计算机科学与探索杂志

计算机科学与探索杂志2023年第12期

• 复杂脑网络社区检测算法综述

  温旭云, 聂梓宇, 曹曲美, 张道强

  脑网络社区检测算法是近年来脑科学和网络科学领域备受关注的重要课题，被广泛用于揭示大脑结构和功能连接模式。由于大脑网络的复杂性以及需要处理多个被试、多种场景任务等因素，极大地增加了该领域社区检测的难度。聚焦功能磁共振成像技术，全面综述了面向脑功能网络社区检测算法的研究进展。首先，描述了脑网络社区检测算法的基本流程、任务类别和方法种类。然后，分类介绍了不同任务场景下的脑网络社区检测算法，包括分离社区、重叠社区、多层次社区和动态社区检测算法，深入分析了不同方法的优缺点，并给出了适用范围。最后，展望了未来脑网络社区检测算法的主要发展方向，包括多被试网络社区检测问题、脑网络社区检测的鲁棒性问题以及面向多模态影像数据的脑网络社区检测算法研究等。可为今后脑网络社区结构研究提供方法学指导。

• 深度学习的二维动画视觉领域修复综述

  李雨航, 谢良彬, 董超

  传统二维动画是一种具有独特风格的影像作品，其制作方式和画面特征与现实场景的影像存在很大差异。传统二维动画通常需要逐帧绘制图片，并保存为位图。但是二维动画在存储、传输和播放过程中，可能会出现画质退化、分辨率不足、时序不连续等问题。随着深度学习技术的发展，基于深度学习的方法在动画修复领域得到了广泛应用。对基于深度学习的二维动画修复进行了全面总结。首先，调研了目前与动画相关的数据集，明确了深度学习在动画修复领域已有的数据支撑以及动画数据集建立的瓶颈。其次，通过调研和测试动画画质修复与动画视频插帧的深度学习算法，找出了目前动画修复的关键点与难点，介绍了一些针对动画画面特征设计的保证动画帧间一致性的方法，为动画视频的修复提供了思路。然后，通过分析现有图像质量评价方法对动画影像的有效性，找到能合理评价和指导动画修复结果的指标。最终，根据上述分析，阐明了动画相关修复任务中面临的挑战，并提出了未来深度学习在动画修复领域的发展方向。

• 图像对抗样本防御技术研究综述

  刘瑞祺, 李虎, 王东霞, 赵重阳, 李博宇

  人工智能的快速发展和广泛应用带来了新的安全性问题，针对深度神经网络的对抗样本生成与防御是其中的热点之一。深度神经网络在图像领域应用最广也最容易被图像对抗样本欺骗，针对图像对抗样本的防御技术研究是提升人工智能应用安全的重要手段。图像对抗样本的存在原因尚无统一解释，但可从不同维度加以观察与理解，从而为提出针对性的防御技术方法提供启示。对当前主流的盲区假说、线性假说、决策边界假说、特征假说等对抗样本存在原因假说，以及各种假说与典型对抗样本生成方法之间的关联关系进行了梳理分析。以此为基础，从基于模型和基于数据两个维度对图像对抗样本防御技术进行了总结归纳，对比分析了不同技术方法的适应场景与优缺点。现有的图像对抗样本防御技术方法大多针对具体的对抗样本生成方法进行防御，尚无统一的防御理论与方法。现实应用中需综合考虑具体的应用场景、潜在的安全风险等，在现有的防御技术方法中进行优化组合配置。后续可从泛化防御理论、防御效果评价、体系化防护策略等方面深化技术研究。

• 个性化新闻推荐方法研究综述

  孟祥福, 霍红锦, 张霄雁, 王琬淳, 朱金侠

  个性化新闻推荐是帮助用户获取其感兴趣的新闻信息和缓解信息过载的重要技术。近年来，随着信息技术和社会发展，个性化新闻推荐得到了日益广泛的研究，并在改善用户的新闻阅读体验方面取得了显著成功。对基于深度学习的个性化新闻推荐方法进行了系统性综述。首先，分类介绍了个性化新闻推荐方法并分析各自特点及影响因素；然后，给出了个性化新闻推荐的总体框架，并对基于深度学习的个性化新闻推荐方法进行了分析总结；在此基础上，重点综述了基于图结构学习的个性化新闻推荐方法，包括基于用户-新闻交互图、知识图谱和社交关系图的新闻推荐；最后，分析了当前个性化新闻推荐所面临的挑战，探讨了如何解决个性化新闻推荐系统中数据稀疏性、模型可解释性、推荐结果多样性和新闻隐私保护等问题，并在未来研究方向中展望了更具体可操作的研究思路和方法。

• 主题模型自动标记方法研究综述

  何东彬, 陶莎, 朱艳红, 任延昭, 褚云霞

  主题模型常用于非结构化语料库和离散数据建模，抽取隐含主题分布。由于主题发现结果采用词列表形式，理解其含义较为困难。尽管通过人工标记可生成更具解释性和易理解的主题标签，但成本巨大缺乏可行性，而自动主题标记的研究为解决该问题提供了方法和思路。首先对当前最为流行的狄利克雷分配主题模型进行阐述与分析，并根据主题标签三种不同表现形式，基于短语、摘要和图片，将主题标记方法分为三种类型；之后围绕提高主题的可解释性，以生成的不同类型主题标签为线索，对近年来的相关研究成果进行梳理、分析和总结，并对不同标签的适用情境和可用性进行探讨；同时根据不同方法的特点进一步分类，重点对基于词法、子模优化和图排序方法生成摘要主题标签进行定量和定性分析，从学习类型、使用技术和数据来源出发，对比不同方法的差异；最后对主题自动标记研究存在的问题和趋势发展进行讨论，基于深度学习、与情感分析结合并不断拓展主题标记应用的场景，将是未来发展的重点和方向。

• 自适应阈值约束的密度簇主干聚类算法

  张锦宏, 陈梅, 张弛

  针对现有聚类算法识别任意簇时精度不足、对簇内数据点密度变化敏感、对异常点敏感以及阈值取值难以确定等问题，提出了自适应阈值约束的密度簇主干聚类算法（DCBAT）。该算法首先结合偏度系数和数据点密度均值定义了数据点密度可达自适应阈值，在该阈值的约束下将具有较高局部密度和较高相对距离的核心点按密度可达性分组，进而得到初始簇主干。接着将非核心数据点归并到其密度较大的最近邻所在簇中，得到初始簇。最后结合簇内密度差均值和比例系数定义了密度差自适应阈值，在该阈值的约束下于簇内点密度变化剧烈处拆分初始簇，得到最终簇。DCBAT在充分考虑数据分布特点和内部结构特点的情况下进行聚类，从而提高了聚类性能。与五个优秀算法k-means、DBSCAN、OPTICS、CFDP和MulSim在八个不同维度、不同类型的数据集上的实验结果表明，DCBAT算法具有识别任意簇效果佳、对簇内点密度变化不敏感、对异常点不敏感、聚类结果精确且稳定等特点，综合性能优于对比算法。

• 融合联合反向学习与宿主切换机制的䲟鱼优化算法

  贾鹤鸣, 文昌盛, 吴迪, 饶洪华, 刘庆鑫, 力尚龙

  䲟鱼优化算法（ROA）是2021年提出的元启发式优化算法，其模拟了海洋中鱼寄生依附宿主、经验攻击和宿主觅食的行为。ROA的结构简单且易于实现，但全局性稍显不足，易导致算法收敛速度慢甚至后期难以收敛的现象。针对上述问题，在探索阶段加入宿主切换机制，引入新宿主白鲸，提高原算法的探索能力；同时加入联合反向学习策略，增强了算法跳出局部最优的能力，进一步提高了算法的综合优化性能。通过以上改进，提出了一种融合联合反向学习与宿主切换机制的?鱼优化算法（IROA）。为了验证IROA的性能与改进优势，将IROA与原始ROA、6种典型的原始算法以及4种关于ROA的改进算法进行对比。通过CEC2020标准测试函数的实验结果表明，IROA具有更强的寻优能力和更高的收敛精度；最后针对汽车防撞性设计问题的求解，进一步验证了IROA的优势和工程适用性。

• 角逐和信息素引导的多目标黑寡妇优化算法

  傅彦铭, 许励强, 祁康恒, 沈煜鸣, 屈迟文

  黑寡妇优化算法（BWOA）是一种群体智能优化算法，具有收敛速度快、收敛精度高等优点。但BWOA所采用的更新策略过于简单，容易陷入局部最优解；其次在多维空间中搜索能力欠缺，种群结构单一，算法的收敛性和多样性有待改善。为提高BWOA的综合性能，并使其能够应用于多目标优化问题，提出一种角逐机制和改进信息素机制引导的多目标黑寡妇优化算法（MBWOA）。MBWOA采用动态分配种群的方法，在迭代过程中将种群一分为二，分别使用不同的角逐机制，增强迭代过程中种群的多样性，提升算法的收敛性；同时，使用改进的信息素机制对经过角逐的子代个体进行更新，引导个体向种群间隙方向优化，改善种群的分布，增强算法的收敛能力。MBWOA与四个对比算法在IGD、HV、Spread三个指标上分别进行对比实验，结果表明MBWOA具有更好的收敛精度、收敛速度和多样性。最后，通过在三个指标上对MBWOA所用机制的对比实验，证实了所用机制的有效性。

• 面向层次结构数据的增量特征选择

  折延宏, 黄婉丽, 贺晓丽, 钱婷

  随着大数据时代的到来，数据样本量越来越多，维度越来越高，同时样本标签存在复杂的层次结构关系。采用包含策略，研究了基于依赖度的分层分类增量特征选择，解决了标签具有树结构且标签分布在任意节点的分层分类问题。首先，利用标签之间的层次结构，采用包含策略来缩小负样本空间。其次，使用模糊粗糙集理论，提出了一个基于包含策略的模糊粗糙集模型，设计了一个基于包含策略的依赖度计算算法和一个非增量特征选择算法。基于此，引入增量机制，提出了基于包含策略的依赖度增量更新方法，设计了两个基于两种策略的增量特征选择算法。最后，将此方法与基于兄弟策略的依赖度进行对比，通过实验验证了所提方法的可行性与高效性。

• 动态损失与加强特征融合的目标检测算法

  肇启明, 张涛, 孙俊

  目标检测是计算机视觉领域最火热的方向之一，为了进一步提升目标检测算法性能，解决目标检测算法在训练过程中位置损失函数存在的局限性，提出了基于交并比（IoU）的动态交并比损失函数（DYIoU Loss），充分考虑到了位置损失函数内部各组成部分之间的联系，可以在训练的不同阶段，动态给予位置损失组成部分不同的权重，以达到更有针对性地约束网络的目的，即让网络在训练的初期、中期和后期能够更符合目标检测任务的特性去优化不同部分。其次，为了解决目标检测网络在特征融合环节存在的不足，将可变形卷积应用到PAN结构当中，设计了一种可以即插即用的基于可变形卷积的DePAN Neck来提升模型对多尺度特征的融合能力，进而提升模型对小目标物体的检测效果。将上述方法应用到YOLOv6-N、YOLOv6-T、YOLOv6-S三个体量的YOLOv6模型上，在COCO2017数据集上设计了丰富实验，验证方法的有效性，平均精度（mAP）平均提升2.0个百分点。

• 结合Graph-FPN与稳健优化的开放世界目标检测

  谢斌红, 张鹏举, 张睿

  开放世界目标检测（OWOD）要求检测图像中所有已知和未知的目标类别，同时模型必须逐步学习新的类别以自适应更新知识。针对ORE方法存在的未知目标召回率低以及增量学习的灾难性遗忘等问题，提出一种基于图特征金字塔的稳健优化开放世界目标检测方法（GARO-ORE）。首先，利用Graph-FPN中的超像素图像结构以及上下文层和层次层的分层设计，获取丰富的语义信息并帮助模型准确定位未知目标；之后，利用稳健优化方法对不确定性综合考量，提出了基于平坦极小值的基类学习策略，极大限度地保证模型在学习新类别的同时避免遗忘先前学习到的类别知识；最后，采用基于知识迁移的新增类别权值初始化方法提高模型对新类别的适应性。在OWOD数据集上的实验结果表明，GARO-ORE在未知类别召回率上取得较优的检测结果，在10+10、15+5、19+1三种增量目标检测（iOD）任务中，其mAP指标分别提升了1.38、1.42和1.44个百分点。可以看出，GARO-ORE能够较好地提高未知目标检测的召回率，并且在有效缓解旧任务灾难性遗忘问题的同时促进后续任务的学习。

• 基于两阶段计算Transformer的小目标检测

  徐守坤, 顾佳楠, 庄丽华, 李宁, 石林, 刘毅

  目前，小目标检测任务虽取得了长足发展，但仍存在诸多问题。如，小目标场景往往因为目标自身信息量过少导致目标特征提取难，容易丢失小目标原本的特征信息使得检测效果不佳。为了解决此问题，提出了一种基于两阶段计算Transformer（TCT）的小目标检测网络。首先，在主干特征提取网络中加入两阶段计算Transformer用于特征增强，在传统单阶段计算Transformer值基础上，使用多个一维空洞卷积层分支以不同的特征融合方式获得全局自注意力特征权重，提高特征表达能力与信息交互能力。其次，提出高效的残差连接模块，改进现有的CSPLayer层中低效的卷积层与激活层，有利于促进信息流的交互，学习更丰富的上下文细节特征。最后，提出特征融合与精炼方法以融合多尺度特征，提升目标特征表征能力。通过在PASCAL VOC2007+2012数据集、COCO2017数据集和TinyPerson数据集上进行多个定量与定性实验发现，相较于YOLOX算法，所提算法在小目标检测上具有更强的目标特征提取能力和更高的检测精度。

• 三维坐标注意力路径聚合网络的目标检测算法

  涂小妹, 包晓安, 吴彪, 金瑜婷, 张庆琪

  针对YOLO系列算法在实际工业应用中存在对目标预测框定位不够准确，难以适用于对定位要求较高的现实场景的问题，提出了三维坐标注意力路径聚合网络的目标检测算法YOLO-T。首先，采用短连接方式对路径聚合特征金字塔的跨层特征进行融合，保留其浅层语义信息；其次，基于坐标注意力机制提出了三维坐标注意力（TDCA）模型，利用该模型对路径聚合特征金字塔内的特征进行注意力加权（TPA-FPN），保留有用信息和去除冗余信息；然后，改进了标签分配策略中简单最优传输分配（SimOTA）的损失矩阵计算方法，在保证不损失效率的同时增强了性能；最后，利用Depthwise Separable Conv改进了主干特征提取网络中的卷积模块使模型轻量化。实验结果表明：该算法在PASCAL VOC2007+2012数据集上，检测准确率mAP@0.50比YOLOX-S提高了1.3个百分点，mAP@0.50：0.95提高了3.8个百分点；在COCO2017数据集上平均检测精度mAP@0.50：0.95提高了2.4个百分点。

• 噪声知识图谱表示学习：一种规则增强的方法

  邵天阳, 肖卫东, 赵翔

  知识图谱用于存储结构化事实，这些事实以三元组的形式表示，即（头实体，关系，尾实体）。当前大规模知识图谱的构建通常采用（半）自动化的方法进行知识抽取，过程中不可避免地会引入噪声，这可能会影响知识表示的效果。然而，多数传统表示学习方法假设知识图谱中的三元组都是正确的，并据此对知识进行分布式表示。因此，对知识图谱进行噪声检测是一项至关重要的工作。此外，知识图谱的不完整问题也备受人们关注。对以上问题进行了研究，提出了一种逻辑规则和关系路径信息相结合的知识表示学习框架，它在检测可能存在的噪声的同时，还能生成无噪的知识表示，实现相互辅助增强的效果。具体而言，该框架分为三元组嵌入模块和三元组可信度估计模块。在三元组嵌入模块中，在三元组结构信息的基础上引入关系路径信息和逻辑规则信息以构造更为完善的知识表示，其中后者用于增强关系路径推理的能力和表示学习的可解释性；在三元组可信度估计模块中，进一步利用三种信息对三元组进行可信度判断以检测可能存在的噪声。在三个公开评测数据集上进行了实验验证，结果表明，与所有的基线方法相比，该模型在知识图谱噪声检测和知识补全等任务上均取得了显著的性能提升。

• 片段级别的双编码器方面情感三元组抽取模型

  张韵琪, 李松达, 兰于权, 李东旭, 赵慧

  方面情感三元组抽取（ASTE）是方面级情感分析的子任务之一，旨在识别出句子中所有的方面词及其对应的观点词和情感极性。目前，ASTE任务通过流水线模型或端到端模型完成，前者无法解决三元组方面词重叠问题，且忽视了观点词和情感极性之间的依赖关系；后者将ASTE任务分解为方面词和观点词抽取子任务以及情感极性分类子任务，通过共享编码器进行多任务学习，未区分两个子任务的特征差异，导致特征混淆问题。针对上述问题，提出了片段级别的双编码器方面情感三元组抽取模型（SD-ASTE）。该模型是流水线模型，分为两个模块。第一个模块基于片段抽取方面词和观点词，在片段特征表示中融入片段首尾和长度信息，关注方面词和观点词的边界信息；第二个模块判断方面词-观点词片段对表达的情感极性，采用基于悬浮标记的片段对特征表示方式，侧重于学习三元组各元素之间的依赖关系。模型利用两个独立编码器，分别为两模块提取不同的特征信息。多个数据集上的对比实验结果表明，该模型相较于目前最优的流水线模型和端到端模型具有更优的效果。通过有效性实验，验证了片段特征表示和片段对特征表示以及两个独立编码器的有效性。

• 不确定域特征表示的鲁棒性情感分析模型

  陈洁, 李帅, 赵姝, 张燕平

  文本数据在情感分类时往往会出现一些较难分类的模糊数据，这些模糊数据因其不确定性在模型训练时易出现过拟合现象，影响模型的鲁棒性。三支决策理论将初始样本划分为确定域和不确定域，模糊数据所在的不确定域如何选取合适特征表示以便下游任务，是目前三支决策情感分析模型面临的挑战。针对此挑战，提出一个基于三支决策不确定域特征表示的鲁棒性情感分析模型（UFR-SA）。首先，基于三支决策理论划分确定域和不确定域，针对不确定域中的模糊样本，定义异类样本点对，构造多粒度特征表示。其次，设计多特征融合模型，将多粒度特征表示送入多层感知网络，以融合各粒度特征优势。最后，对于确定域和不确定域的测试样本采用分而治之的策略，确定域数据用原始特征表示，不确定域中的模糊数据用融合后的鲁棒性特征表示。在SST-2、SST-5以及CR数据集上的实验结果表明，UFR-SA有效降低了模糊数据对模型的干扰，优于目前最好的模型性能。

• 类别平衡调制的人脸表情识别

  刘成广, 王善敏, 刘青山

  人脸表情识别（FER）旨在从人脸图片中判断表情的类别，在心理诊断、人机交互等领域有着广泛的应用前景。在实际任务中，不同表情数据的分布往往是不平衡的。数据的不平衡导致了各表情的特征分布不平衡和分类器优化不平衡，从而影响了表情识别模型的性能。为此，提出了一种类别平衡调制的人脸表情识别方法（CBM-Net），分别在特征学习阶段和分类器优化阶段对模型进行类别平衡调制。CBM-Net包括特征调制和梯度调制两个模块。特征调制模块通过在特征方向上增加类间的可分性与类内的紧密性，实现各类别的特征分布平衡。梯度调制模块利用批次训练样本的统计信息对各分类器的优化梯度进行反向调节，确保各类别的分类器收敛速度一致，使得各分类器性能同时达到最优。在四个流行的数据集上进行的定性和定量实验表明，CBM-Net在人脸表情识别的类别平衡调制上是有效的，与一众先进方法相比，效果也相当良好。

• 多尺度全局自适应注意力图神经网络

  苟茹茹, 杨文柱, 罗梓菲, 原云峰

  针对动态多尺度图神经网络的编解码网络中存在的身体部位内部关节点间关联度不高和感受野受限制导致运动预测误差偏高的问题，提出了一种用于人体运动预测的多尺度全局自适应注意力图神经网络，降低运动预测误差。提出了一种划分骨架关节点的多距离分区策略，用于提高身体部位关节点信息在时间和空间上的关联程度；提出了全局自适应注意力时空卷积神经网络，以动态地加强网络对某一动作有贡献的时空关节点的关注度；将上述两处改进集成到图卷积神经网络门控循环单元中，以增强解码网络的状态传播性能，并降低预测误差。实验表明，与最新方法相比，该方法在Human 3.6M、CMU Mocap和3DPW数据集上的预测误差都有所下降。

• 超参数优化对跨版本缺陷预测影响的实证研究

  韩惠, 于巧, 祝义

  在机器学习领域，超参数是影响模型性能的关键因素之一。已有研究表明，超参数优化能够显著提升版本内缺陷预测和跨项目缺陷预测性能，而对跨版本缺陷预测性能的影响尚不明确。选取五种经典缺陷预测模型（决策树、K-近邻、随机森林、支持向量机和多层感知机）以及四种常用超参数优化算法（基于TPE的贝叶斯优化、基于SMAC的贝叶斯优化、随机搜索和模拟退火），在PROMISE数据集上进行实验，探究超参数优化对跨版本缺陷预测性能的影响。研究结果表明：决策树、K-近邻和多层感知机模型超参数优化后，跨版本缺陷预测AUC值得到显著提升；超参数优化后的模型仍保持与默认超参数设置下相当的稳定性；除了较为复杂的多层感知机模型，其余模型超参数优化的时间平均为1~2 min，在跨版本缺陷预测实验中优化模型超参数是可行的。上述结果表明，跨版本缺陷预测应考虑优化模型超参数以提升预测性能。