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。
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。
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。
联邦学习是一种强调隐私保护的分布式机器学习框架。然而，它在应对统计异质性问题时面临显著挑战。统计异质性源于参与节点间的数据分布差异，可能导致模型更新偏差、全局模型性能下降以及收敛不稳定等问题。针对上述问题，首先，详细分析统计异质性带来的主要问题，包括特征分布不一致、标签分布不均衡、数据量不对称以及数据质量参差不齐等；其次，对现有的联邦学习统计异质性解决方案进行系统综述，包括局部校正、聚类方法、客户端选择优化、聚合策略调整、数据共享、知识蒸馏以及解耦优化等，并逐一评估它们的优缺点与适用场景；最后，探讨了未来的相关研究方向，如设备计算能力感知、模型异构适应、隐私安全机制的优化以及跨任务迁移能力的提升，为应对实际应用中的统计异质性提供参考。
针对交通路口图像复杂，小目标难测且目标之间易遮挡以及天气和光照变化引发的颜色失真、噪声和模糊等问题，提出一种基于YOLOv9（You Only Look Once version 9）的交通路口图像的多目标检测算法ITD-YOLOv9（Intersection Target Detection-YOLOv9）。首先，设计CoT-CAFRNet （Chain-of-Thought prompted Content-Aware Feature Reassembly Network）图像增强网络，以提升图像质量，并优化输入特征；其次，加入通道自适应特征融合（iCAFF）模块，以增强小目标及重叠遮挡目标的提取能力；再次，提出特征融合金字塔结构BiHS-FPN （Bi-directional High-level Screening Feature Pyramid Network），以增强多尺度特征的融合能力；最后，设计IF-MPDIoU （Inner-Focaler-Minimum Point Distance based Intersection over Union）损失函数，以通过调整变量因子，聚焦关键样本，并增强泛化能力。实验结果表明，在自制数据集和SODA10M数据集上，ITD-YOLOv9算法的检测精度分别为83.8%和56.3%，检测帧率分别为64.8 frame/s和57.4 frame/s。与YOLOv9算法相比，ITD-YOLOv9算法的检测精度分别提升了3.9和2.7个百分点。可见，所提算法有效实现了交通路口的多目标检测。
智慧家庭领域的发展依赖于构建丰富的时空知识图谱支撑下游任务的设计与执行。然而，构建智慧家庭空间的时空知识图谱面临数据源多样、数据质量低以及规模有限等挑战。因此，提出一种融合说明文档相对位置信息与用户行为日志的双模态知识提取框架来充分挖掘设备说明文档和用户行为日志中的多模态信息，从而高效地实现知识提取与图谱构建。该框架包括两部分：首先，提出一个基于相对位置布局匹配（RPLM）的方法，以利用说明文档的相对位置特性来对设备说明文档中的图像和文本进行关联匹配，同时设计说明文档的本体模型，并与大语言模型（LLM）融合，提取结构化信息并构建说明文档知识图谱；其次，设计功能关联分析（FCA）算法和设备使用行为处理（DUBP）算法，从用户行为日志中提取功能关联的设备信息并构建家庭空间的时空知识图谱。选取LayoutLMv3、ERNIE-Layout和GeoLayoutLM等作为基准模型，并在一个自建中文说明文档布局分析（CMDLA）数据集和合成的用户行为日志数据集以及3个公开文档分析数据集上进行验证。结果表明，所提框架在家庭领域数据集上的知识提取准确性和效率上优于基线方法，准确率达到96.39%，比次优方法GeoLayoutLM提高了0.97个百分点，在异构数据融合与时空建模任务中表现出显著优势。
追踪学生的历史互动以预测他们的未来表现是知识追踪（KT）领域的关键研究重点。最近的KT方法旨在研究学生的学习模式和不断变化的知识状态，以提供个性化学习指导，而忽略了习题本身的丰富性。此外，随着新专业和跨学科领域的兴起，基于图神经网络（GNN）的KT方法面临着一些挑战：如何扩展概念之间关联的视野并建模学生的学习行为。为了应对这些挑战，提出一种新的KT模型——融合图注意力的概念关联记忆网络知识追踪模型（GAMKT）。GAMKT可以建模学生的习题记录，追踪他们的知识状态，并从习题-概念图中捕捉相关概念的全局特征；同时，将遗忘门和高阶信息提取纳入模型，以真实模拟学生的习题过程。在Junyi、ASSIST09和Static2011数据集上的对比实验结果表明， 与基于图神经网络的知识追踪（GKT）等7种模型相比，GAMKT的曲线下面积（AUC）和准确率分别平均至少提升了约2.1%和2.4%，表明GAMKT在成熟的知识结构数据集上优于基线模型。
现有的知识追踪（KT）模型未能有效利用学习行为信息，且忽略了不同学习行为对答题表现的贡献差异。因此，提出一种学习行为增强的知识追踪（LBBKT）模型。该模型采用门控残差网络（GRN）将学生的学习行为特征编码成4种上下文向量并把它们融入模型中，从而充分利用学习行为信息（答题速度、尝试次数和提示）更好地建模学生的学习过程。此外，利用变量选择网络对学生的学习行为特征进行选择性加权，并通过GRN抑制不相关特征的干扰，以增强相关特征对学生答题表现的影响，从而充分考虑不同学习行为对学生答题表现的差异性贡献。在多个公开数据集上的实验结果表明，LBBKT模型在预测准确性上显著优于对比的KT模型。
针对深海拍摄会导致水下图像色彩偏移、对比度过低和结构不清晰等问题，提出一种基于多尺度感知的多维空间融合水下图像增强算法，结合空间、通道和三维特征将图像信息并行传入多维特征提取网络和编码器中。首先，在多维特征提取网络中引入多尺度特征精炼模块进一步处理提取到的特征信息，使网络更准确地学习不同尺度的信息；然后，在编码器中引入多维色彩增强模块，增强图像细节和色彩；最后，设计自适应增强网络来进一步处理特征信息并融合多级信息，再通过解码器得到最终的增强图像。在公开数据集上的实验结果表明，所提算法表现优异，它的峰值信噪比（PSNR）和结构相似性（SSIM）最高分别达到24.865 1 dB和0.895 4，比混合融合方法（HFM）分别提升了1.580 6 dB和0.039 8；水下色彩质量评价（UCIQE）和水下图像质量测量（UIQM）最高分别达到0.593 1和3.102 8，比HFM分别提升了0.038 4和0.151 4。可见，所提算法能有效提升水下视觉效果。
传统交通流量预测模型未能有效考虑地区间和时段间的时间延迟效应，且难以同时捕捉交通流量的短期波动与长期趋势。为此，提出一种结合小波分解与时间延迟感知的时空预测模型（WTA-LAGNN）。首先，结合小波分解将交通流量数据分为长期趋势模式和短期波动模式：短期波动模式通过特征增强模块强化关键特征，提升对短期波动的敏感性；针对长期趋势，设计了序列增强的多头自注意力机制捕捉流量的长期变化。其次，为了处理时间延迟效应，设计了时间序列延迟感知层，优化区域间流量传播的时空依赖关系。最后，通过融合层生成最终预测结果。基于现实高速公路交通数据集PeMS03、PeMS04、PeMS07、PeMS08进行60 min流量预测，结果表明，在PeMS03和PeMS07数据集上，与时空图神经控制微分方程（STG-NCDE）相比，WTA-LAGNN的平均绝对误差（MAE）、均方根误差（RMSE）分别降低了5.14%、2.69%和5.80%、2.69%；在PeMS08数据集上，与交通流量矩阵-图卷积注意力模型（TFM-GCAM）相比，WTA-LAGNN的MAE、RMSE分别下降了9.28%、3.32%；在PeMS04数据集上，与时空融合图卷积网络（STFGCN）相比，WTA-LAGNN的MAE、RMSE分别降低了3.53%、2.72%。WTA-LAGNN的整体模型性能上优于对比模型，能更有效地捕捉时空依赖关系，提升流量预测精度。
在消费电子的动态领域，了解用户行为对于产品创新和提高用户满意度至关重要。因此，提出一种突破性的多聚类方法以结合深度学习与张量分解，从而应对数据分析和挖掘的挑战。首先，从复杂的异构数据集中提取高级特征，例如对现代设备的各种传感器和用户交互的数据集，采用深度神经网络封装数据源的各种特征；其次，把张量分解技术应用于特征提取和聚类分析，以将每个数据源视为数据张量中的不同模态，从而揭示它们潜在的结构和模式；最后，采用与某电商平台合作得到的涵盖数万消费者的多模态购物数据的数据集进行实验。实验结果表明，所提结合卷积神经网络（CNN）的张量分解算法在消费电子相关数据集上表现出色，准确率均超过0.7，同时在纯度、调整兰德指数（ARI）和归一化互信息（NMI）等关键指标上也表现突出，验证了所提方法在捕捉数据内在结构和相似性方面的有效性；与动态的多聚类（DMCR）方法、深度多模态聚类（DMMC）方法以及FAST-CNN等现有方法相比，所提方法在多个评价指标上均显示出显著优势，不仅验证了它在准确性和稳定性方面优于对比方法，而且展现了它在揭示数据底层原理和异构数据之间相互关系方面的优势。
JPEG（Joint Photographic Experts Group）压缩是当前应用最为广泛的图像压缩标准之一，它涉及诸如图像操作链取证、图像源取证、隐写与隐写分析和JPEG反取证等多种取证场景和安全模型。研究者针对JPEG图像特性开展了诸多有关JPEG重压缩取证的研究，发现JPEG重压缩取证不仅为图像取证提供先验知识，也可以直接应用到取证场景中。因此，对彩色图像JPEG重压缩取证进行综述。首先，介绍了重压缩取证的研究背景，并将重压缩取证分成了非对齐、对齐异步和对齐同步3种重压缩问题；其次，详细介绍了JPEG压缩的流程、收敛误差、误差图像、算法评价指标等用于重压缩取证的基础知识；再次，对每类问题的现有方法进行了详细的介绍和梳理。此外，由于图像隐写、对抗样本等都涉及关于JPEG重压缩的鲁棒性研究，因此，列举了JPEG重压缩特征特性在上述领域中的应用，并选取了常见的算法进行对比，总结归纳它们的优缺点。最后，展望了JPEG重压缩取证中有待进一步解决的问题和发展趋势。
为了解决联邦学习中恶意客户端通过上传恶意更新破坏全局模型可靠性的问题，提出一种面向联邦学习的投毒攻击检测与防御算法FedDyna。首先，设计一种异常客户端检测方案，利用余弦相似度与欧几里得距离的历史标准差初步检测异常更新，并结合多视角模型评估机制进一步检测可疑的客户端；其次，提出一种自适应调整策略，根据权重调整因子逐步降低被判定为异常客户端的参与权重，直至将恶意更新从模型训练过程中剔除。在EMNIST和CIFAR-10数据集上评估FedDyna在不同攻击场景下的防御性能，并与现有的先进防御算法进行对比。实验结果表明，在固定攻击频率的条件下，将FedDyna算法与Scope算法进行效果对比：面对投影梯度下降（PGD）、模型替换（MR）以及PGD+MR这3种攻击方式，FedDyna均取得了最优效果，攻击成功率（ASR）分别降低了1.07和0.53、1.49和1.45、10.55和1.25个百分点；在余弦约束攻击（CCA）攻击的EMNIST数据集下，FedDyna的ASR虽略有下降，但仍取得了次优结果。此外，当在不同攻击者池中与对比算法进行效果评估时，FedDyna的ASR在多数条件下表现最优，其余条件下也处于次优水平。尤为突出的是，在不同攻击强度的场景下，FedDyna的平均全局模型准确率（MA）高达98.5%。可见，FedDyna在不同攻击场景下表现出显著的抗投毒攻击稳健性，且能够有效检测并剔除投毒模型。
针对现有的基于深度学习的源代码漏洞检测方法存在目标代码语法和语义缺失严重以及神经网络模型对目标代码图点（边）权重分配不合理等问题，提出一种基于代码属性图（CPG）与自适应图卷积网络（AT-GCN）的源代码漏洞检测方法VulATGCN。该方法使用CPG对源代码进行表征，结合CodeBERT进行节点向量化，并通过图中心性分析提取深层次结构特征，从而多维度地捕捉代码的语法和语义信息。之后，结合Transformer自注意力机制善于捕捉长距离依赖关系和图卷积网络（GCN）善于捕捉局部特征的优势设计AT-GCN模型，从而实现对不同重要性区域特征的融合学习和精确提取。在真实漏洞数据集Big-Vul和SARD上的实验结果表明，所提方法VulATGCN的平均F1分数达到了82.9%，相较于VulSniper、VulMPFF和MGVD等基于深度学习的漏洞检测方法提高了10.4%~132.9%，平均提高约52.9%。
针对区块链边缘节点的部署环境开放、安全措施薄弱、易受到安全攻击，以及计算和网络资源不足等问题，提出一种基于可信执行环境（TEE）的区块链安全架构P-Dledger。该架构通过构建两阶段的信任链，在满足软件便捷迭代的基础上，确保加载部件的可信；通过实现智能合约可信执行框架以及基于串行外设接口或非门存储器（SPI NOR Flash）的数据可信存储，保证智能合约的可信计算与数据的可信存储；同时，为共识提案赋予单调递增的唯一标识，限制拜占庭节点的行为。实验与分析结果表明：所提架构确保了加载主体、账本数据与执行过程的安全可信；当网络延时大于60 ms或节点数大于8时，P-Dledger比采用拜占庭容错（PBFT）算法的区块链系统的吞吐量更高，且随着网络延时与节点数的增加，P-Dledger性能表现更稳定。
多变量时间序列数据常表现出多尺度特征和复杂的相互依赖性，给异常检测带来了挑战。为了解决这一问题，提出一种基于多尺度的多变量时间序列异常检测模型M3AD（Multi-scale Mamba Multi-layer perceptron Anomaly Detection）。首先，采用多尺度特征提取方法，即通过在不同时间尺度上分割时间序列，捕捉短期和长期模式；其次，利用多层感知机（MLP）和卷积层进行特征学习，提取局部和高级特征表示；再次，引入选择性状态空间模型（SSM） Mamba，通过它高效的处理能力捕捉长序列中的关键信息；最后，通过基于KL （Kullback-Leibler）散度的损失函数和异常分数计算，实现对异常的敏感检测。为了验证模型的有效性，将M3AD与Anomaly Transformer和MEMTO等7种模型在4个公共数据集上对比。实验结果表明，M3AD在精确率、召回率和F1分数等关键指标上相较于对比方法展现出显著优势和领先性能，验证了M3AD在多变量时间序列异常检测任务中的有效性和优越性。
联邦学习（FL）是一种分布式机器学习方法，即利用分布式数据在训练模型的同时保护数据隐私。然而，它在高度异构的数据分布情况时表现不佳。个性化联邦学习（PFL）通过为每个客户端提供个性化模型来解决这一问题。然而，以往的PFL算法主要侧重于客户端本地模型的优化，忽略了服务器端全局模型的优化，导致服务器计算资源没有得到充分利用。针对上述局限性，提出基于模型预分配（PA）与自蒸馏（SD）的PFL方法FedPASD。FedPASD从服务器端和客户端2方面入手：在服务器端，对下一轮客户端模型有针对性地预先分配，这样不仅能提高模型的个性化性能，还能有效利用服务器的计算能力；在客户端，经过分层训练，并通过模型自蒸馏微调使模型更好地适应本地数据分布的特点。在3个数据集CIFAR-10、Fashion-MNIST和CIFAR-100上，将FedPASD与FedCP （Federated Conditional Policy）、FedPAC （Personalization with feature Alignment and classifier Collaboration）和FedALA （Federated learning with Adaptive Local Aggregation）等作为基准的典型算法进行对比实验的结果表明：FedPASD在不同异构设置下的测试准确率都高于基准算法。具体而言，FedPASD在CIFAR-100数据集上，客户端数量为50，参与率为50%的实验设置中，测试准确率较传统FL算法提升了29.05~29.22个百分点，较PFL算法提升了1.11~20.99个百分点；在CIFAR-10数据集上最高可达88.54%测试准确率。
序列模式挖掘（SPM）旨在从数据库中发现有趣的模式或规律，从而为用户决策提供支持与指导。近年来，对SPM相关算法的研究日益深入。随着大规模数据的出现，已经提出许多适用于并行环境的序列算法。因此，对现有的串并行序列挖掘算法进行综述。首先，对于序列模式串行挖掘算法进行结构化的分类，即依据算法采用的数据结构将算法划分为树结构、列表结构和链式结构等，全面总结不同结构的优势与不足，并详细归纳各算法的优缺点；其次，对于序列模式并行挖掘算法，首次根据存储结构的不同特点对现有的分布式框架进行分类，分析不同分布式框架的优缺点，并依据框架对并行算法进行介绍与分析；最后，针对现有SPM算法的不足，讨论下一步的研究方向。
针对现有多尺度信息传播预测模型忽略了级联传播的动态性，以及独立进行微观信息预测时性能有待提高的问题，提出基于超图神经网络的多尺度信息传播预测模型（MIDHGNN）。首先，使用图卷积网络（GCN）提取社交网络图中蕴含的用户社交关系特征，使用超图神经网络（HGNN）提取传播级联图中蕴含的用户全局偏好特征，并融合这2类特征进行微观信息传播预测；其次，利用门控循环单元（GRU）连续预测传播用户，直至虚拟用户；再次，将每次预测所得用户总数作为级联的最终规模，完成宏观信息传播预测；最后，在模型中嵌入强化学习（RL）框架，采用策略梯度方法优化参数，提升宏观信息传播预测性能。在微观信息传播预测方面，相较于次优模型，MIDHGNN在Twitter、Douban、Android数据集上的Hits@k指标分别平均提升12.01%、11.64%、9.74%，mAP@k指标分别平均提升31.31%、14.85%、13.24%；在宏观预测方面，MIDHGNN在这3个数据集上的均方对数误差（MSLE）指标分别最少降低8.10%、12.61%、3.24%，各项指标均显著优于对比模型，验证了它的有效性。
针对现有区块链多域环境下访问控制模型存在的属性隐私保护泄漏和可扩展性不足问题，提出一种基于跨链的多域访问控制模型（CC-MDACM）。首先，基于属性访问控制（ABAC）和中继链技术，提出一种跨区块链的多域访问控制模型，实现域内自主授权并在域间通过中继链实现异构链之间的细粒度访问控制。其次，结合基于SM2的门限同态密码算法和零知识证明技术，提出多域环境下跨链的属性与策略双隐藏且可扩展的访问控制方案。该方案通过中继链的分布式节点验证和解密数据，并在密文状态下完成访问控制决策，从而实现访问控制过程中属性和策略的双隐藏以及访问控制策略的动态扩展，同时采用Raft共识保证解密的可靠性。最后，对所提方案进行安全理论分析和仿真实验。结果表明，在属性和策略双隐藏，以及访问策略动态扩展的基础上，所提方案有效解决了异构链间跨链的多域访问控制问题，且加、解密效率相较于分布式双陷门公钥密码系统（DT-PKC）分别提升了34.4%和44.9%。
图像去雾是计算机视觉领域的热点话题之一。由于真实世界中大规模高质量的配对数据集的获取存在成本昂贵、实施困难等问题，现有方法通常利用合成数据对深度学习模型进行全监督训练，这可能会导致模型在真实场景下的泛化性能较差。为了解决真实域和合成域之间的域差异问题，提出一种基于师生学习的半监督图像去雾算法。该算法采用一个半监督的师生学习框架，利用指数移动平均（EMA）策略来更新教师模型，并端到端地进行去雾学习，显著地解决了合成数据与真实数据之间的域偏移问题，并提高了模型在真实有雾场景下的泛化性能。实验结果表明，所提算法在2个合成雾霾图像数据集SOTS（Synthetic Objective Testing Set）、Haze4K和真实雾霾图像数据集URHI（Unannotated Real-world Hazy Images）上取得了较好性能，并获得了更好的去雾视觉效果。
ReLM （Rephrasing Language Model）是当前性能领先的中文拼写纠错（CSC）模型。针对它在复杂语义场景中存在特征表达不足的问题，提出深层语义特征增强的ReLM——FeReLM （Feature-enhanced Rephrasing Language Model）。该模型利用深度可分离卷积（DSC）技术融合特征提取模型BGE（BAAI General Embeddings）生成的深层语义特征与ReLM生成的整体特征，从而有效提升模型对复杂上下文的解析力和拼写错误的识别纠正精度。首先，在Wang271K数据集上训练FeReLM，使模型持续学习句子中的深层语义和复杂表达；其次，迁移训练好的权重，从而将模型学习到的知识应用于新的数据集并进行微调。实验结果表明，在ECSpell和MCSC数据集上与ReLM、MCRSpell （Metric learning of Correct Representation for Chinese Spelling Correction）和RSpell（Retrieval-augmented Framework for Domain Adaptive Chinese Spelling Check）等模型相比，FeReLM的精确率、召回率、F1分数等关键指标的提升幅度可达0.6~28.7个百分点。此外，通过消融实验验证了所提方法的有效性。
为了缩短数字孪生（DT）系统迭代和维护的时间，并降低DT系统的演进成本，探索将开发运维一体化（DevOps）方法论融入DT系统的潜力，并提出一种创新的DT系统DevOps（DTOps）实践。针对DT系统的特定需求和特性，设计面向服务的系统架构，提升系统的可扩展性与敏捷性，并给出DTOps的主要基础设施和持续集成（CI）以及持续交付（CD）的实现方法。在齿轮生产线的案例研究中，采用开源技术工具验证DTOps的各个环节，展示DTOps实现的可行性与便捷性。实验研究结果表明，DTOps相较于单体架构和微服务架构，演进效率分别提升了29.7%和26.9%，尤其在高度集成和数据密集的环境中效果显著，验证了DTOps在工程应用中的有效性。
睡眠呼吸暂停严重影响生活质量和健康。多导睡眠图（PSG）是诊断睡眠呼吸暂停的“金标准”，然而它的成本高且不便长期监测。基于此，提出一种基于通用运动手环的新方法以便捷地检测睡眠呼吸暂停。该方法通过分析手环采集的心率、血氧饱和度和睡眠状态数据，采用自适应生理数据重构方法和数据插值方法滤除噪声；在特征工程中，融合连续生理变量和类别变量，以深度提取睡眠状态特征；而分类模块采用轻量级门控循环单元（GRU）模型，从而简化训练过程，并降低过拟合风险。实验结果表明，所提方法在23人数据集上获得了93.68%的准确率和93.97%的召回率。相关性分析表明，血氧饱和度、身体质量指数和年龄是判断睡眠呼吸暂停的关键特征。与PSG相比，所提方法更适用于家庭环境下的长期监测。
语音情感识别（SER）旨在赋予计算机准确识别语音信号中的情感状态的能力，而如何高效地表征语音中的情感特征一直是SER的研究热点。目前，大多数研究都致力于利用深度学习方法直接从原始语音或语谱图中学习最优特征，这种学习模式可以提取到更完整的特征信息，但忽略了对特定特征更深层细化信息的学习，同时不能保证特征的可解释性。为了解决上述问题，提出一种基于卷积神经网络的渐进式表征学习SER方法（CnnPRL），在语音声学特征的基础上利用卷积神经网络（CNN）渐进式地提取具有可解释性的精细化情感特征。首先，手工提取可解释的浅层特征并选择出最优的特征集；其次，提出级联CNN和动态融合结构，以细化浅层特征，并学习深层情感表征；最后，构建并行异构CNN提取不同尺度的互补特征，以利用融合模块实现多特征融合，捕获多粒度特征，并整合来自不同特征尺度的深层情感信息。实验结果表明，在保证时间复杂度的前提下，在数据集IEMOCAP （Interactive EMOtional dyadic motion CAPture database）、CASIA（Institute of Automation， Chinese Academy of Sciences）和EMODB（Berlin EMOtional DataBase）上，相较于SpeechFormer++、TLFMRF（Two-Layer Fuzzy Multiple Random Forest）和TIM-Net（Temporal-aware bI-direction Multi-scale Network）等对比方法，CnnPRL在指标加权平均召回率（WAR）上分别至少取得了0.86、2.92和1.46个百分点的提升，验证了CnnPRL的有效性；消融实验结果验证了CnnPRL的每个模块都有利于提升模型的整体性能。
联邦学习作为一个分布式机器学习框架，解决了数据孤岛问题，对个人及企业的隐私保护起到了重要作用。然而，由于联邦学习的特点，效率问题（尤其是高昂的成本）仍旧是目前急需解决的，这一现状仍不尽如人意。因此，全面调研并总结当前主流的关于联邦学习高效性的研究。首先，回顾高效联邦学习的背景，包括它的由来以及核心思想，并解释联邦学习的概念和分类；其次，论述基于联邦学习而产生的高效性问题，并将它们分为异构性问题、个性化问题和通信代价问题；再次，在此基础上详细分析并论述高效性问题的解决方案，并将高效联邦学习研究分为模型压缩优化方法以及通信优化方法这2个类别后进行调研；继次，通过对比分析，总结各联邦学习方法的优缺点，并阐述目前高效联邦学习中仍存在的挑战；最后，给出高效联邦学习领域未来的研究方向。
现有的隐喻识别任务研究工作多采用深度学习技术，而并未深入利用语言学规则，主要表现为规则中涉及的目标词的语义与基本义的表征存在缺陷，导致相关模型无法聚焦目标词与更相关上下文词之间的差异，且基本义与上下文含义界限仍然模糊。针对上述问题，提出一种改进语言规则中的表示的隐喻识别模型（MeRL）。首先，增强选择偏好违反（SPV）和隐喻识别过程（MIP）规则都涉及目标词的语义表示；其次，表征MIP规则中的目标词的基本义；最后，融合基于规则设计的SPV与MIP模块来共同识别隐喻。相较于MelBERT（Metaphor-aware late interaction over BERT）等基线模型，在基准数据集VUA-18、VUA Verb、MOH-X上的实验结果表明，所提模型的F1值分别至少提高了0.6、0.9、1.2个百分点，表明该模型识别隐喻更准确；在TroFi数据集上进行zero-shot迁移学习的结果显示，所提模型的F1值至少提高了0.7个百分点，表明该模型的泛化能力更强。
针对深度学习缺陷检测方法需要大量标注样本训练，而绝缘子缺陷样本获取困难的问题，提出一种基于迁移学习的小样本绝缘子缺陷检测方法。首先，在主干网络加入高效多尺度注意力（EMA）机制，以增强模型对目标特征的表征能力；其次，构建分层采样的区域建议网络（RPN）在特征金字塔中均匀选择锚框，提高模型对不同尺度下新类对象的捕获能力；最后，设计解耦分类头，并通过正负两个头分别处理正负样本，从而使模型可以更有效地适应新类对象。实验结果表明，与基线方法TFA（Two-stage Fine-tuning Approach）相比，在公共数据集PASCAL VOC上，所提方法对新类的平均精度均值（mAP）（交并比（IoU）为0.5）平均提升了9.5个百分点；在绝缘子缺陷数据集上，所提方法在1-shot、5-shot、10-shot、20-shot和30-shot检测任务中的mAP50分别提高了15.8、12.2、17.4、7.3和7.1个百分点。
