视觉-语言-动作（VLA）模型是实现具身智能的核心路径，它们的核心是将多模态感知理解无缝转化为物理世界的具体行动。然而，VLA模型的动作表征与生成策略作为连接“感知”与“执行”的枢纽环节，面临着高维连续空间、动作多样性与机器人实时控制需求间的复杂挑战。因此，系统性地梳理和总结VLA模型中动作表征和生成策略的演进脉络、核心技术与未来方向；同时，详细剖析离散和连续两种动作表征方式以及自回归、非自回归和混合动作生成策略，并深入探讨它们在动作精度、生成多样性与推理效率之间的内在权衡；此外，总结面向实时控制的新兴高效策略，如混合生成架构。最后，通过比较分析，对现有技术图景进行总结，并展望未来VLA模型在与世界模型结合和跨机器人形态通用表征等方向上的前沿挑战与研究机遇，旨在为构建更通用且更高效的具身智能体提供参考。
针对超关系知识图谱（HKG）中限定符稀疏现象导致的超关系事实语义表征不完整以及任务精度和泛化能力不足的问题，提出基于大语言模型（LLM）的HKG限定符增强方法（L-EQs）。首先，通过关联知识库获取语义丰富的描述信息，以减轻实体和关系因相同标签而导致的语义混淆；其次，使用提示词模板引导LLM生成匹配的限定符及其语义解释作为外源知识，而为了保证限定符的质量，采用迭代式提示策略对生成的限定符进行筛选，并通过多次迭代生成限定符直至达到预定数量；再次，通过语义解释构建外源知识嵌入，并利用外源知识聚合模块抑制噪声，从而将外源知识与原始知识嵌入融合，为下游任务提供高质量的语义支持；最后，通过解码器预测任务结果，并在开源数据集WikiPeople和WD50K上进行广泛实验，以验证L-EQs的有效性。实验结果表明，L-EQs的平均倒数排名（MRR）、Hit@1、Hit@5和Hit@10相较于基线中的最优结果在WikiPeople数据集上分别提升了8.4、4.7、5.3和6.8个百分点，在WD50K数据集上分别提升了4.8、2.3、2.7和3.0个百分点。L-EQs解决了HKG中限定符稀疏现象和超关系事实语义表征不完整带来的问题。
针对大语言模型（LLM）输出内容存在偏见而导致LLM不安全和不可控的问题，从偏见识别、偏见评估和偏见去除3个角度出发深入梳理和分析现有LLM偏见的研究现状、技术与局限。首先，概述LLM的三大关键技术，从中分析LLM不可避免存在内隐偏见（Intrinsic Bias）的根本原因；其次，总结现有LLM存在的语言偏见、人口偏见和评估偏见三类偏见类型，并分析这些偏见的特点和原因；再次，系统性回顾现有LLM偏见的评估基准，并探讨这些通用型评估基准、特定语言评估基准以及特定任务评估基准的优点及局限；最后，从模型去偏和数据去偏2个角度出发深入分析现有LLM去偏技术，并指出它们的改进方向，同时，分析指出LLM偏见研究的3个方向：偏见的多文化属性评估、轻量级的偏见去除技术以及偏见可解释性的增强。
目前的脑电（EEG）情感识别模型忽略了不同时段情感状态的差异性，未能强化关键的情感信息。针对上述问题，提出一种多上下文向量优化的卷积递归神经网络（CR-MCV）。首先构造脑电信号的特征矩阵序列，通过卷积神经网络（CNN）学习多通道脑电的空间特征；然后利用基于多头注意力的递归神经网络生成多上下文向量进行高层抽象特征提取；最后利用全连接层进行情感分类。在DEAP （Database for Emotion Analysis using Physiological signals）数据集上进行实验，CR-MCV在唤醒和效价维度上分类准确率分别为88.09%和89.30%。实验结果表明，CR-MCV在利用电极空间位置信息和不同时段情感状态显著性特征基础上，能够自适应地分配特征的注意力并强化情感状态显著性信息。
聚集最近邻居（ANN）查询作为空间数据库的经典问题在网络链路结构优化、物流集散点选址、共享汽车服务等方面有着重要的意义，能有效促进物流、移动互联网行业以及运筹学等领域的发展。现有的研究存在如下不足：缺少针对大规模动态路网数据的高效索引结构，在数据点位置实时移动以及路网权重动态更新的场景下算法的查询效率较低。针对上述不足，提出动态场景下的ANN查询算法。首先利用G-tree作为路网索引，提出将四叉树和k-d树等空间索引结构与增量欧氏空间限制（IER）算法结合起来的剪枝方法，以完成静态空间下的ANN查询；随后针对动态场景下数据点位置频繁更新的问题，加入时间窗口及安全区域更新策略，以减少算法的重复计算次数，实验结果表明效率能提高8%~85%；最后针对路网权重变化的ANN查询问题，提出两个基于校正的连续查询方法，在历史查询结果的基础上，根据权重变化的增量来得到当前的查询结果，在某些场景中能够有效降低50%左右的误差。理论研究和实验结果表明，所提算法能够高效并且较为准确地解决动态场景下的ANN查询问题。
域名系统（DNS）作为将IP地址和域名互相转换的系统，是互联网中的重要基础协议之一。由于DNS在互联网中的重要性，一些安全设施如防火墙和入侵检测系统（IDS）等的安全策略默认允许DNS流量通过，这给了攻击者利用DNS隧道进行通信的机会。目前，已经有许多恶意软件支持DNS通信，甚至默认使用DNS通信，这为网络安全工具和安全运营中心带来了很大的挑战。然而，现有的研究主要聚焦于具体的检测方法，即使绝大部分研究者在他们的研究中依赖隧道工具生成样本，却很少对隧道工具本身进行探索。因此，对DNS隧道检测技术研究进行综述。首先，系统阐述DNS隧道的发展历史、研究现状和现有的检测方案，并对过去10年中的检测方案的优缺点进行探讨。其次，对检测方案中常见的dnscat2、Iodine和dns2tcp等6种通信工具进行评估与实验，并公开实验数据。实验结果表明，绝大多数检测方案都没有公开它们的隧道样本数据集或使用隧道工具生成流量时所设定的参数，使这些检测方案很难复现。此外，部分检测方案使用的DNS隧道工具具有明显签名特征，而使用具有签名特征的样本对基于模型的检测方案进行训练将导致模型的泛化能力存疑，即无从得知这一类模型在真实世界中是否具有良好表现。最后，展望相关未来的工作方向。
在苏木精?伊红（HE）染色病理图像中，细胞染色分布的不均匀和各类组织形态的多样性给自动化分割带来了极大挑战。针对传统卷积无法捕获大邻域范围内像素间的关联特征，导致分割效果难以进一步提升的问题，提出引入门控轴向自注意力的多通道分割网络（MCSegNet）模型，以实现病理图像细胞核的精准分割。所提模型采用双编码器和解码器结构，在其中使用轴向自注意力编码通道捕获全局特征，并使用基于残差结构的卷积编码通道获取局部精细特征；在编码通道末端，通过特征融合增强特征表示，从而为解码器提供良好的信息基础；而解码器通过级联多个上采样模块逐步生成分割结果。此外，使用改进的混合损失函数有效解决了病理图像中普遍存在的样本不均衡问题。在MoNuSeg2020公开数据集上的实验结果表明，改进的分割方法比U-Net在F1、交并比（IoU）指标上分别提升了2.66个百分点、2.77个百分点，有效改善了病理图像的分割效果，提高了临床诊断的可靠性。
知识图谱对实现物联网威胁情报（ITI）的共享与利用具有重要意义，图神经网络（GNN）可以应用于ITI知识图谱（ITIKG）的知识表示任务，进而挖掘ITIKG的潜在关系；然而，当前大多数GNN没有考虑节点类型对节点表示能力的影响，且在节点信息聚合过程中使用随机策略进行节点采样，导致这些GNN不能区分不同距离的邻居，且没有考虑节点之间的关联性或重要性。为了解决这些问题，首先，基于不同数据源构建ITIKG；然后，设计确定性采样方法，从而基于节点的重要性采样根节点的邻居，并且考虑邻居距根节点的距离以及邻居在图中的中心性度量，即Katz中心性和中介中心性；最后，设计节点、节点模态和节点类型的嵌入和聚合方法。在此基础上，提出基于确定性采样的多模态异构图神经网络（DM-HGNN）模型。在所构建的ITIKG上的链接预测实验的结果表明，DM-HGNN模型的性能优于metapath2vec、多模态知识图谱表示学习模型（MMKRL）以及复杂图卷积网络（ComplexGCN）等知识表示模型，相较于次优模型MMKRL，DM-HGNN模型在曲线下面积（AUC）上提高了6.8%，在F1值上提高了7.1%，展示了DM-HGNN模型在链接预测任务上有效性和先进性。
高效地平衡算法的多样性、收敛性和可行性是求解约束多目标优化问题（CMOP）的关键；然而，复杂约束的出现给该类问题的求解带来了更大的挑战。因此，提出一种基于双阶段搜索的约束进化多任务优化算法（TEMA），通过完成两个协同进化的任务实现多样性、收敛性和可行性之间的平衡。首先，进化过程由探索和利用两个阶段组成，分别致力于加强算法在目标空间的广泛探索能力和高效搜索能力；其次，设计一种动态约束处理策略以平衡种群中可行解的比例，从而增强算法在可行区域的探索能力；再次，提出一种回退搜索策略，利用无约束Pareto前沿所包含的信息指导算法向约束Pareto前沿快速收敛；最后，在两个基准测试集中的23个问题上进行对比实验。实验结果表明，TEMA分别在14个和13个测试问题上取得最优反世代距离（IGD）值和超体积（HV）值，体现出明显优势。
为了解决基于传感器数据的运动识别问题，利用深度卷积神经网络（CNN）在公开的OPPORTUNITY传感器数据集上进行运动识别，提出了一种改进的渐进式神经网络架构搜索（PNAS）算法。首先，神经网络模型设计过程中不再依赖于合适拓扑结构的手动选择，而是通过PNAS算法来设计最优拓扑结构以最大化F1分数；其次，使用基于序列模型的优化（SMBO）策略，在该策略中将按照复杂度从低到高的顺序搜索结构空间，同时学习一个代理函数以引导对结构空间的搜索；最后，将搜索过程中表现最好的20个模型在OPPORTUNIT数据集上进行完全训练，并从中选出表现最好的模型作为搜索到的最优架构。通过这种方式搜索到的最优架构在OPPORTUNITY数据集上的F1分数达到了93.08%，与进化算法搜索到的最优架构及DeepConvLSTM相比分别提升了1.34%和1.73%，证明该方法能够改进以前手工设计的模型结构，且是可行有效的。
针对现有扰动机制未考虑位置点语义关系导致数据可用性较低的问题，提出一种基于差分隐私（DP）的轨迹位置隐私保护机制（DP-TLPM）。首先，DP-TLPM利用滑动窗口提取轨迹停留点生成模糊区域，再利用指数机制和拉普拉斯机制对该区域进行采样；其次，为了消除采样点中可能存在的无语义位置点，提出一种路网匹配算法，对轨迹分段并利用误差椭圆匹配（EEM）进行迭代匹配；最后，根据匹配后的位置点形成扰动轨迹，由用户端将扰动轨迹发送至服务器。实验以混淆质量和均方根误差（RMSE）为评价标准对该机制进行综合评测。与GeoInd算法相比，DP?TLPM的数据质量损失降低了24%，轨迹的混淆质量提高了52%，从隐私保护强度和数据质量两方面验证了该算法的有效性。
随着工业自动化需求的不断增长，三维点云异常检测在产品质量控制中扮演着越来越重要的角色。然而，现有方法通常依赖单一特征，导致信息损失和精度下降。因此，提出一种基于多表征融合的无监督点云异常检测方法MRF（Multi-Representation Fusion）。MRF利用多角度旋转和多种着色方案将点云渲染为多模态图像，并使用预训练的二维卷积神经网络提取丰富的语义特征；同时，还采用预训练的Point Transformer提取三维结构特征。之后，通过融合二维图像语义特征和三维结构特征，MRF能够更全面地捕捉点云信息。在异常检测阶段，MRF使用基于正样本记忆库和近邻搜索的方法，可有效地识别异常点云。在MVTec 3D AD数据集上的实验结果表明，MRF的点云级接受者操作特征曲线下面积（AUROC）为0.972，点级区域重叠度（AUPRO）为0.948，显著优于对比方法。可见，该方法的有效性和鲁棒性使它成为工业应用中极具潜力的解决方案。
针对当前密文域可逆信息隐藏算法嵌入秘密信息后的携密密文图像的容错性与抗灾性不强，一旦遭受攻击或损坏就无法重构原始图像与提取秘密信息的问题，提出了一种基于图像秘密共享的密文域可逆信息隐藏算法，并分析了该算法在云环境下的应用场景。首先，将加密图像分割成大小相同的n份不同携密密文图像。然后，在分割的过程中将拉格朗日插值多项式中的随机量作为冗余信息，并建立秘密信息与多项式各项系数间的映射关系。最后，通过修改加密过程的内置参数，实现秘密信息的可逆嵌入。当收集k份携密密文图像时，可无损地恢复原始图像与提取秘密信息。实验结果表明，所提算法具有计算复杂度低、嵌入容量大和完全可逆等特点。在（3，4）门限方案中，所提算法的最大嵌入率可达4 bpp；在（4，4）门限方案中，其最大嵌入率可达6 bpp。所提算法充分发挥了秘密共享方案的容灾特性，在不降低秘密共享安全性的基础上，增强了携密密文图像的容错性与抗灾性，提高了算法的嵌入容量与云环境应用场景下的容灾能力，保证了载体图像与秘密信息的安全。
现有的领域自适应方法过于关注源域的细粒度特征学习，从而削弱了相关方法有效推广到目标域的能力，导致这些方法容易在特定的环境中过度拟合，且缺乏对复杂环境的鲁棒性。为了解决上述问题，提出一个融合环境标签平滑与核范数差异（ELSND）的领域自适应模型。所提模型通过环境标签平滑模块，减小真实标签的概率，增大非真实标签的概率，进而增强模型对不同场景的适应性。同时，运用核范数差异模块度量源域与目标域的分布差异，从而提高决策边界处样本的分类确定性。在Office-31、Office-Home和MiniDomainNet这3个领域的自适应基准数据集上进行大量实验。结果表明，与先进的基线模型DomainAdaptor-Aug （DomainAdaptor with generalized entropy minimization-Augmentation）在MiniDomainNet数据集上相比，ELSND模型在图像分类领域自适应任务上的精确度提升了1.23个百分点。因此，所提模型在图像分类时具有更高的精确度和泛化性。
针对标注神经网络训练数据的成本日益增加与噪声干扰阻碍语音识别系统性能提升的问题，提出一种基于自监督知识迁移的鲁棒性语音识别模型的模型训练算法。首先，在预处理阶段提取原始语音样本的三个人工特征；然后，在训练阶段将特征提取网络生成的高级特征分别通过三个浅层网络来拟合预处理阶段提取的人工特征；同时，把特征提取前端与语音识别后端进行交叉训练，并合并它们的损失函数；最后，通过梯度反向传播令特征提取网络学会提取更有助于去噪语音识别的高级特征，从而实现人工知识迁移与去噪，并高效利用了训练数据。在军事装备控制的应用场景下，基于加噪后的THCHS-30、希尔贝壳数据集AISHELL-1与ST-CMDS这三个开源中文语音识别数据集以及军事装备控制指令的数据集上进行测试，实验结果表明，基于自监督知识迁移的鲁棒性语音识别模型的模型训练算法词错率可以降低到0.12，不仅可以实现对鲁棒性语音识别模型的模型训练，同时通过自监督知识迁移提高了训练样本的利用率，可完成装备控制任务。
现有的基于盲点网络的自监督图像去噪方法常因为网络结构的限制，导致图像信息的严重损失。为解决这一问题，首先，提出一种自监督图像去噪方法，通过将传统的盲点网络改进为盲环网络（BRN），进一步降低噪声的空间相关性；其次，针对传统掩码策略导致图像信息丢失的问题，提出一种随机恢复掩码（RRM）策略，在减少信息损失的同时，增强去噪结果的细节信息；最后，提出一种双约束损失函数，在防止模型过度拟合的同时，有效保留图像的重要信息。实验结果表明，相较于次优的基于BRN的自监督图像去噪方法，所提方法在SIDD验证数据集上的峰值信噪比（PSNR）提高了0.17 dB，结构相似性（SSIM）提高了0.007，图像块感知相似度（IPPS）降低了0.006，验证了所提方法具有优越的去噪性能。
随着图数据规模的快速增长，图神经网络（GNN）在处理大规模图结构数据时面临计算和存储方面的挑战。传统的单机训练方法已不足以应对日益庞大的数据集和复杂的GNN模型，分布式训练凭借并行计算能力和可扩展性，成为解决这些问题的有效途径。然而，一方面，已有的分布式GNN训练评估主要关注以模型精度为代表的性能指标和以训练时间为代表的效率指标，而较少关注数据处理效率和计算资源利用方面的指标；另一方面，算法效率评估的主要场景为单机单卡或单机多卡，而已有的评估方法在分布式环境中的应用相对简单。针对这些不足，提出针对分布式场景的模型训练的评估方法，涵盖评估指标、数据集和模型这3个方面。根据评估方法，选取3个代表性GNN模型，在4个具有不同数据特征的大型公开图数据集上进行分布式训练实验，并收集和分析得到的评估指标。实验结果表明，分布式训练中的模型架构和数据结构特征对模型复杂度、训练时间、计算节点吞吐量和计算节点平均吞吐量之比（NATR）均有影响；样本处理与数据拷贝占用了模型训练较多时间，计算节点互相等待的时间也不容忽视；相较于单机训练，分布式训练的计算节点吞吐量有显著降低，且需要进一步优化分布式系统中的资源利用。可见，所提评估方法为GNN模型在分布式环境中的训练性能优化提供了参考依据，并为模型的进一步优化和算法的改进奠定了实验基础。
皮肤癌是全球发病率持续攀升的恶性肿瘤之一，它的早期精准诊断对降低死亡率至关重要。针对现有模型难以满足临床要求及少数类别识别皮肤癌精度低的问题，提出一种融合改进ResNet50与集成分类器的模型。首先，通过灰度黑帽阈值处理和Telea算法去除毛发噪声，再使用合成少数过采样技术（SMOTE）平衡类别分布；其次，采用ResNet50模型提取深层特征，并引入融合空间与通道注意力的软注意力模块聚焦皮肤病变区域；最后，将随机森林、极限梯度提升（XGBoost）、轻量级梯度提升机（LightGBM）、K-近邻（K-NN）和支持向量机（SVM）作为集成分类器，通过软投票法进行集成，进行皮肤癌的早期诊断。在HAM10000、ISIC2019和ISIC2020数据集上的3次独立实验结果表明，所提模型将准确率分别提升到（98.33±0.03）%、（96.15±0.06）%和（99.19±0.02）%，相较于当前主流网络具有更优的特征提取与分类能力，有助于提升早期诊断效果。
针对腹部部分注释数据集的嗜铬细胞瘤图像分割缺乏不同器官间的特征学习，导致分割中难以准确区分肿瘤及周边器官边缘的问题，提出一种基于多尺度与空间频率特征的嗜铬细胞瘤图像分割网络（MF-Net）。首先，构建多尺度空间频率通道注意力模块（MSFCA）对图像频域信息和相邻编码器的多尺度特征图进行加权融合，以强化器官间纹理和边界特征的捕捉，从而突出肿瘤区域的特征表示能力；其次，引入上采样多尺度特征融合模块（UMFF）通过结合上采样得到的不同尺度特征图，增强模型对图像中不同大小对象的识别能力；最后，利用自适应目标损失函数（AOb）对有注释腹部器官标签进行损失计算，并根据注释器官类别调整损失权重大小，从而优化分割网络的学习过程。实验结果表明，在腹部器官和嗜铬细胞瘤数据集上， MF-Net的分割准确率相较于单独训练的nnU-Net （no new U-Net）分别提升了3.33和3.18个百分点，而Dice系数（Dice）和归一化表面距离（NSD）分别为89.07%和92.85%；在域外数据集上， MF-Net的Dice和NSD分别为84.66%和90.55%。此外，可视化结果表明， MF-Net能更好地处理嗜铬细胞瘤图像中的复杂背景和模糊边界，为嗜铬细胞瘤的精确诊断和治疗提供了更好的技术支持。
针对遥感图像目标尺寸小、目标方向任意和背景复杂等问题，在YOLOv5算法的基础上，提出一种基于几何适应与全局感知的遥感图像目标检测算法。首先，将可变形卷积与自适应空间注意力模块通过密集连接交替串联堆叠，在充分利用不同层级的语义和位置信息基础上，构建一个能够建模局部几何特征的密集上下文感知模块（DenseCAM）；其次，在骨干网络末端引入Transformer，以较低的开销增强模型的全局感知能力，实现目标与场景内容的关系建模。在UCAS-AOD和RSOD数据集上与YOLOv5s6算法相比，所提算法的平均精度均值（mAP）分别提高1.8与1.5个百分点。实验结果表明，所提算法能够有效提高遥感图像目标检测的精度。
在当前物联网（IoT）环境中，分布式身份（DID）管理方法面临链接攻击、隐私泄露和监管冲突等多重挑战，亟须一种能保护用户隐私，同时兼顾监管需求的新方案。针对上述问题，提出一种DID方案。该方案采用主标识符和多个假名标识符相结合的身份体系，设计双凭证模型，以结合明文凭证与加密凭证，并利用承诺和零知识证明（ZKP）技术确保敏感属性和身份数据的安全性。此外，通过假名机制实现身份信息的非链接性，并有效地防御Sybil攻击。实验结果表明，与WeIdentity等方案相比，所提方案在凭证生成时间和证明生成时间上分别缩短了23%和19%，在性能方面具有显著优势。可见，所提DID方案提升了用户身份隐私保护水平，减轻了身份泄露风险，并在隐私保护与监管需求之间实现了平衡，为IoT环境中的DID管理提供了一种解决方案。
针对现有的人工智能（AI）心理咨询系统仅扮演单一咨询师角色，而难以动态适应用户对专业建议与情感支持的双重需求的问题，提出一种基于双角色交互机制的心理健康大语言模型——STAR （Supportive Therapeutic Adaptive Responder）。首先，设计基于系统提示的角色动态切换机制，实现心理咨询师与朋友角色的风格转换，满足用户在心理咨询场景中对专业建议和情感支持的双重需求；其次，采用数据质量控制的训练流程，持续收集模型反馈，动态优化数据生成策略与系统提示词设计，形成数据生成与模型训练的闭环，提升数据集质量。实验结果表明，在中文心理学基准测试框架CPsyCoun （Chinese Psychological Counseling）中， STAR模型在全面性、专业性与真实性上的综合得分相较于基座模型Qwen2.5-7B-Instruct提升了9.80%，较单角色的心理大模型EmoLLM （Emotional Large Language Model）提升了26.81%，并优于使用灵心（SoulChat）等开源数据集微调的模型以及GPT-4o-mini等通用LLM。 STAR模型能够有效实现双角色自适应响应，并有效提升心理咨询的效果和体验。
在黑盒场景下，使用模型功能窃取方法生成盗版模型已经对云端模型的安全性和知识产权保护构成严重威胁。针对扰动和软化标签（变温）等现有的模型窃取防御技术可能导致模型输出中置信度最大值的类别发生改变，进而影响原始任务中模型性能的问题，提出一种基于暗知识保护的模型功能窃取防御方法，称为DKP（defending against model stealing attacks based on Dark Knowledge Protection）。首先，利用待保护的云端模型对测试样本进行处理，以获得样本的初始置信度分布向量；然后，在模型输出层之后添加暗知识保护层，通过分区变温调节softmax机制对初始置信度分布向量进行扰动处理；最后，得到经过防御的置信度分布向量，从而降低模型信息泄露的风险。使用所提方法在4个公开数据集上取得了显著的防御效果，尤其在博客数据集上使盗版模型的准确率降低了17.4个百分点，相比之下对后验概率进行噪声扰动的方法仅能降低约2个百分点。实验结果表明，所提方法解决了现有扰动、软化标签等主动防御方法存在的问题，在不影响测试样本分类结果的前提下，通过扰动云端模型输出的类别概率分布特征，成功降低了盗版模型的准确率，实现了对云端模型机密性的可靠保障。
图像分类需要收集大量的图片进行模型训练与优化，但收集过程会不可避免地带来噪声标签。为了应对这一挑战，鲁棒性分类方法应运而生。在目前的鲁棒性分类方法中，超参数的设置需要手动调节，对人力物力带来了大量的损耗。因此，提出元超参数调节器（MHA），采用双层嵌套循环优化的方法自适应地学习噪声感知的超参数组合，并提出Meta-FPL （Feature Pseudo-Label adaptive learning based on Meta learning）算法。此外，为了解决元训练阶段的反向传播过程耗费大量GPU算力的问题，提出选择激活元模型层（SAML）策略。该策略通过比较虚拟训练阶段反向传播的平均梯度与元梯度的大小，限制部分元模型层的更新，从而有效提升模型的训练效率。在4个基准数据集和1个真实数据集上的实验结果表明，与MLC（Meta Label Correction for noisy label learning）、CTRR（ConTrastive RegulaRization）和FPL（Feature Pseudo-Label）算法相比，Meta-FPL算法的分类准确率较高。此外，引入SAML策略后，在元训练阶段的反向传播过程训练时长缩短了79.52%。可见，Meta-FPL算法能在较短的训练时间内有效提升分类测试准确率。
针对多机器人在人群环境中路径跟随与编队的避障及运动轨迹平滑性问题，提出基于深度强化学习的多机器人路径跟随与编队算法。首先，建立行人危险性优先级机制，结合行人危险性优先级机制与强化学习设计危险意识网络，提高多机器人编队的安全性；然后，引入虚拟机器人作为多机器人的跟随目标，将路径跟随转化为多机器人对虚拟机器人的跟随控制，提高机器人运动轨迹的平滑性；最后，通过仿真实验将所提算法与现有算法进行对比，同时进行定量与定性分析。实验结果表明，与现有点对点的路径跟随算法相比，所提算法在人群环境下具有优异的避障性能，可保证多机器人运动轨迹的平滑性。
