环境、社会及治理（ESG）指标是评估企业可持续发展的重要指标。现有的ESG评估体系存在覆盖范围狭窄、主观性强和时效性差等问题，因此，迫切需要研究能利用企业数据准确预测ESG指标的预测模型。针对企业数据中ESG关联特征存在信息丰度不一致的问题，提出一种基于丰度协调技术的企业ESG指标预测模型RCT （Richness Coordination Transformer），其中上游丰度协调模块通过自编码器协调异质丰度特征，从而提高下游模块的ESG指标预测性能。在真实数据集上的实验结果表明，与模型时间卷积网络（TCN）、长短期记忆（LSTM）网络、自注意力模型（Transformer）、极限梯度提升（XGBoost）和轻量级梯度提升机（LightGBM）相比，RCT模型在各项预测指标上均表现最优，验证了RCT模型在预测ESG指标上的有效性和优越性。
入侵检测系统（IDS）等安全机制已被用于保护网络基础设施和网络通信免受网络攻击。随着深度学习技术的不断进步，基于深度学习的IDS逐渐成为网络安全领域的研究热点。通过对文献广泛调研，详细介绍利用深度学习技术进行网络入侵检测的最新研究进展。首先，简要概述当前几种IDS；其次，介绍基于深度学习的IDS中常用的数据集和评价指标；然后，总结网络IDS中常用的深度学习模型及其应用场景；最后，探讨当前相关研究面临的问题，并提出未来的发展方向。
联邦学习（FL）是一种在隐私保护和通信效率方面极具潜力的新型机器学习模型构建范式，然而现实物联网（IoT）场景中客户端节点数据之间会存在异构性，学习一个统一的全局模型会导致模型准确率下降。为了解决这一问题，提出一种基于特征分布的聚类联邦学习（CFLFD）算法。在该算法中，对每个客户端节点从模型提取的特征进行主成分分析（PCA）后所得到的结果进行聚类，以将具有相似数据分布的客户端节点聚类在一起相互协作，从而提高模型准确率。为验证算法的有效性，在3个数据集和4种基准算法上进行大量实验。实验结果表明，与FedProx相比，CFLFD算法在CIFAR10数据集和Office-Caltech10数据集上将模型准确率分别提升了1.12和3.76个百分点。
大语言模型（LLM）是由具有大量参数（通常数十亿个权重或更多）的人工神经网络组成的一类语言模型，使用自监督学习或半监督学习对大量未标记文本进行训练，是当前生成式人工智能（AI）技术的核心。与传统语言模型相比，LLM通过大量的算力、参数和数据支持，展现出更强的语言理解与生成能力，广泛应用于机器翻译、问答系统、对话生成等众多任务中并表现卓越。现有的综述大多侧重于LLM的理论架构与训练方法，对LLM的产业级应用实践及技术生态演进的系统性探讨仍显不足。因此，在介绍LLM的基础架构、训练技术及发展历程的基础上，分析当前通用的LLM关键技术和以LLM为底座的先进融合技术。通过归纳总结现有研究，进一步阐述LLM在实际应用中面临的挑战，包括数据偏差、模型幻觉和计算资源消耗等问题，并对LLM的持续发展趋势进行展望。
情感识别是一种让计算机识别和理解人类情感的技术，在众多领域都起着重要的作用，也是人工智能领域重要的发展方向。因此，梳理与归纳基于语音和文本的双模态情感识别的研究现状：首先，分类阐述情感表示空间；其次，按照情感数据库的情感表示空间对这些数据库进行分类，并总结常见的多模态情感数据库；再次，介绍基于语音和文本的双模态情感识别方法，包括特征提取、模态融合和决策分类，重点介绍模态融合方法并将这些方法分为特征级融合、决策级融合、模型级融合和多层次融合这4类；此外，比较和分析一系列语音和文本双模态情感识别方法的结果；最后，介绍情感识别的应用场景、面临的挑战与未来的发展方向。以上旨在对多模态情感识别，尤其是对基于语音和文本的双模态情感识别的相关工作进行分析与总结，并为情感识别提供有价值的参考。
当前求解微分代数方程（DAE）的神经网络方法基本都采用数据驱动策略，需要大量的数据集，因此存在对神经网络的结构和参数选择敏感、求解结果精度低、稳定性差等问题。针对这些问题，提出一种基于Lobatto方法和Legendre多项式的物理信息神经网络（LL-PINN）。首先，基于离散型物理信息神经网络（PINN）的计算框架，结合Lobatto IIIA方法求解DAE高精度和高稳定性的优点，将DAE的物理信息嵌入Lobatto IIIA时间迭代格式中，并使用PINN对该时间迭代进行近似数值求解；其次，采用单隐藏层的神经网络结构，利用勒让德多项式展开项的逼近能力，应用这些多项式作为激活函数来简化网络模型调整的过程；最后，采用时间区域分解方案构建网络模型，即对每个等分的子时间区域依次使用一个微分神经网络和一个代数神经网络，从而实现DAE的高精度连续时间预测。数值算例结果表明，基于勒让德多项式和4阶的Lobatto方法的LL-PINN实现了对DAE的高精度求解。与函数连接理论（TFC）试验解模型和PINN模型相比，LL-PINN的微分变量和代数变量的预测解与精确解的绝对误差显著降低，精度提高了一个或两个量级。因此，所提求解模型对求解DAE问题具有较好的计算精度，可为解决具有挑战性的偏DAE提供可行的解决方案。
针对当前瓷砖缺陷检测主要依靠人工检测导致的主观性强、效率低、劳动强度大等问题，提出一种基于改进YOLOv8的轻量级大幅面瓷砖图像微小缺陷检测算法。首先，对高分辨率大幅面图像进行裁切处理，并在骨干网络中引入HorBlock增强模型的捕捉能力；其次，融入大型可分离内核注意力（LSKA）改进C2f提高模型的检测性能，并通过引入SA（Shuffle Attention）增强模型的特征提取能力；最后，引入全维度动态卷积（ODConv）进一步增强模型对微小缺陷的处理能力。在阿里天池瓷砖瑕疵检测数据集上的实验结果表明：改进后的模型不仅参数量比原始YOLOv8n低，而且mAP@0.5提升了8.2个百分点，F1分数提升了7个百分点。可见，改进后的模型能更精确地识别和处理大幅面瓷砖的微小表面缺陷，且能在保持轻量级的同时，显著提升检测效果。
针对传统加密流量识别方法存在多分类准确率低、泛化性不强以及易侵犯隐私等问题，提出一种结合注意力机制（Attention）与一维卷积神经网络（1DCNN）的多分类深度学习模型——Attention-1DCNN-CE。该模型包含3个核心部分：1）数据集预处理阶段，保留原始数据流中数据包间的空间关系，并根据样本分布构建成本敏感矩阵；2）在初步提取加密流量特征的基础上，利用Attention和1DCNN模型深入挖掘并压缩流量的全局与局部特征；3）针对数据不平衡这一挑战，通过结合成本敏感矩阵与交叉熵（CE）损失函数，显著提升少数类别样本的分类精度，进而优化模型的整体性能。实验结果表明，在BOT-IOT和TON-IOT数据集上该模型的整体识别准确率高达97%以上；并且该模型在公共数据集ISCX-VPN和USTC-TFC上表现优异，在不需要预训练的前提下，达到了与ET-BERT（Encrypted Traffic BERT）相近的性能；相较于PERT（Payload Encoding Representation from Transformer），该模型在ISCX-VPN数据集的应用类型检测中的F1分数提升了29.9个百分点。以上验证了该模型的有效性，为加密流量识别和恶意流量检测提供了解决方案。
在物联网（IoT）时代，人工智能（AI）与IoT的结合已经成为推动技术发展和应用创新的重要趋势。随着设备连接数量的指数级增长，提升终端用户对智能系统的信任度变得尤为关键。可解释人工智能（XAI）指能提供它们的决策过程和结果解释的AI系统。XAI的出现推动了AI技术的发展，并增强了用户对AI系统的信任。因此，对IoT应用中的XAI研究进行综述。首先，介绍IoT和XAI的相关背景及意义；其次，介绍XAI的定义及关键技术；接着，介绍传统AI驱动的IoT应用的最新进展和XAI驱动的IoT应用的最新进展；最后，对XAI在IoT应用中的未来发展方向和相关挑战分别进行总结和展望。
针对复杂地形环境下的无人机（UAV）路径规划问题，提出一种基于改进鲸鱼优化算法（MWOA）的动态UAV路径规划方法。首先，通过解析山体地形、动态目标和威胁区，建立三维动态环境与UAV航路模型；其次，提出一种自适应步长高斯游走策略，并将该策略用于平衡算法的全局探索与局部发掘的能力；最后，提出一种辅助修正策略对种群最优个体进行修正，并结合差分进化策略，在避免种群陷入局部最优的同时提高算法的收敛精度。为验证MWOA的有效性，使用MWOA与鲸鱼优化算法（WOA）、人工蜂鸟算法（AHA）等智能算法求解CEC2022测试函数，并在设计的UAV动态环境模型中进行验证。仿真结果对比分析表明，与WOA相比，MWOA的收敛精度提高了6.1%，标准差减小了44.7%。可见，所提MWOA收敛更快且精度更高，能有效处理UAV路径规划问题。
在协同融合气象、空间和时间三大信息的时空混合模型中，时间变化建模通常在一维空间中完成。针对一维序列局限于滑动窗口和缺乏对多尺度特征的灵活提取的问题，提出一种多域时空层次图神经网络（MST-HGNN）模型。首先，构建城市全局尺度和站点局部尺度的两级层次图，从而进行空间关系学习；其次，将一维空气质量序列转换为一组基于多个周期的二维张量，并在二维空间上通过多尺度卷积进行周期解耦以捕获频域特征；同时，在一维空间中利用长短期记忆（LSTM）网络拟合时域特征；最后，为避免聚合冗余信息，设计一种门控机制融合模块用于频域和时域特征的多域特征融合。在Urban-Air数据集和长三角城市群数据集上的实验结果表明，相较于多视图多任务时空图卷积网络模型（M2），所提模型在预测第1 h、3 h、6 h、12 h空气质量的平均绝对误差（MAE）和均方根误差（RMSE）均低于对比模型。可见，MST-HGNN能在频域上解耦复杂时间模式，利用频域信息弥补时域特征建模的局限性，并结合时域信息更全面地预测空气质量变化。
雷达自动目标识别（RATR）在军事和民用领域中都有广泛的应用。由于集成学习通过集成已有的机器学习模型改善模型分类性能，具有较好的鲁棒性，因此被越来越多地应用于雷达目标检测与识别领域。系统梳理和提炼现有相关文献对集成学习在RATR中的研究进展。首先，介绍集成学习的概念、框架与发展历程，将集成学习与传统机器学习、深度学习方法对比，并总结集成学习理论和常见集成学习方法的优势、不足及研究的主要聚焦点；其次，简述RATR的概念；接着，重点阐述集成学习在不同雷达图像分类特征中的应用，详细讨论基于合成孔径雷达（SAR）和高分辨距离像（HRRP）的目标检测与识别方法，并总结这些方法的研究进展和应用成效；最后，讨论RATR以及集成学习所面临的挑战，并对集成学习在雷达目标识别领域的应用进行展望。
随着云计算和大数据的普及，越来越多的用户隐私数据被上传到云端计算和处理；然而，由于隐私数据交由不可信的第三方存储和管理，因此面临被泄露的风险，进而导致公民的生命和财产安全乃至国家的安全都受到不利影响。近年来，一些基于密码学算法的隐私计算技术，例如安全多方计算、同态加密（HE）和联邦学习等，解决了隐私数据传输和计算过程中的安全问题，进而实现了隐私数据的“可用不可见”；然而，这些方案由于计算和通信复杂度的原因没能得到广泛部署和应用。许多研究工作致力于利用可信执行环境（TEE）降低隐私计算技术的计算量和通信复杂度，同时保证不影响这些技术的安全性。TEE通过硬件辅助创建可以信赖的执行环境，并保证其中隐私数据和代码的机密性、完整性和可用性。因此，从隐私计算和TEE结合的研究入手。首先，全面分析TEE保护用户隐私数据的系统架构和硬件支持；其次，对比现有TEE架构各自的优势和不足；最后，结合工业界和学术界的最新进展，探讨隐私计算和TEE交叉研究领域的未来发展方向。
针对下一代Wi-Fi7设备中多链路传输时通信与感知一体化的功率和信道联合资源分配的问题，根据多链路设备（MLD）特殊的上下两层媒体接入控制层（MAC）结构，提出一种基于QMIX的联合功率控制与信道分配的多链路多智能体强化学习算法（JPCQMIX）。该算法将MLD的每个下层MAC即每条链路作为一个智能体，并在上层MAC中设置混合网络用来处理所有下层MAC的局部值函数，以达到中心式训练的效果。训练完成后，每个下层MAC进入分布式执行模式，并独立地与它的局部环境进行交互，以进行功率控制和信道分配决策。仿真结果表明，相较于多智能体深度Q网络（MADQN）算法和传统启发式粒子群优化（PSO）算法，所提算法在通信吞吐量性能上分别提高了20.51%和29.10%；同时，所提算法在面对不同感知精度阈值和不同链路最低信干噪比（SINR）时，鲁棒性更好。可见，JPCQMIX能有效提升系统在满足感知精度条件下的通信吞吐量。
当前，实时三维图形渲染领域发生着技术变革，实时光线追踪技术的应用激增；但就计算而言，光线追踪成本依旧“昂贵”，传统硬件无法支持这样的算力。新的图形处理单元（GPU）必须在性能、功耗和高复杂度场景之间获取平衡，硬件加速技术因此成为实时光线追踪的核心。首先，介绍了光线追踪的理论基础，基于目前最主流的2种硬件加速数据结构（KD-Tree（K-Dimensional Tree）和层次包围盒树（BVH-Tree）），分别从基元分割、构造方法、优化方法和遍历加速的角度进行调研，发掘这2种结构用于硬件加速的潜力；其次，从固定函数设计、硬件架构设计、以减少内存带宽为目标的调度和数据管理这3个角度，对各个阶段所开发的专用加速硬件进行总结；再次，面向产业界调研主流的光线追踪GPU的产业界解决方案以及未来发展趋势；最后，总结并讨论光线追踪硬件加速方案的现状与不足，并展望了这些方案的性能优化方向。
针对皮肤病灶边界模糊、存在毛发干扰、病灶大小不一等问题，提出一种基于双路径注意力机制和多尺度信息融合的皮肤病灶分割网络。首先，在编码器部分设计基于深度可分离卷积的残差门控注意力模块DGConv（Depthwise Gate Convolution），用于捕捉病灶区域的局部信息；其次，在网络瓶颈处设计多尺度上下文关系提取模块（MCEM），采用水平平均池化及垂直平均池化建模上下文信息，并融合残差空洞卷积金字塔模块捕获的多尺度特征进一步增强对病灶全局信息的理解；再次，在跳跃连接处设计双路径注意力模块用于细化病灶信息，并利用多尺度特征融合增强（MSFE）模块实现多阶段信息的交融，丰富当前阶段传输的细节特征信息；最后，在解码器部分设计特征融合模块（FM），以解决同阶段接受野失配的问题，并逐步融合编码器输出和跳跃连接传递的特征信息得到最终的分割结果。该网络在ISIC2017（International Skin Imaging Collaboration）和ISIC2018数据集上的实验结果表明，相较于皮肤病灶分割方面表现次优的网络，所提网络的Dice指标分别提高了0.09和1.09个百分点，交并比（IoU）指标分别提高0.14和1.76个百分点；与经典U-Net相比，Dice指标分别提高5.13和3.84个百分点，IoU指标分别提高了7.74和6.04个百分点。充分说明所提网络的先进性与有效性。
常识问答（CQA）是利用常识知识对自然语言问句进行自动求解以得到准确答案的任务，属于智能问答领域。该任务通常需要背景常识知识提升模型的求解能力，现有的大多数相关方法依赖于从文本数据中提取和利用常识。然而，常识通常具有隐含性，并不总是直接体现在文本内容中，影响了这些方法的应用范围和效果。因此，提出基于跨模态对比学习的CQA模型，以充分利用跨模态信息丰富常识的表达。首先，设计一个跨模态常识表示模块，以融合常识库和跨模态大模型，从而获取跨模态的常识表示；其次，对问题和选项的跨模态表示进行对比学习，从而增强模型对不同选项之间的区分能力；最后，利用softmax层为问题选项对生成相关性分数，并根据分数的高低确定最终的预测答案。在公开数据集CSQA（CommonSenseQA）和OBQA（OpenBookQA）上进行的实验结果表明，与DEKCOR（DEscriptive Knowledge for COmmonsense question answeRing）相比，所提模型的准确率分别提高了1.46和0.71个百分点。
在医学图像分割网络中，卷积神经网络（CNN）虽然能提取丰富的局部特征细节，但存在远程信息捕获不足的问题。Transformer虽然可以捕捉长距离的全局特征依赖关系，但是会破坏局部特征细节。为充分利用2种网络特征的互补性，提出一种用于医学图像分割的CNN和Transformer并行的融合网络——PFNet。该网络的并行融合模块使用一对基于CNN和Transformer的相互依赖的并行分支来高效地学习局部和全局两方面的辨别特征，并以交互方式交叉融合局部特征和长距离特征的依赖关系；同时，为恢复在下采样期间丢失的空间信息以增强细节的保留，提出多尺度交互（MSI）模块提取分层CNN分支生成的多尺度特征的局部上下文以进行远程依赖关系建模。实验结果表明，PFNet优于MISSFormer（Medical Image Segmentation tranSFormer）和UCTransNet（U-Net with Channel Transformer module）等先进方法。在Synapse和ACDC（Automated Cardiac Diagnosis Challenge）数据集上，相较于最优的基线方法MISSFormer，PFNet的平均Dice相似系数（DSC）分别提高1.27%和0.81%。可见，PFNet能实现更精准的医学图像分割。
时间序列分类是时间序列分析的基础。然而，现有的时间序列分类方法对应的形态特征并不能作为分类依据，且通道间的特征通过图上的单一权重刻画不够准确，导致分类精度不高。因此，提出一种融合衍生特征的时间序列事件分类方法（TSEC-FDF）。首先，在时间序列上构建时间序列事件集合后，根据每个时间序列事件构建突变图、协同图、启发图，以减少噪声对高维特征的干扰；其次，融合多图的特征作为衍生特征，并抽取时间序列事件的多个时间级别的特征；最后，提出一种融合衍生特征的多图卷积分类模型级联时间序列和图特征作为时间序列事件的高维特征。实验结果表明，与TF-C（Time-Frequency Consistency）和BiLSTM+隐马尔可夫模型（Bi-directional Long Short-Term Memory-Hidden Markov Model， BL-HMM）方法相比，TSEC-FDF在4个真实数据集上的准确率、精确率、查全率、F1值、AUROC（Area Under the Receiver Operating Characteristic curve）以及AUPRC（Area Under the Precision versus Recall Curve）至少提升了3.2%、4.7%、7.8%、6.3%、0.9%和2.2%。
针对现有大语言模型（LLM）在跨领域知识处理、实时学术信息更新及输出质量保证方面的局限，提出基于学术社交网络（ASN）的学者LLM——ScholatGPT。ScholatGPT结合知识图谱增强生成（KGAG）与检索增强生成（RAG），以提升精准语义检索与动态知识更新的能力，并通过微调优化以强化学术文本的生成质量。首先，基于学者网（SCHOLAT）关系数据构建学者知识图谱，并利用LLM进行语义增强；其次，提出KGAG检索模型，结合RAG实现多路混合检索，增强LLM的精准检索能力；最后，利用微调技术优化模型，使它在各学术领域的生成质量得到提升。实验结果表明，ScholatGPT在学术问答任务中的精确率达83.2%，相较于GPT-4o和AMiner AI提升了69.4和11.5个百分点，在学者画像、代表作识别和研究领域分类等任务上均表现优异。在回答相关性、连贯性和可读性方面，ScholatGPT取得了稳定且具有竞争力的表现，在专业性与可读性之间实现了较好的平衡。此外，基于ScholatGPT开发的学者智库和学术信息推荐系统等智能应用有效提升了学术信息获取的效率。
遥感图像中目标尺度变化大且目标长宽比差异大，导致遥感图像目标检测困难。针对遥感图像的这一特点，通过改进YOLO框架，提出EW-YOLO（Efficient Weighted-YOLO）提高遥感图像目标检测的精度。首先，在特征融合部分，设计多级特征融合结构，以利用双分支的残差模块促进不同尺度特征的融合，并通过融合模块的级联以及跨层特征的融合设计，增强对不同尺度目标的提取能力，并进一步增强检测能力；其次，在预测部分，提出加权检测头，引入加权检测框融合（WBF），以利用置信度分数对每个候选框进行加权，并融合生成预测框，从而提高不同长宽比目标的检测精度；最后，针对图像尺寸过大的问题，提出图像重采样处理方法，即通过将图像采样至合适大小并参与网络训练，解决由于切割造成的大尺寸目标检测精度较低的问题。在DOTA数据集上进行的实验的结果表明，所提方法的检测平均精度均值（mAP）达到了77.47%，较基于原始YOLO框架的方法提升了1.55个百分点，且优于目前的主流方法。同时，也在HRSC和UCAS-AOD数据集上验证了所提方法的有效性。
基于深度学习的图像分类算法通常依赖大量训练数据，然而在实际场景中通常难以获取足够大规模的高质量标注样本。针对小样本场景下分类模型泛化能力不足的问题，提出一种基于对比学习的小样本图像分类方法。首先，在训练中增加全局对比学习作为辅助目标，从而使特征提取网络从实例中获得更丰富的信息；其次，对问询样本分块并用于计算局部对比损失，从而促进模型获得从局部推断整体的能力；最后，利用显著性检测混合查询样本的重要区域，并构造复杂样本，以增强模型泛化能力。在2个公开数据集miniImageNet和tieredImageNet上进行的5-way 1-shot和5-way 5-shot的图像分类任务实验结果表明：相较于小样本学习的基线模型Meta-Baseline，所提方法在miniImageNet上的分类准确率分别提高了5.97和4.25个百分点，在tieredImageNet上的分类准确率分别提高了3.86和2.84个百分点；并且，所提方法在miniImageNet上的分类准确率比DFR（Disentangled Feature Representation）模型分别提高了1.02和0.72个百分点。可见，所提方法有效提高了小样本图像分类的准确率，具有良好的泛化能力。
知识追踪（KT）是一种认知诊断方法，旨在通过学习者的历史答题记录，模拟学习者对于学习知识的掌握程度，最终预测学习者未来的答题情况。目前基于深度神经网络模型的知识追踪技术以强大的特征提取能力和优越的预测能力成为知识追踪领域研究的热点；然而，基于深度学习的知识追踪模型通常缺乏较好的可解释性。清晰的可解释性不仅可以让学习者和教师充分理解知识追踪模型的推理过程和预测结果，从而为下一步学习制定符合当前知识状态的学习计划，还能够提升学习者和教师对知识追踪模型的信任程度。因此，对可解释的深度知识追踪（DKT）方法进行综述。首先，介绍知识追踪的发展历程，并介绍可解释性的定义和必要性；其次，从特征提取和模型内部提升两方面，对解决DKT模型缺乏可解释性而提出的改进方法进行总结和梳理；再次，介绍现有的可供研究者使用的相关公开数据集，并分析数据集内的数据特征对可解释性的影响，从而探讨如何从模型性能和可解释性两个方面对知识追踪模型进行评价，并整理DKT模型在不同数据集上的性能表现；最后，对DKT模型目前存在的问题提出一些未来可能的研究方向。
针对传统协作众包任务分配中忽视工人协作关联的问题，将工人之间的社交及历史合作关系纳入考虑范畴，提出一种融合社区检测的协作众包任务分配方法。首先，利用社区检测算法挖掘众包工人之间潜在的社交关系，形成候选社群；其次，定义协作度、交互成本和众包任务分配效用等要素后，构建综合考虑技能覆盖率、信誉度及预算成本的协作众包任务分配模型；再次，引入Piece-Wise混沌映射、柯西分布逆累积函数算子、自适应正切飞行算子和麻雀警戒机制等策略，并提出改进沙猫群优化（SCSO）算法——TSCSO；最后，利用TSCSO算法对前述模型进行求解。在不同规模真实数据集合成的算例上的实验结果表明，所提算法可使任务分配成功率维持在90%及以上水平，相较于其他改进智能算法任务分配效用平均提升20.08%~53.38%，验证了所提算法在协作众包任务分配问题中的适用性、稳定性和有效性。
快速扩展随机树星（RRT*）因具有渐近最优性和概率完备性，在机器人路径规划领域有广泛的应用。然而，RRT*及其改进算法仍存在初始路径质量差、路径收敛慢和探索效率低等缺陷。针对这些问题，提出一种基于节点到障碍物距离的自适应扩展RRT*算法——AE-RRT*。为提高探索效率，采用基于节点到障碍物距离的动态目标偏置采样策略和动态步长策略，从而在更短的时间内获得初始路径。为提高路径的质量，提出一种更精确的选择父节点的方法MA-ChooseParent，从而扩大选择父节点的集合。此外，为加快路径收敛，在路径收敛阶段采用基于节点到障碍物距离的自适应高斯采样方法和全局高斯采样方法AG-Gaussian Sample。通过Matlab中的仿真实验将AE-RRT*与RRT*、Quick-RRT*、Bi-RRT*、Informed-RRT*和Smart-RRT*进行对比。实验结果表明，与RRT*相比，AE-RRT*在二维环境中找到初始路径的时间、初始路径的长度和收敛至全局次优路径的时间分别减少了63.78%、6.55%和71.93%；在三维环境中的3个指标分别减少了59.44%、18.26%和79.58%。
将差分隐私应用于联邦学习的方法是保护训练数据隐私的关键技术之一。针对之前多数工作未考虑参数的异质性，对训练参数均匀裁剪使每轮加入的噪声都是均匀的，从而影响模型收敛和训练参数质量的问题，提出一种基于梯度裁剪的自适应噪声添加方案。考虑梯度的异质性，在不同轮次为不同客户端执行自适应的梯度裁剪，从而使噪声大小自适应调整；同时，为进一步提升模型性能，对比传统的客户端随机采样方式，提出一种结合轮盘赌与精英保留的客户端采样方法。结合上述2种方法，提出一种结合客户端选择的自适应差分隐私联邦学习（CS&AGC DP_FL）方法。实验结果表明，在隐私预算为0.5时，相较于自适应差分隐私的联邦学习方法（Adapt DP_FL），所提方法能在相同级别的隐私约束下使最终的模型分类准确率提升4.9个百分点，并且在收敛速度方面，所提方法相较于对比方法进入收敛状态所需的轮次减少了4~10轮。
针对在联邦学习中实施隐私保护机制会加剧系统通信负担，而当试图提升系统通信效率时，又会牺牲模型精度的问题，设计了一种兼顾高效性和安全性的联邦学习方案FedPSR（Federated Parameter Sparsification with secure aggregation and Reconstruction）。该方案旨在平衡由时间复杂度与通信开销构成的模型通信效率和隐私安全性。首先，利用稀疏三元压缩（STC）算法的参数稀疏化策略将待上传的模型参数压缩为三元组形式，以减少数据传输量；其次，为弥补因参数压缩带来的信息损失，采用错误反馈机制将上一轮压缩产生的误差累加至下一轮本地更新后的梯度；最后，采用Paillier同态加密技术保证了模型在高效通信前提下的参数传输及聚合过程的隐私安全。在多个公开数据集上将FedPSR与当前前沿方案在独立同分布（IID）及非独立同分布（Non-IID）的数据场景下进行对比分析，实验结果表明，FedPSR解决了现存方案无法在时间复杂度、通信开销、隐私保护间取得平衡的问题，且在3个主流数据集的IID与Non-IID条件下都有效提高了模型的精度、收敛性及鲁棒性。
个性化学习推荐是智慧教育领域的重要研究课题，它的核心目标是利用推荐算法和模型为学习者提供与他们的个人学习需求、兴趣、能力和历史相匹配的有效学习资源，从而提高学习者的学习效果。目前的推荐方法存在冷启动、数据稀疏、可解释性差和过度个性化等问题，而知识图谱与大语言模型的结合为解决上述问题提供了有力支持。首先，对个性化学习推荐的概念、研究现状等内容进行概述；其次，分别讨论知识图谱和大语言模型（LLM）的概念以及在个性化学习推荐中的具体应用；再次，总结知识图谱与LLM在个性化学习推荐中协同应用的方法；最后，展望知识图谱和LLM在个性化学习推荐中的未来发展方向，从而为个性化学习推荐领域的持续发展和创新实践提供借鉴和启示。
已有的知识图谱补全（KGC）方法大多未充分挖掘三元组结构中的关系路径，仅考虑了图结构信息；同时现有模型在实体聚合过程中着重考虑邻域信息，对关系的学习相对简单。针对以上问题，提出融合有向关系和关系路径的图注意力模型DRPGAT。首先，将常规三元组转换为有向关系三元组，并引入注意力机制对不同的有向关系赋予不同的权重，从而完成实体信息的聚合，同时，建立关系路径模型，通过将关系位置嵌入路径信息区分不同位置之间的关系，并过滤无关路径得到有用的路径信息；其次，使用注意力机制对路径信息进行深度学习，以实现关系的聚合；最后，将实体与关系送入解码器，训练得到最终的补全结果。在2个真实数据集上进行链接预测实验，以验证所提模型的有效性。实验结果表明，在FB15k-237数据集上，相较于基线模型中的最优结果，DRPGAT的平均排名（MR）降低了13，平均倒数排名（MRR）、Hits@1、Hits@3、Hits@10分别提高1.9、1.2、2.3和1.6个百分点；在WN18RR数据集上，DRPGAT的MR降低了125，MRR、Hits@1、Hits@3、Hits@10分别提高了1.1、0.4、1.2和0.6个百分点，显示了所提模型的有效性。
在科技项目评审活动中，评审专家的评审质量对于最终评价结果的准确性和公信力具有十分重要的影响。为确保评价结果的公正客观，对评审专家进行反评估显得尤为必要。通过对评审专家的个人基本情况、专业水平和评审业绩3个方面进行分析，构建了一套专家反评估评价指标体系。在此基础上，提出一种联合三支决策与基于熵权的逼近理想解排序法（TOPSIS）的专家反评估模型。该模型利用三支决策理论解决由于熵权法对数据的过度依赖而造成的权重失真问题。当指标权重出现异常时，模型将根据设定的阈值将待评估专家集合划分为正域、负域和边界域，并分别实施专家入库、专家出库和延迟评价策略；当指标权重正常或者得到修正后，则采用TOPSIS对评审专家进行评分排序。通过对某企业科技项目历史评审数据的实证分析可知，所提模型可以融合决策者的经验判断与待评专家的固有信息，实现主客观的统一，从而确保对评审专家进行科学、公正的评价，为构建高质量的专家库提供决策参考。
