CTCS-3级（Chinese Train Control System-3）列控车载设备在保障列车安全和提高运行效率方面发挥着重要作用。车载接口设备实现车载列车自动防护（ATP）系统与地面设备、司机和列车的交互，然而它的故障在车载设备故障中占比高。为了确定故障原因并保证行车安全，提出一种基于时序知识图谱补全的列控车载接口设备故障诊断方法。首先，采用引入时序的方式整合行车日志和故障统计数据，从而提取故障现象并对齐实体，构建时序知识图谱；其次，构建基于图谱补全的故障诊断网络，融合时序翻译（T-TransE）向量化算法、双向长短期记忆（Bi-LSTM）网络和自注意力（SA）机制提取时序特征；最后，使用某铁路局近几年的车载接口设备故障数据对T-TransE向量化模型进行预训练，选出效果最佳的时序引入方式。为验证所提方法的优越性以及数据结合方式的有效性，使用车载故障数据对不进行数据结合且不进行时序关系引入的故障诊断网络以及其他常见的故障诊断网络进行测试。实验结果表明，在同一语料的情况下，与其他故障诊断框架相比，基于时序知识图谱补全的故障诊断模型正确率最高，达到96.69%。

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。

考虑腹侧通路在视觉信息处理中的核心作用，提出一种基于腹侧通路的脂肪肝分类方法。通过整合卷积神经网络（CNN）和生物视觉认知模型，模拟从初级视觉皮层（V1）到下颞叶皮层（IT Cortex）的层次化信息加工流程，从而构建全新的神经网络架构——VPNet （Ventral Pathway Network）。此外，受生物视觉机制中非经典感受野（nCRF）抑制机制在背景噪声抑制方面的启发，模拟该机制以应对超声图像中斑点噪声的挑战，进而增强模型的特征识别能力。在自制数据集上进行四类别的脂肪肝变异程度识别时，VPNet达到88.37%的准确率；在公开数据集上进行二类别的脂肪肝诊断时，VPNet的准确率、敏感性和特异性均达到100%的最佳性能。实验结果表明，与已知公开数据集研究中较优的ResNet101-SVM相比，VPNet的准确率分别在自制数据集和公开数据集上提升了11.63和0.7个百分点，证明了所提方法在脂肪肝疾病诊断中的有效性。

针对当前隧道内异物检测存在人工巡检成本高、效率低等问题，提出一种基于改进YOLOv8n的隧道内异物检测算法。首先，提出融入坐标注意力（CA）机制的C2f_CA模块，通过将位置信息嵌入通道注意力，增强网络对图像在空间上的特征分布的关注，从而增强网络的特征提取能力；其次，借鉴高分辨率网络的思想，提出新的特征融合模块HRNet_Fusion（High Resolution Net）将提取的不同分辨率特征图作为4个并行分支输入网络，并经过多次上、下采样和融合操作得到全面且准确的特征信息，从而显著提升在小目标检测和特征信息融合方面的性能；最后，引入WIoU（Wise-IoU）损失函数降低低质量样本对网络的不良梯度影响，进一步提高模型的检测精度。实验结果表明，在隧道异物数据集上，改进算法的平均精度均值（mAP@0.5）为79.9%，模型大小为6.0 MB，与YOLOv8n算法相比，mAP@0.5提升了6个百分点，模型大小减少了0.2 MB，模型参数量减少了0.379×10⁶。

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。

针对纺织品疵点边缘特征弱以及极端长宽比导致检测困难的问题，提出基于YOLOv7的上下文信息多尺度特征融合织物疵点检测算法（CMFFD-YOLO）。首先，采用k均值聚类算法得到适应目标尺寸的更好锚框，并通过迁移学习引入主干权重；然后，重新设计主干网络，添加全局上下文信息（GC）模块，从而充分利用局部和全局上下文的信息增强小目标特征的提取能力；最后，设计一种基于多尺度特征融合网络的通道空间注意力渐近特征金字塔网络（CAFPN），采用渐近融合的方式使不同层次的语义信息联系更紧密，且在融合过程中能提取更多有用信息。在天池和ZJU-Leaper这2个纺织面料瑕疵数据集上的实验结果表明，所提算法的平均精度均值（mAP）分别达到了64.6%和61.7%，相较于原始YOLOv7分别提高了12.5和7.8个百分点，并且模型参数量比原始YOLOv7降低了5.013×10⁶，具有更高的检测速度。可见，所提算法能满足企业织物疵点检测对检测精度和速度的需求。

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。

近年来，生成对抗网络（GAN）用于低剂量计算机断层成像（LDCT）图像降噪已经表现出显著的性能优势，成为该领域的研究热点。然而，GAN的生成器对LDCT图像中噪声和伪影分布的感知能力不足，导致网络的降噪性能受限。因此，提出一种基于双编码器双解码器生成对抗网络（DualED-GAN）的低剂量CT降噪模型。首先，提出由一对编解码器构成伪影像素级特征提取通道，用于估计LDCT中的伪影噪声；其次，提出由另外一对编解码器构成伪影掩码信息提取通道，用于估计伪影的强度和位置信息；最后，采用伪影图像质量标签图辅助估计伪影的掩码信息，可以为伪影像素级特征提取通道提供补充特征，进而提高GAN降噪网络对伪影噪声分布强度的敏感性。实验结果表明，在mayo测试集上与次优模型DESD-GAN（Dual-Encoder-Single-Decoder based Generative Adversarial Network）相比，所提模型的平均峰值信噪比（PSNR）提高了0.338 7 dB，平均结构相似性度（SSIM）提高了0.002 8。可见，所提模型在伪影抑制、结构保留与模型鲁棒性方面均有更好的表现。

针对基于深度学习的水印方法未充分突显图像的关键特征，以及未有效利用中间卷积层输出特征的问题，为提升含水印图像的视觉质量和抵抗噪声攻击的能力，提出一种融合注意力机制和多尺度特征的图像水印方法。在编码器部分，设计注意力模块关注重要图像特征，以减小水印嵌入引起的图像失真；在解码器部分，设计多尺度特征提取模块，以捕获不同层次的图像细节。实验结果表明，在COCO数据集上与深度水印模型HiDDeN（Hiding Data with Deep Networks）相比，所提方法生成的含水印图像的峰值信噪比（PSNR）和结构相似度（SSIM）分别增加了11.63%和1.29%；所提方法针对dropout、cropout、crop、高斯模糊和JPEG压缩的水印提取平均误比特率（BER）降低了53.85%；此外，消融实验结果验证了添加注意力模块和多尺度特征提取模块的方法有更好的不可见性和鲁棒性。

针对动态物体严重干扰同时定位与建图（SLAM）系统正常运行的问题，提出一种基于目标检测和特征点关联的动态视觉SLAM算法。首先，利用YOLOv5目标检测网络得到环境中潜在动态物体的信息，并基于简易目标跟踪对图像漏检进行补偿；其次，为解决单一特征点的几何约束方法易出现误判的问题，依据图像的位置信息和光流信息建立特征点关联，再结合极线约束判断关系网的动态性；再次，结合两种方法剔除图像中的动态特征点，并用剩余的静态特征点加权估计位姿；最后，对静态环境建立稠密点云地图。在TUM（Technical University of Munich）公开数据集上的对比和消融实验的结果表明，与ORB-SLAM2和DS-SLAM（Dynamic Semantic SLAM）相比，所提算法在高动态场景下的绝对轨迹误差（ATE）中的均方根误差（RMSE）分别至少降低了95.22%和5.61%。可见，所提算法在保证实时性的同时提高了准确性和鲁棒性。

深度卷积神经网络（CNN）在图像超分辨率重建领域表现出卓越性能，然而现有的许多相关方法的模型参数量较多，无法应用至计算资源较低的设备。为缓解上述问题，提出一个轻量级的非对称信息蒸馏网络（AIDN）模型。首先，输入原始图像及其边缘图像以提取有效的特征信息；其次，设计一个非对称信息蒸馏块对提取到的特征进行非线性映射学习；再次，使用上采样模块重建多个残差图像后，将这些残差图像经过注意力机制融合成一个残差图像；最后，将融合的残差图像与输入图像的插值相加后得到超分图像。在Set14、Urban100和Manga109数据集上的实验结果表明，相较于空间自适应特征调制网络（SAFMN），AIDN模型的4倍超分峰值信噪比（PSNR）值分别提升了0.03 dB、0.14 dB和0.06 dB，说明了AIDN模型在模型参数量和模型性能之间取得了更好的平衡。

针对数字图像拍摄过程中因远近视野聚焦不当所导致的半聚焦图像问题，提出一种级联融合与增强重建的多聚焦图像融合网络（CasNet）。首先，构建级联采样模块对不同深度采样特征图的残差进行计算与合并，从而高效利用不同尺度下的聚焦特征；其次，改进轻量化多头自注意力机制以计算特征图的维度残差，从而完成图像的特征增强，并使特征图在不同维度上呈现更优分布；再次，使用卷积通道注意力堆叠完成特征重建；最后，在采样过程中使用分隔卷积进行上下采样，从而保留更多的图像原有特征。实验结果表明，在多聚焦图像基准测试集Lytro、MFFW、grayscale和MFI-WHU上，CasNet相较于SESF-Fuse（Spatially Enhanced Spatial Frequency-based Fusion）和U2Fusion（Unified Unsupervised Fusion network）等热门方法在平均梯度（AG）、灰度级差（GLD）等指标上都取得了较好的结果。

全景场景图生成（PSGG）旨在识别图像中所有对象并自动地捕获所有对象间的语义关联关系。语义关联关系建模依赖目标对象及对象对（subject-object pair）的特征描述，然而现行工作中存在以下不足：采用边界框提取方式获取的对象特征较模糊；仅关注对象的语义和空间位置特征，忽略了对关系预测同样重要的对象对的语义联合特征和相对位置特征；未能针对不同类型的对象对（如前景-前景、前景-背景、背景-背景）进行差异化特征提取，进而忽略了它们之间的差异性。针对上述问题，提出一种基于关系特征强化的全景场景图生成方法（RFE）。首先，通过引入像素级掩码区域特征，丰富对象特征的细节信息，同时有效地融合对象对的联合视觉特征、语义联合特征和相对位置特征；其次，根据对象对的不同类型，自适应地选择最适合本类型对象对的特征提取方式；最后，获得强化后更精确的关系特征用于关系预测。在PSG数据集上的实验结果表明，以VCTree（Visual Contexts Tree）、Motifs、IMP（Iterative Message Passing）和GPSNet为基线方法，ResNet-101为骨干网络，RFE在具有挑战性的SGGen任务上召回率（R@20）指标分别提高了4.37、3.68、2.08和1.80个百分点，验证了所提方法在PSGG的有效性。

为解决音乐表征学习领域缺少充足成对多轨乐谱数据集的问题，提出一种音乐生成的预训练模型。首先，基于多轨音乐的生成需要保证单轨内的连续性的同时保证轨道间的和谐性的事实，提出基于Transformers的多生成器的生成模型，即基于预训练的多轨音乐生成网络（MMGPNet）作为基线模型；其次，为利用充足的单轨乐器数据集，在生成模型上设计音乐预训练模块；最后，在预训练过程中设计一个重建任务遮盖音乐符号的属性并对它们进行重建。实验结果表明，所提模型加速了模型训练，并提高了预测准确率，且该模型生成的多轨序列在多种音乐领域的评价指标相较于MuseGAN（Multi-track sequential Generative Adversarial Network）、SymphonyNet等基线模型更接近真实音乐。听力测试结果进一步验证了所提模型的有效性。

针对低轨（LEO）卫星在多波束场景下的资源分配问题，由于在实际卫星通信环境中，波束间信号的干扰和噪声等因素复杂多变，常规的子载波动态分配算法无法动态调整参数以适应通信环境的变化。通过结合传统的通信调度算法与强化学习技术，以最小化用户丢包率为目标，动态调整用户调度情况并动态分配整个卫星通信系统的资源以适应环境的变化。通过时隙划分离散化LEO卫星的动态特性模型，并根据LEO卫星资源分配场景的建模提出一种基于深度强化学习（DRL）的资源分配策略。通过调整卫星调度的排队情况，增加大时延用户的调度机会，即调节单颗LEO卫星各个波束中的资源块以对应用户的资格性，从而在保证一定公平性的同时，降低用户丢包率。仿真实验结果表明，在满足总功率约束的条件下，所提出的基于深度强化学习的资源分配算法（DRL-RA）中的用户传输公平性和系统吞吐量比较稳定，且DRL-RA中时延较大的用户因优先级提升而获得了更多的调度机会，而DRL-RA的数据丢包率相较于比例公平算法和最大负载/干扰（Max C/I）算法分别降低了13.9%和15.6%。可见，所提算法有效解决了数据传输过程中丢包的问题。

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。

对分数阶微分动力学系统进行数值计算时，直接离散微分方程存在长时程储存困难。为解决这一问题，首先，将微分方程做一次积分，然后再离散化；同时，给出一个递推公式，并讨论它的适用条件。用该递推公式计算一些常见的非线性问题所得的结果都与其他数值方法的结果一致。由于二维分数阶连续动力学系统是否有混沌运动尚未有定论，应用这个递推公式对二维连续耦合Logistic模型进行研究，发现该系统仅由平衡点通过Hopf分岔产生极限环，不存在混沌运动。最后，给出分数阶二维连续Logistic系统运动的李雅普诺夫指数判据。

小开放阅读框（sORFs）在多种生物学过程中发挥着关键作用，且准确识别编码sORFs和非编码sORFs是基因组学中一项重要且有挑战性的任务。针对目前大多数编码sORFs预测算法严重依赖基于先验生物知识的手工特征且缺乏通用性的问题以及原始sORFs的序列长度长短不一而无法直接输入预测模型的问题，提出一种基于sORF-Graph图编码方式的端到端的深度学习框架DeepsORF预测编码sORFs。首先，通过sORF-Graph将所有sORFs序列编码成对应的图，并将序列信息编码成图元素特征，从而对输入序列进行标准化处理；其次，引入基于卷积与残差的流注意力机制捕获sORFs中碱基远距离之间的相互作用，以更有效地表达sORFs的特征，并提高模型的预测精度。实验结果证明，DeepsORF框架在6个独立测试集上的性能均得到提升，与csORF-finder方法相比，DeepsORF在D.melanogaster nonCDS-sORFs测试集上的准确率、马修斯相关系数（MCC）以及精确率分别提升了9.97、19.49与13.07个百分点，验证了DeepsORF模型在识别编码sORFs和非编码sORFs任务中的有效性以及良好泛化能力。

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。

近些年，水声通信网络在水下信息传输方面发挥了至关重要的作用。水下通信信道具有开放性，更易遭受干扰、欺骗和窃听等攻击，因此水声通信网络面临与传统网络不同的安全挑战。然而，传统的异常检测方法直接用于水声网络时的准确率较低，而基于机器学习的异常检测方法虽然提高了准确率，但面临数据集受限、模型可解释性较差等问题。因此，将融合注意力机制的CNN-BiLSTM用于水声网络下的异常攻击检测，并提出WCBA（underWater CNN-BiLSTM-Attention）模型。该模型通过IG-PCA（Integrated Gradient-Principal Component Analysis）特征选择算法有效降低数据集的高维度，并能充分利用多维矩阵水声通信网络流量的时空特征在复杂水声数据中识别异常攻击。实验结果表明，WCBA模型在数据集受限的情况下，相较于其他神经网络模型提供了更高的准确率，并具有较高可解释性。

针对企业排污难以监测和控制的问题，在考虑数据安全共享和隐私保护的前提下，提出一种融合电力数据的纵向联邦学习企业排污预测（VFL-EEP）模型。首先，在纵向联邦学习（VFL）框架下改进逻辑回归模型，从而在不泄露电力和环保企业排污监测数据的前提下，允许将数据的使用和模型的训练相分离；随后，改进逻辑回归算法使该算法能结合Paillier加密技术以保证模型的参数传递安全，从而有效解决VFL中参与方之间通信不安全的问题；最后，在仿真数据上实验，所提模型的排污预测结果与集中式逻辑回归模型的排污预测结果比较表明：所提模型在隐私安全的前提下融合电力数据，准确率、召回率、精确率和F1值分别提升了8.92%、7.62%、3.95%和11.86%，有效实现了隐私保护和模型性能的均衡。

遥感数据具有高度的时空相关性以及复杂的地物特征，使得这些数据的隐私保护面临挑战。联邦学习作为一种旨在保护参与方数据隐私的分布式学习方法，为应对遥感数据隐私保护面对的挑战提供了有效的解决方案；然而，在联邦学习模型的训练阶段，恶意攻击者可能通过反演推断参与者的隐私信息，进而导致敏感信息的泄露。针对遥感数据在联邦学习训练中存在的隐私泄露问题，提出一种基于本地差分隐私的联邦学习隐私保护方案。首先，对模型进行预训练，计算模型的层重要性，并根据层重要性合理分配隐私预算；然后，通过对模型更新进行裁剪变换，并对裁剪值进行自适应随机扰动，实现本地差分隐私保护；最后，在聚合扰动更新时，采用模型校正以进一步提高模型性能。理论分析和仿真结果表明，所提方案不仅能为各参与方提供合适的差分隐私保护，并有效防止通过反演推断出隐私敏感信息，而且在3个遥感数据集上相较于基于分段机制的扰动方案提升了3.28~3.93个百分点的准确率。可见，所提方案在保证隐私的同时有效保障了模型性能。

随着区块链单链协同向多链扩张的生态转化，跨链技术正在成为推动应用创新和增强系统能力的关键途径。然而，多链架构的分布式账本缺乏统一的身份认证方案，导致在资产跨链交易过程中可能面临隐私保护问题。因此，提出一种基于隐私保护的随机共识资产跨链方案。该方案引入随机公证人多签（RNMS）架构的跨链模型，并通过椭圆曲线迪菲-赫尔曼（ECDH）密钥协商算法来确保交易双方能够安全地协商共享密钥。此外，考虑到中间信任问题，设计一种基于改进Algorand的随机公证人选取算法，将该算法的轮盘式标号随机选取公证人的方式改进为可验证的伪随机方式，以降低伪随机选取风险，并确保跨链交互的安全性和去中心化。通过改进拜占庭协议（BA）降低共识的通信代价，进行BFT-Simulation平台算法仿真实验。实验结果表明：相较于Algorand算法，所提方案的验证节点私密性更高，跨链消息共识效率提高了89%，且用公证人机制验证让节点消息通信量减少了80%，可有效提高跨链安全性。

联邦学习（FL）已成为一种在分散的边缘设备上训练机器学习模型并保护数据隐私的有前景的方法。然而，FL系统容易受到拜占庭攻击的影响，即恶意客户端可能会破坏全局模型的完整性。此外，现有的部分防御方法存在较大的计算开销。针对上述问题，提出一种自适应防御机制FedAud，该机制旨在减小服务端的计算开销，同时确保FL系统对拜占庭攻击的鲁棒性。FedAud结合异常检测模块和信誉机制，并基于历史模型更新动态调整防御策略。使用MNIST和CIFAR-10数据集在不同的攻击场景和防御方法下进行评估的实验结果表明，FedAud能有效降低防御方法的执行频率，从而减轻服务器的计算负担，并提高FL的效率，特别是在防御方法计算开销大或训练周期较长的情况下。此外，FedAud能保持模型的准确性，并在某些情况下提升模型的性能，验证了它在实际FL部署中的有效性。

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。

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。

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。

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。

鉴于时间序列数据在各个领域的广泛应用，对这些数据的可辨识特征的挖掘和表征至关重要。受数据采集环境和采集设备的影响，许多应用领域的时序数据都存在高噪声的特点，这对数据表征方法的鲁棒性提出了很高的要求。因此，提出一种时间序列的鲁棒形态表征方法（TRS）。该方法采用关键形态（KS）的特征提取方法，在保留可解释性的同时减少噪声的影响，并通过位置距离度量对时间序列进行表征，从而提高整个方法的鲁棒性。在受噪声干扰的时间序列数据上的实验结果表明，TRS所提取的特征在分类上显著均优于现有的方法，与同样基于形态模式提取特征的深度学习模型——对抗动态Shapelet网络（ADSN）相比，平均正确率高出2.1个百分点。可见，TRS提取的特征集更有代表性和鲁棒性。

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%。