针对碳排放交易（CET）中的交易透明性不足、数据安全性较差和市场效率低等问题，对区块链技术在CET系统中的优化方法进行综述。首先，综述区块链技术在CET中的具体应用，包括关键技术和主要贡献；其次，深入分析碳排放管理和交易面临的挑战，如数据隐私保护和系统扩展性等问题，并探讨区块链技术的改进方法；再次，研究区块链与物联网（IoT）技术的集成应用，以实现碳排放数据的实时采集与安全存储；最后，探讨博弈论在CET策略制定中的应用，以及区块链技术在碳资产管理中的创新实践。研究表明，区块链技术能够显著提升CET系统的数据透明性和安全性，减少人为干预，降低交易成本，并提高市场效率。然而，当前系统仍面临性能、隐私保护和监管适配等挑战。综上，区块链技术在CET系统中的应用不仅有助于提高系统的透明度、安全性和效率，还为全球碳减排目标的实现提供了可靠的技术支撑。
农村“最后一公里”配送难、时间长和成本高的特点使高效精准的末端配送调度方案尤为重要。针对农村配送场景下的多物流无人机（UAV）的任务分配问题，综合考虑UAV的载重量和UAV的最大飞行距离，以最小化UAV的飞行距离、派遣数量和不违反时间窗为目标，建立多目标的UAV任务分配模型。首先，以强化学习为基础，针对任务分配维数过高的问题，引入编码器和注意力机制有效简化状态空间；其次，结合全局-局部搜索策略，在探索解空间的同时避免陷入局部最优解，从而提高求解质量；最后，进一步分析参数权重设置，并且经实验得出各子目标函数权重系数的最优组合。仿真结果表明，在得到的最终路径长度上相较于混合Q学习网络方法（HQM）、自适应大邻域搜索算法（ALNS）、Q学习算法（Q-learning）和遗传算法（GA），所提算法SG-HQM（Sine and Gaussian HQM）分别减少了8.35%、9.88%、10.29%和12.48%。
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。
医学图像分割在计算机辅助诊断和手术导航等临床应用中起着至关重要的作用，旨在从复杂的医学影像中精准提取不同器官和病灶。然而，现有的U型网络结构在实际应用中存在跳跃连接信息冗余大和计算量高等问题。为了解决这些问题，提出一种轻量化医学图像分割网络ES-TransUNet （Efficient channel attention and Simple-TransUNet）。该网络在编码器中通过引入十字交叉注意力（CCA）机制捕捉图像中的长距离依赖关系，并优化Transformer中的多头注意力结构，从而使模型轻量化，在解码器中引入动态上采样（Dysample）模块提升上采样效率；同时为了减少跳跃连接中的信息冗余，引入简单上下文Transformer（SCOT）块对冗余特征进行过滤。在Synapse多器官分割和ACDC数据集上的实验结果表明，ES-TransUNet相比TransUNet分别取得了2.37和1.57个百分点的Dice相似系数（DSC）提升，并在Synapse数据集上使Hausdorff距离（HD）降低了约9.69。此外，所提网络与现有最先进的医学分割模型的对比结果表明，ES-TransUNet在保持较高分割精度的基础上，显著降低了模型的参数量和计算复杂度，并提高了推理效率。可见，该网络更满足实时医学图像分割的实际需求。
全景图像因投影形式特殊，存在严重的几何扭曲。现有2D图像超分辨率网络未考虑全景图像的几何扭曲特性，因此并不适用于全景图像的超分辨重建。与2D超分辨网络不同，全景图像超分辨模型需要关注不同纬度区域的特征差异，而且需要解决对不同尺度特征捕获不足和上下文信息未充分学习等问题。针对上述问题，提出一种基于信息补偿的全景图像超分辨率重建网络（ICPSnet）。首先，根据全景图像的几何特性引入位置感知机制，通过计算每个像素在纬度方向上的位置权重增强模型对不同纬度区域的关注；其次，为了解决不同尺度特征捕获不足的问题，设计一种跨尺度协同注意力（CSCA）模块，该模块利用不同感受野的多核卷积注意力机制获取丰富的跨尺度特征；此外，设计信息补偿（IC）块，通过改进空洞空间金字塔池化（ASPP），增强网络的上下文信息学习能力，从而提高重建图像质量。在2种基准数据集ODI-SR和SUN360上的实验结果表明，在放大因子为4倍、8倍时，ICPSnet的加权球面均匀信噪比（WS-PSNR）比当前最先进的OSRT（Omnidirectional image Super-Resolution Transformer）分别提高了0.14 dB、0.64 dB和0.25 dB、0.26 dB。可见，相较于其他网络，ICPSnet在视觉效果上表现更加优异，它重建的图像能够更好地展现高纬度区域的纹理细节。
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。
文本分类作为自然语言处理（NLP）领域的重要任务，它的多标签分类因标签空间大而成为难点。针对该问题，以儿童读物中的价值观标识为实例，提出一种融合外部语义知识的多标签分类方法HSGIN（Heterogeneous Semantic Gated Interaction Network）。首先，利用SBERT （Sentence embeddings from Siamese BERT （Bidirectional Encoder Representations from Transformers））和双向长短期记忆（Bi-LSTM）网络提取文本特征；其次，通过异质图转换架构（HGT）联合建模知识图谱（KG）中的实体和关系，并利用先验知识和语义关联提取标签特征；最后，将文本特征和标签特征进行注意力融合以得到不同的标签特征表示，且引入门控图神经网络（GGNN）捕捉标签间的语义依赖和交互模式并进行预测。实验结果表明，相较于目前性能先进的对比方法BERT，所提方法的精确率、召回率和F1分数分别提升了2.66、0.47和1.16个百分点。以上实验结果验证了所提方法的有效性，同时，对儿童读物中价值观标识的精准分析有助于为儿童选择健康的读物。
传统联邦学习（FL）未考虑协作公平性，导致客户端获得的奖励与它的实际贡献不匹配。针对这一问题，提出一种基于个性化子模型和K均值聚类的联邦学习公平性算法（FedPSK）。首先，根据神经网络中神经元的激活模式对神经元聚类，且仅对聚类后的簇中心神经元进行重要性评估，并使用簇中心神经元的评分代表簇中其他神经元的评分，从而降低神经元评估的耗时；其次，使用层次选取方式选择客户端子模型中包含的神经元数量及编号，并为每个客户端建立具有完整神经网络结构的子模型；最后，通过为客户端下发子模型，实现协作公平性。在不同数据集上的实验结果表明，在公平度量的相关系数方面，FedPSK比FedSAC（Federated learning framework with dynamic Submodel Allocation for Collaborative fairness）提高了2.70%；在时间开销方面，FedPSK比FedSAC至少降低了84.12%。可见，FedPSK在提升FL算法公平性的同时，极大地降低了算法运行的时间开销，验证了所提算法的高效性。
为了解决区块链数据量剧增带来的存储问题，提出一种改进的一致性哈希算法，以实现区块链的存储扩展。针对Hyperledger Fabric在企业级应用中节点存储负载不均和数据倾斜的问题，基于一致性哈希算法提出了改进方案——基于虚拟节点分配与动态权重策略的哈希算法（VNDWS）。首先，采用虚拟节点分配机制为每个节点动态分配多个虚拟节点，使数据在哈希环中均匀分布，减少负载不均；其次，应用动态权重机制，基于节点存储能力和网络延迟等性能指标实时调整权重，使高性能节点承担更多数据负载，从而优化数据分配和存储效率。仿真实验结果表明，与传统区块链Fabric网络和传统一致性哈希算法相比，VNDWS的节点存储消耗分别降低了48.31和6.39个百分点，而数据查询效率分别提升了96.25%和21.95%。VNDWS在存储扩展方面能有效降低节点存储消耗并提高查询效率。
随着区块链等新兴技术的快速发展和广泛应用，去中心化科学（DeSci）运动兴起，旨在改善传统集中式科学系统，进而构建开放包容的科学自治生态。针对集中式科学系统在信息流通、资源分配和评价机制等方面存在的问题，综述了基于区块链的DeSci系统运行机制。首先，介绍了DeSci的概念及其应用现状；其次，对DeSci进行文献调研，从经济和社会2个维度出发，将科学系统运行机制划分为资产管理、通证经济、组织治理和信任建构4个方面，并按照分类总结科学系统的现状和区块链技术改善科学系统的优势；再次，分类综述了基于区块链及相关技术的DeSci系统的运行机制；最后，从科研全流程的角度展望DeSci生态，并总结了DeSci系统实践面临的挑战和未来发展机遇。综述表明，基于区块链的DeSci系统有潜力改善现有科学体系，它的运行机制能够为构建科学自治生态提供理论依据和实践方向。
在当今社会中，频发的汽车交通事故依然是一个严峻的现实问题。为了确保车载电子证据的可信保全和合法使用，必须采取先进的安全技术手段和严格的访问控制机制。针对车载设备电子证据的保全与共享需求，提出一种基于联盟链的证据保全及访问控制方案。首先，基于联盟链技术和星际文件系统（IPFS）实现电子证据的链上链下存储，并通过对称密钥保证证据的机密性和哈希值验证证据的完整性；其次，在电子证据的上传、管理和下载过程中，引入融合属性和角色的访问控制机制，实现细粒度和动态的访问控制管理，从而确保证据的合法访问与共享；最后，对比方案与分析性能。实验结果表明，所提方案具备机密性、完整性和不可否认性，并且在高并发请求数的情况下具有稳定性。
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。
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%。
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。
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。
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。
在图分类任务中，现有的利用丢弃节点的图池化算法得到的图嵌入表示没有有效地利用丢弃节点蕴含的信息和图间节点信息，同时传统方法也没有针对图嵌入进行单独学习，限制了它在图分类任务上的部分性能。为克服上述传统方法的不足，提出一种有效利用丢弃节点信息的图嵌入方法——基于图池化对比学习的图分类方法（GPCL）。首先，利用图注意力机制学习每个节点相应的注意力分数，且根据注意力分数对节点进行排序并丢弃分数较低的节点；其次，将本图保留的节点作为正样本，将其他图被丢弃的部分节点作为负样本，而将图的嵌入表达作为目标节点，两两计算相似性分数，从而进行对比学习。实验结果表明：在D&D （Dobson PD-Doig AJ）、MUTAG、PROTEINS和IMDB-B数据集上，相较于仅使用注意力机制和分层池化的方法，GPCL在图分类任务上的准确率分别提升了5.79、15.54、5.42和1.75个百分点，验证了GPCL充分提高了图间信息的利用率，在图分类任务上表现良好。
在计算机辅助诊断领域，精确分割计算机断层扫描（CT）图像中的颅内出血（ICH）对后续的治疗和预后至关重要。针对小出血区域难以分割的问题，提出一种信息瓶颈引导的ICH分割方法并基于该方法构建一个信息瓶颈引导的分割网络（IBGS-Net）。首先，采用U-Net架构作为基础，并引入信息瓶颈层增强与ICH分割相关的关键特征的识别；其次，通过设计的残差空间自适应归一化（ResSPADE）模块，信息激活图（IAM）被有效整合到分割流程中，提升网络对出血区域的识别和定位能力；最后，引入交互引导损失（IGL）函数以优化模型对难分割区域的处理，进一步增强模型的泛化性能。在内部数据集上的评估结果表明，所提方法在Dice相似性系数（DSC）、归一化表面Dice（NSD）和相对体积差（RVD）这3个指标上分别达到了78.1%、90.1%和11.5%；在公开数据集INSTANCE 2022上，与其他的分割方法的比较结果表明，所提方法的3个指标相较于次优结果，分别提升了1.9、2.4和下降了3.2个百分点。以上验证了所提方法在ICH分割任务中的有效性和优越性，可用于协助临床医生进行ICH分割。
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。
实体对齐（EA）旨在识别不同来源的知识图谱（KG）中指代相同的实体。现有的EA模型大多关注实体自身的特征，部分模型引入了实体的关系和属性信息辅助实现对齐，然而这些模型忽视了实体中潜在的邻域信息和语义信息。为了解决上述问题，提出一种融合三元组和文本属性的多视图EA模型（MultiEA）。所提模型将实体信息分为多个视图以实现对齐。针对缺少邻域信息的问题，采用图卷积网络（GCN）与翻译模型来并行学习嵌入实体的关系信息；针对缺少语义信息的问题，采用词嵌入与预训练语言模型学习属性文本的语义信息。实验结果表明，在DBP15K的3个子数据集上，相较于得到最优结果的基线模型EPEA（Entity-Pair Embedding Approach for KG alignment），所提模型的Hits@1值分别提升了2.18、1.36和0.96个百分点，平均倒数排名（MRR）分别提升了2.4、0.9和0.5个百分点，验证了所提模型的有效性。
针对联邦学习（FL）在边缘计算应用中所面临的非独立同分布（non-IID）数据和异构算力挑战，为了避免non-IID数据导致客户端模型更新出现较大偏差，从而引发模型不稳定的收敛，引入本地漂移变量的概念；并通过校正本地模型参数，将本地训练过程与全局聚合过程分离，优化FL在non-IID数据训练过程中的性能。此外，鉴于边缘服务器算力的多样性，提出一种新的策略：从全局模型中划分出一个简化的神经网络子模型下发给算力受限的边缘服务器进行训练，而高算力的边缘服务器则使用整个全局模型进行训练；低算力边缘服务器训练所得的参数将上传至云服务器，通过冻结部分参数提高整个模型的拟合速度。结合以上2种方法，提出一种基于本地漂移和多样性算力的联邦学习优化算法（FedLD），旨在解决联邦学习在边缘计算应用中所面临的non-IID数据和多样性算力带来的异构挑战。实验结果表明，FedLD比FedAvg、SCAFFOLD和FedProx算法收敛更快、准确率更高，相较于FedProx，在50个客户端参与训练时，FedLD在MNIST、CIFAR-10和CIFAR-100数据集上分别将模型准确率提升了0.39%、3.68%和15.24%；与最新的FedProc算法相比，FedLD通信开销更低；在K最近邻（KNN）算法、长短期记忆（LSTM）模型和双向门控循环单元（GRU）模型上的对比实验结果也表明，结合FedLD后，这3种模型的预测精度均有约1%的提升。
近年来，物联网（IoT）飞速发展，基于IoT的数据和信息发展起来的行为互联网（IoB）也因具备更高知识与智慧，迅速成为拥有巨大应用潜力的新兴技术。IoB中涉及大量用户行为数据的收集、处理和使用，因此用户数据的安全与隐私时刻面临着极大的威胁，对IoB用户数据进行有效管控也显得尤为重要。在介绍IoB的基本概念和特点后，分析了IoB的发展态势以及用户数据面临的安全与隐私风险，阐述了现有行为数据的组织管控现状，探讨了IoB中现存的主要问题与挑战，并对实现IoB用户数据管控的潜在研究方向进行了展望。
针对数字内容版权保护和追踪过程中的版权所有者恶意诬陷购买者，以及购买者知道自己的水印而进行去水印操作的问题，提出一种基于区块链的数字内容版权保护和公平追踪方案。首先，使用Paillier同态加密算法和密钥分发智能合约更改密文状态下购买者水印，并将水印嵌入加密的数字内容；其次，通过区块链中的验证节点调用密钥分发智能合约和仲裁智能合约，解决传统版权保护方案存在的单点故障问题；最后，通过实验验证所提方案的性能。结果表明，所提方案在数字内容尺寸（像素×像素）为1 024×1 024时，相较于针对垂直行业服务信息泄露的区块链问责机制，所提方案加密和嵌入水印的总时间减少了94.92%，总解密时间减少了79.72%。可见，所提方案的总时间和运行成本低，具有良好的运行效率，能够广泛用于数字内容版权保护领域。
语音到语音翻译（S2ST）是智能语音领域中新兴的研究方向，旨在将一种语言的语音准确翻译成另一种语言的语音。随着人们对跨语言交流需求的增加，S2ST受到广泛的关注，相关研究也不断涌现。传统的级联模型在S2ST过程中存在诸多问题，如错误传播、推理延迟和无法翻译无文字系统的语言等，因此如何通过端到端模型实现直接S2ST成为当前研究的重点。在全面调查端到端S2ST的基础上，详细分析和归纳了端到端S2ST的各种模型，综述了已有的相关技术，将端到端S2ST面临的挑战总结为建模负担、数据稀缺和现实应用三类问题，并重点探讨了现有工作是如何解决这三类问题的。大语言模型（LLM）强大的理解和生成能力为S2ST提供了新的可能性，同时也带来了更多的挑战。因此，讨论了LLM在S2ST中的应用，并设想了未来可能的发展方向。
针对智能反射面（RIS）辅助通信系统中信道估计精度低的问题，提出一种基于信道去噪网络（CDN）的信道估计方案，将信道估计问题建模为信道噪声消除的问题。首先使用传统算法对接收到的导频信号进行初步预估计，随后将该预估计信号输入信道估计网络以学习噪声特征并进行去噪处理，从而恢复出精确的信道系数。为了提高网络的去噪能力，设计了加权注意力块（WAB）和膨胀卷积块（DCB）以增强网络对噪声主体特征的提取，同时设计多尺度特征融合模块以防止浅层特征的丢失。仿真结果表明，与经典的DnCNN （Denoising Convolutional Neural Network）和CDRN （Convolutional neural network-based Deep Residual Network）方案相比，所提方案的归一化均方误差（NMSE）在不同信噪比（SNR）下平均降低了2.89 dB和2.01 dB。
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。
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。
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。
大规模重叠问题在实际工程应用中普遍存在，重叠问题子组间的共享变量给大规模重叠问题的优化带来了很大困难。基于分解的协同进化（CC）算法在解决大规模重叠问题上表现良好。然而，一些针对重叠问题设计的新型CC框架依赖问题分解方法获得重叠问题结构，而目前针对大规模重叠问题设计的分解方法不能同时兼顾高效性和准确性。为此，提出一种两阶段差分分组（TSDG）方法，在实现精确分组的同时显著减少了计算资源消耗。在第一阶段，采用基于有限差分原理的分组方法高效地识别子组集和共享变量集；第二阶段则提出一种分组改善方法检查前一阶段得到的子组集和共享变量集的信息，改正不准确的分组结果，以提高分组的稳定性和准确性。利用两阶段的协同作用，TSDG实现了对大规模重叠问题高效准确的分解。实验结果表明，TSDG能够在消耗较少计算资源的同时准确地分解大规模重叠问题。在优化实验中，TSDG在大规模重叠问题上的表现也优于对比算法。
针对原油调度过程存在的资源规模庞大、约束条件复杂、多时间尺度决策衔接困难等问题，提出一种基于多时间尺度协同的进化算法（MTCEA）。首先，根据炼油企业的规模结构和实际需求，建立了一种大规模多时间尺度原油调度优化模型，该模型由面向资源的中长期调度模型和面向操作的短期调度模型构成，通过引入原油资源动态分组策略，实现原油资源的合理配置，以满足不同的调度规模、多时间尺度的特征和精细化生产的要求；其次，为促进不同时间尺度调度决策的融合衔接，设计基于多时间尺度协同的进化算法，并针对不同时间尺度调度模型中的连续决策变量构造子问题进行求解，以实现不同时间尺度调度决策之间的协同优化；最后，在3个实际工业案例进行了算法性能验证。结果表明，与3种具有代表性的大规模进化优化算法（即竞争性粒子群优化算法（CSO）、基于多轨迹搜索的自适应差分进化算法（SaDE-MMTS）和基于混合模型的进化策略（MMES））以及3种高性能混合整数非线性规划（MINLP）数学求解器（即ANTIGONE（Algorithms for coNTinuous/Integer Global Optimization of Nonlinear Equations）、SCIP（Solving Constraint Integer Programs）和SHOT（Supporting Hyperplane Optimization Toolkit））相比，MTCEA的求解最优性指标和稳定性指标分别提高了30%和25%以上。这些显著的性能提升验证了MTCEA在大规模多时间尺度原油调度决策中的实际应用价值和优势。
