针对加密流量间交互行为特征的提取存在不足等问题,提出了一种基于路径签名表征学习的加密流量检测方法(path signature feature representation learning, PSFREL),利用路径签名来表征流量间隐藏的、不受加密影响的交互行为特征,使用自动编码器提取字段级局部特征,并使用结合通道注意力机制的残差网络 Cam-resnet 提取流量全局特征,形成多粒度流量特征后进行加密流量检测。在ISCX VPN-nonVPN等4个加密流量数据集上的评测结果显示,PSFREL的平均F1达到 94.91%。

为辅助专家进行概念侵权行为的检测与判定,本文提出一种基于视觉显著性特征的海报设计侵权行为取证方法。提出设计了一个包含4个子网络的复杂深度学习模型,用于处理设计作品中的复杂视觉元素,并明确地划分出主要的版式结构关系。通过计算海报与现有作品之间的相似度,本方法能有效检测出设计师的侵权行为。实验结果显示,本方法在海报设计侵权行为取证分析上的准确率较传统方法有显著提升。

针对联盟链超级账本(Hyperledger Fabric)中链码的安全漏洞问题,提出了一种基于漏洞子树和预训练模型的深度学习漏洞检测网络。检测方法包括2个关键阶段:首先,通过自动化工具提取链码为抽象语法树,并设计了漏洞子树结构VB-tree,确保模型专注于关键漏洞特征,在此基础上根据程序语句之间的数据和控制依赖关系转化为数据流图;其次,利用预训练模型对提取的特征进行处理,准确识别潜在漏洞。最后,从Github收集了6 935个不同领域开源项目的链码构建可用于评估方法有效性的数据集。实验结果表明,在检测链码中的21种漏洞时,模型的平均F1分数为93.68%,优于现有的方法。

针对纵向联邦学习中的不可信参与方发动数据投毒攻击阻碍模型训练,以及半诚实参与方发动隐私推理攻击窃取其他参与方私有数据的问题,提出了一种恶意被动方场景下的纵向联邦学习安全加权聚合方案。首先,设计效用评估算法抵御数据投毒攻击,通过计算最大容忍距离过滤有毒样本所对应的嵌入向量。然后,提出自适应权重计算算法,确保在长尾数据场景下依然能够有效抵御数据投毒攻击并保持模型的高收敛率和准确率。最后,利用掩蔽机制和对称同态加密算法保护嵌入向量隐私,抵御隐私推理攻击。理论分析和仿真结果表明本方案具有较好的计算效率和模型性能,能有效抵御隐私推理攻击和数据投毒攻击,与最新相关工作相比模型准确率提高约5%~10%。

为准确检测和识别仇恨言论,通过微调大语言模型对数据集样本进行扩充与平衡,并基于预训练模型RoBERTa构建RoBERTa-Attention-GRU-TextCNN模型,将深度学习强大的特征捕获和提取能力应用到文本序列数据的分析、挖掘中。首先通过RoBERTa模型对文本数据进行特征提取;然后利用自注意机制获取单词间的依赖关系;最后将获取到的特征矩阵输入到GRU-TextCNN层中以捕捉更深层次的语义信息和局部特征。使用TweetEval提供的2个公开的数据集来评估模型效果,实验结果表明,该模型相较于传统的仇恨言论检测模型具有更好的检测效果。

群组推荐旨在为群体用户提供推荐服务,其最终目的是满足群组成员间不同的偏好需求。现有群组推荐算法大多是面向固定群组的,忽视了大量具有偶然性和特殊性的临时群组。为了进一步拓展群组推荐算法的应用场景,有效应对临时群组历史交互信息短缺的问题,提出一种融合长短期兴趣的属性增强临时群组推荐算法。首先,在用户—项目整体历史交互和用户短期交互序列中分别注入项目的属性信息,综合运用超图网络、图神经网络和门控循环单元学习用户的长短期兴趣。进而,利用注意力机制将组内成员的长期兴趣聚合为群组的长期兴趣;同时,设计成员短期兴趣与群组长期兴趣之间的相似性度量策略计算成员权重,并通过加权融合的方式获得群组的短期兴趣。在此基础上,采用长短期兴趣对比学习最大化两类群组兴趣之间的一致性,通过对比损失和推荐损失对模型进行联合优化,以获得高质量的群组综合表征,实现临时群组的精准推荐。最后,通过2个真实数据集上的对比分析和消融实验验证所提模型的可行性和有效性,实验结果表明项目属性信息和用户短期兴趣可有效增强临时群组表征质量,显著提升模型的推荐效果。

查询缩略旨在通过简化和精炼冗长的查询输入,保留其中的关键信息来提升检索结果的召回率和准确率。然而,传统方法通常是基于统计或基于预训练模型来提取冗长查询中的关键词作为检索输入,难以应对查询的复杂性(如同义词和多义词),且在保留查询核心内容时容易丢失关键信息。针对以上问题,提出一种融合关键概念和潜在概念的冗长查询缩略方法,将代表查询核心内容的关键概念和对理解查询重要但未明确表达的潜在概念相结合,从而生成更完整和有效的查询。具体而言,首先利用预训练模型来生成简短有效的查询作为关键概念,然后使用伪相关反馈方法从原始查询的相关文档集中挖掘潜在概念,最后,将两者聚合作为最终的查询缩略结果,实现冗长查询检索。实验结果表明,在Robust2004数据集上使用密集检索模型评估时,相比基线模型,文中提出的方法在R@1000和NDCG@10两个指标上分别提高2.1%和3.6%。

基于原型的推荐算法可以通过学习一组代表典型偏好或共性特点的用户原型(或物品原型)表示,以及用户(或物品)与原型之间的关联强度,实现可解释的推荐。然而,现有算法忽视了原型表示之间的差异性以及不同原型之间的负载均衡,不能充分释放模型的表达能力。因此,以ProtoMF为基础,提出一种带有均匀性约束和重要性均衡的基于原型的推荐方法ProtoMF++。该方法在用户原型(或物品原型)之间添加均匀性约束,通过最小化原型表示之间的平均成对高斯势的对数,提升原型表示之间的差异性;另外,将每个原型与所有用户(或物品)的累计关联强度视作其负载重要性,通过最小化各个原型的负载重要性的变异系数,实现不同原型之间的重要性均衡。在3个基准数据集上进行实验,结果表明ProtoMF++的推荐效果优于现有基于原型的推荐方法,在Baby数据集上,HitRatio@10和NDCG@10指标值分别提升4.74%和10.64%。

为了解决现有模型在模态间相关性挖掘、特征融合方式和标签更新机制上存在的问题,提出一种基于自注意力机制的中心距差异多模态情感分析方法(center moment discrepancy multimodal sentiment analysis based on self-attention mechanism, SA-CMD)。首先,使用编码器对提取的特征序列进行编码,并通过自注意力机制动态调整各模态特征的权重,捕捉模态间复杂的依赖关系。然后,引入中心距差异方法动态优化特征表示和标签分布,增强模型的鲁棒性。在特征融合过程中,通过计算模态特征与其正负中心的距离差异,生成更准确的特征标签,进一步提高融合特征的质量。最终,使用线性层将融合特征投影到低维空间进行预测。实验结果表明,SA-CMD在公开数据集CMU-MOSI和CMU-MOSEI上的各项评价指标均优于现有基准模型,特别是在相关系数、二分类精度和七分类精度指标上表现优越。进一步验证自注意力机制和中心距差异方法在提升模型性能中的关键作用,充分说明SA-CMD模型在多模态情感分析任务中的有效性和鲁棒性。

图像超分辨率旨在从低分辨率图像中重建包含丰富纹理细节的高分辨率图像。已有研究表明,精细结构主要对应于傅里叶域中的高频成分,但多数现有方法缺乏针对高频信息的自适应处理机制,容易导致边缘模糊或纹理紊乱。针对上述问题,本文在非下采样轮廓波变换(non-subsampled contourlet transform, NSCT)域内开展超分辨率研究,将图像分解为多个具有不同频率特性的子带。不同子带所包含的频率信息与图像细节程度密切相关,本文将其定义为图像粗糙度特征。此外,对各子带图像应用分形分析方法,利用分形对图像粗糙度的数学表征能力,描述图像信息的多种频率细节。在此基础上,构建多子带下的多重分形模型,并在各子带上自适应生成相应的分形表示,从而将超分辨率重建过程转化为一个多重分形优化问题。实验结果表明,本研究所提出的方法能够有效恢复图像高频细节。

针对二阶线性多智能体系统事件触发实际固定时间一致性中多采用静态触发条件,存在触发次数过多、系统能耗较高的问题,提出2种动态事件触发实际固定时间一致性控制协议。基于跟踪误差、包含双曲正切函数的控制器提出连续通信一致性控制协议,在事件触发条件中引入受智能体相对状态实时调整的内部动态变量,实时调整智能体的触发阈值。利用智能体触发时刻的信息提出间歇通信一致性控制协议,避免智能体间的连续通信。验证了在2种控制协议下,系统都能够实现实际固定时间一致性,且避免了收敛时间受限于智能体初始状态的问题及Zeno行为。仿真结果表明,相较于现有静态事件触发方案,所提动态事件触发方案减少了智能体的触发次数,从而减少系统能量损耗,更适用于通信计算资源有限的实际系统。

针对数据样本的局部结构信息未得到充分利用以及算法对噪声的敏感特性导致聚类效果下降的问题,提出直觉模糊局部保持投影最小二乘双支持向量聚类方法。基于样本与质心的距离以及样本的异质性分配模糊得分,给样本赋予权重,充分利用训练样本的局部几何结构信息,提供样本邻域的先验信息,不仅降低了噪声和异常值对算法性能的影响,而且有效解决了数据的聚类问题。在多个数据集上进行实验,并通过统计分析检验所提算法的显著性,实验结果证实了所提算法比其它现有算法具有更好的鲁棒性能和聚类性能。