集、提升回归测试的效率，提出一种适用于CI环境的回归测试套件选择方法。首先，根据每个提交的测试套件历史失败率和执行率信息，进行提交排序；然后，采用机器学习方法，对提交涉及的测试套件进行失败率预测，并选择具有较高失败率的测试套件。该方法综合使用提交排序技术和测试套件选择技术，从而保证既提高故障检测率又能在一定程度上降低测试成本。在Google的开源数据集上进行的实验结果表明：与同样采用提交排序的方法和采用测试套件选择的方法相比，所提方法的开销感知平均故障检测率APFDc提高了1%~27%；在相同的测试时间成本下，所提方法的测试召回提高了33.33~38.16个百分点，变更召回提高了15.67~24.52个百分点，测试套件选择率降低了约6个百分点。

复杂场景下的群体活动识别是一项具有挑战性的任务，它涉及一组人在场景中的相互作用和相对空间位置关系。针对当前复杂场景下群组行为识别方法缺乏精细化设计以及没有充分利用个体间交互式特征的问题，提出了基于分块注意力机制和交互位置关系的网络框架，进一步考虑个体肢体语义特征，同时挖掘个体间交互特征相似性与行为一致性的关系。首先，采用原始视频序列和光流图像序列作为网络的输入，并引入一种分块注意力模块来细化个体的肢体运动特征；然后，将空间位置和交互式距离作为个体的交互特征；最后，将个体运动特征和空间位置关系特征融合为群体场景无向图的节点特征，并利用图卷积网络（GCN）进一步捕获全局场景下的活动交互，从而识别群体活动。实验结果表明，此框架在两个群组行为识别数据集（CAD和CAE）上分别取得了92.8%和97.7%的识别准确率，在CAD数据集上与成员关系图（ARG）和置信度能量循环网络（CERN）相比识别准确率分别提高了1.8个百分点和5.6个百分点，同时结合消融实验结果验证了所提算法有较高的识别精度。

在给出审批业务形式化定义的基础上,针对审批动态行为过程提出了一个形式化模型EABWF net。与传统的面向过程的建模方式不同,该模型以审批角色为中心,以消息为流转机制,以规则为流程控制逻辑。该模型克服了传统建模方式在审批业务工作流建模中缺乏流程柔性和系统灵活性的缺点,能更加直观、清晰地描述审批业务。