针对基于神经风格迁移的信息隐藏算法没有解决彩色图像的嵌入这一问题，提出了一种基于风格迁移过程的彩色图像信息隐藏算法。首先，利用卷积神经网络（CNN）特征提取的优势，分别提取载体图像的语义信息、风格图像的风格信息以及彩色图像的特征信息；然后，将图像的语义内容和不同风格融合在一起；最后，在通过解码器对载体图像进行风格迁移的同时完成彩色图像的嵌入。实验结果表明，所提算法可以将秘密图像有效融入到生成的风格化图像中，使得秘密信息嵌入行为与风格变换的行为不可区分，在保持算法安全性的前提下，所提算法的隐藏容量提高到24 bpp，峰值信噪比（PSNR）和结构相似性（SSIM）的平均值分别达到了25.29 dB和0.85，有效解决了彩色图像的嵌入问题。

针对现有细粒度实体分类（FGET）任务的工作多着眼于如何更好地编码实体和上下文的语义信息，而忽略了标签层次结构中标签之间的依赖关系及其本身的语义信息的问题，提出了一种基于层次结构感知的细粒度实体分类（HAFGET）方法。首先，利用基于图卷积网络（GCN）的层次结构编码器对不同层级标签之间的依赖关系进行建模，提出了基于层次结构感知的细粒度实体分类多标签注意力（HAFGET-MLA）模型和基于层次结构感知的细粒度实体分类实体特征传播（HAFGET-MFP）模型；然后，利用HAFGET-MLA模型和HAFGET-MFP模型对实体上下文特征进行层次结构感知和分类，前者通过层次编码器学习层次结构感知标签嵌入，并与实体特征通过注意力融合后进行标签分类，后者则直接将实体特征输入到层次结构编码器更新特征表示后进行分类。在FIGER、OntoNotes和KNET三个公开数据集上的实验结果表明，与基线模型相比，HAFGET-MLA模型和HAFGET-MFP模型的准确率和宏平均F1值均提升了2%以上，验证了所提方法能够有效提升分类效果。

提出了一种新的网络体系结构的抽象模型“FARA”,它基于终端命名与网络地址分离的机制,避免引入新的全局域名空间,具有一定的灵活性、通用性和安全性。这一新的命名和绑定的概念组织形式为新一代网络体系结构的研究提供了非常有价值的方向。