基于高阶几何结构建模的点云无监督领域适配 研究背景及动因 点云数据是一种描述三维空间的关键数据形式，广泛应用于自动驾驶、遥感等现实场景中。点云可以捕获精确的几何信息，但在跨设备或跨场景应用时，采集点云的几何特性可能会由于传感器噪声、采样方式及环境影响而发生显著改变。这种显著的几何变化（即领域间差距，domain gap），导致了在一个领域进行训练的神经网络难以在其他领域上保持性能。这一问题限制了点云深度学习方法在实际应用中的推广。 目前，无监督领域适配（Unsupervised Domain Adaptation, UDA）为解决这一问题提供了一种有效途径。其核心目标是将源领域（有标签数据）的知识迁移至目标领域（无标签数据），通过学习共享结果的跨域特征表征来缩小领域间差距。然而，已有方法主要...

基于扩散模型的特征增强：针对全视野病理图像多实例学习的新方法 学术背景与研究动机 在计算病理学（computational pathology）领域，如何有效分析全视野扫描病理图像（Whole Slide Images，WSIs）是当前研究的热点。WSIs 是超高分辨率的图像，通常具有广域的视野，广泛用于癌症诊断。然而，由于病例标记的稀缺性以及图像自身的体量庞大，基于深度学习的多实例学习（Multiple Instance Learning，MIL）在WSI的自动化分析中面临诸多挑战。 MIL 是一种经典的弱监督学习方法，核心思路在于将整个WSI看作一个“袋”级别的实例，而每块小图像（patch）作为单独的“袋中实例”。虽然袋级别的标签已知，但单个实例的标签未知。在 MIL 的应用中，常见的...

高阶有向社区检测的多目标进化框架 背景与研究动机 在复杂网络科学领域，社区结构是网络研究中至关重要的特性之一。这种结构在众多实际网络中普遍存在，如社交网络、生物网络、交通网络等。社区检测技术可以有效地揭示网络的拓扑属性和功能特性，从而促进对网络行为机制的理解。目前，多数传统的社区检测方法依赖于低阶节点和边的连接模式。然而，研究表明，网络中的高阶特性——即重复出现的小子图结构“基元”（Motif）——在塑造网络的拓扑形态和功能特性中发挥着关键作用。 在有向网络中，基于基元的高阶社区检测近年来引起了广泛关注。这种方法不仅可以揭示网络的高阶中尺度结构，还能捕捉系统的功能特性。然而，现有方法通常侧重于基元密度的优化，忽略了有向边的方向性（非对称方向弧）及其对信息流特性的影响。由于信息流是决定网络传播...

水平联邦学习中高效特征选择的新方法研究 近年来，随着联邦学习（Federated Learning, FL）逐渐成为一种保护数据隐私的分布式机器学习方法，如何在不同用户（即客户端）之间共享信息以训练高效的全局模型，吸引了广泛的关注。在水平联邦学习（Horizontal Federated Learning, HFL）中，所有客户端共享相同的特征空间，但各自的数据样本不同。然而，数据特征的冗余和维度灾难问题严重影响了模型的性能和训练效率。为此，特征选择（Feature Selection, FS）作为机器学习中的一种重要预处理技术，在去除冗余特征和增强模型性能方面具有突出的作用。本研究针对HFL场景下的特征选择问题提出了新方法，以解决这一领域的关键挑战。 论文来源 本论文题为 “Cost-Ef...

自模型自由学习与有外部奖励学习在信息受限环境中的对比：一种新的强化学习框架 近年来，随着网络和人工智能系统的发展，网络化学习机制受到显著的安全挑战。在强化学习（Reinforcement Learning, RL）领域，奖励信号丧失、数据包丢失以及故意的网络攻击已成为影响学习系统性能的重要障碍。针对这一问题，来自乔治亚理工学院的Prachi Pratyusha Sahoo（IEEE学生会员）和Kyriakos G. Vamvoudakis（IEEE高级会员）提出了一种依靠内部奖励信号的新型强化学习框架，称为“自模型无学习”（Self-Model-Free RL）。本文发表于2024年12月《IEEE Transactions on Artificial Intelligence》，展示了在奖...

基于时空图的智能电网对抗性虚假数据注入逃逸攻击的生成与检测 背景介绍 随着现代智能电网的不断发展，电网作为一种典型的网络化信息物理系统（Cyber-Physical Systems, CPS），因其需要在不同组件之间交换大量数据，面临各种安全威胁。其中，虚假数据注入攻击（False Data Injection Attacks, FDIAs）因其能够篡改传感器数据而备受关注。攻击者可以借助这些虚假数据绕过传统的坏数据检测系统（Bad Data Detection, BDD），从而导致错误的操作决策，甚至可能使系统过载。然而，传统FDIAs相对简单，其明显的数据异常容易被数据驱动的机器学习模型检测到。 相比之下，对抗性虚假数据注入逃逸攻击（Adversarial False Data Inje...

基于弱地质先验的孔隙构建岩性模型的部分域适配研究 背景与研究问题 岩性识别在地层特性分析和油气储层勘探中扮演着至关重要的角色。然而，现有的基于人工智能和机器学习的岩性识别方法，在处理跨井数据时，仍面临着严峻的挑战。具体而言，由于各井之间复杂的沉积环境、不一致的物探设备及测量技术，导致跨井数据分布差异显著。此外，目标井可能包含全新的岩性类别，与已标注的源井数据之间存在标签空间的不一致性 (unshared label space)，这进一步加剧了模型在目标井中预测的难度。 本研究提出了一种基于部分域适配（Partial Domain Adaptation，PDA）的创新框架，用于实现复杂地质条件下的跨井岩性预测。核心挑战在于： 1. 数据分布的显著差异导致源井训练的模型无法直接适用于目标井数据...

基于简化核的代价敏感广泛学习系统（SKCSBLS）应对不平衡故障诊断的研究报告 研究背景及意义 进入工业4.0时代，智能制造日益依赖于工业大数据分析，通过提取机器运行数据中的关键信息，可以提升设备健康管理的有效性，从而实现企业生产的安全性和高效性。然而，在实际工业应用中，不平衡数据给智能制造领域的故障诊断带来了严峻挑战。多数情况下，设备运行数据中正常状态的数据占压倒性多数，而故障数据往往稀少。这种类别分布不均衡可能导致模型的预测准确性下降，并使得小类别（故障类别）难以被有效识别。 目前，深度学习方法（如卷积神经网络和递归神经网络）被广泛应用于故障检测。但这些模型需要大量的训练数据，如果数据量有限，则易出现过拟合问题；此外，这些方法的计算复杂度较高，训练耗时较长。因此，科研人员开始关注结构较为...

科研新闻报告：关于《Event-Triggered Fuzzy Adaptive Stabilization of Parabolic PDE–ODE Systems》 研究背景及意义 在现代工程系统中，例如柔性机械臂、热传导设备和反应器控制器等，许多复杂系统需要通过偏微分方程（Partial Differential Equations, PDE）建模，而PDE通过其独特的反应-扩散特性经常用于描述无穷维系统。然而，当这些系统与常微分方程（Ordinary Differential Equations, ODE）级联组成反应扩散控制系统时，设计有效的控制方案变得更为复杂，尤其是在存在耦合现象或非线性因素的情况下。 特别是在金属轧制、柔性海洋升降装置以及高超音速飞行器热保护等工程领域中，这些...

基于Wiener和Poisson噪声的随机Markov跳跃系统的最优控制：两种强化学习方法 学术背景 在现代控制理论中，最优控制是一个非常重要的研究领域，其目标是在各种约束条件下为动态系统设计一个最优控制策略，以最小化给定的成本函数。对于随机系统，传统的最优控制方法通常需要系统的完整模型信息，这在实际应用中存在很大的局限性。近年来，强化学习（Reinforcement Learning, RL）作为一种无需系统模型的方法，逐渐成为解决最优控制问题的重要工具。RL通过直接从数据中学习，能够获得最优值函数和最优策略，并且通过策略迭代（Policy Iteration）方法可以不断改进性能。 随机Markov跳跃系统（Stochastic Markovian Jump Systems, SMJS）...