计算机科学与探索杂志

计算机科学与探索杂志2025年第3期

• 视频多模态情感分析关键技术研究综述

  段宗涛, 黄俊臣, 朱晓乐

  情感分析是自动判定观点持有者所表现的态度或情绪倾向性的过程，其在商业、社交媒体分析和舆情监测等领域得到了广泛应用。在单一模态情感分析中，多数研究者使用文本、面部表情和音频信息来进行分析。然而，随着深度学习技术的快速发展，情感分析逐渐从单一模态扩展至多模态领域，综合多种模态，能够克服单一模态存在的局限性并更加准确和全面地理解人们所表达的情感。以三种单模态情感分析为基础对多模态情感分析中的关键技术进行了综述。简要介绍了多模态情感分析的背景和目前的研究现状；总结了常用的相关数据集；分别对基于文本、面部表情和音频信息的单模态情感分析进行了简要叙述；重点梳理了视频多模态情感分析中的关键技术，如多模态融合、对齐和模态噪声处理，并对这些技术的关系与应用进行了详细分析；对不同模型在三种常用数据集上的性能指标进行了分析，进一步验证了关键技术的有效性。讨论了多模态情感分析现存问题和未来的发展趋势。

• 机器学习在社交媒体用户自杀意念检测中的应用综述

  蒙秀扬, 王世屹, 李渡渡, 王春玲

  近年来，社交媒体平台成为人类发布情感甚至是自杀意念、企图和行为的崭新阵地，并且成为自杀意念检测的重要数据平台和关键评估依据。随着人工智能技术的兴起，关于机器学习在社交媒体用户自杀意念检测中的应用研究成为热点。但在国内，该领域相关研究较为匮乏，尚未形成完整体系。为系统梳理其研究现状及发展脉络，对机器学习技术赋能自杀意念检测的研究进行了全面总结。概述了自杀意念检测的定义、流程、常见方法及评价指标，总结了目前自杀意念检测任务中常用的数据集和现有特征工程及其技术。分别从传统的机器学习和深度学习的角度对自杀意念检测进行了系统总结，对比分析了每种方法的关键技术、核心思想及优缺点。归纳了当前该领域中亟待解决的问题及创新解决方法，特别介绍了ChatGPT等大语言模型、多模态模型在该领域的应用。讨论了机器学习在社交媒体自杀意念检测应用研究中的局限性，并提出了未来的研究方向，以期进一步推动形成数据驱动、人机协同、跨学科融合、跨文化畛域的数智化自杀意念检测新范式。

• 多元时间序列聚类算法综述

  郑德生, 孙涵明, 王立远, 段垚鑫, 李晓瑜

  多元时间序列（MTS）作为众多领域智能化技术的关键数据依据，其随时间推移记录了系统中多个变量的状态变化。聚类技术作为一个数据挖掘核心工具可以将数据按照其结构相似性划分为不同的簇，通过识别数据的结构和内在关系挖掘系统发展规律和变量相关关系。面对多元时间序列数据结构的复杂性、变量之间的关联性以及数据高维性等为聚类分析带来的挑战，国内外已经开展了大量相关研究工作。鉴于此，对多元时间序列数据场景下的聚类分析算法进行综述。基于特征提取方式、相似性度量算法、聚类划分框架等分类标准，对现有多元时间序列聚类算法进行对比分析。对于每一类多元时间序列聚类技术，从算法原理、代表性方法、算法优缺点以及解决的问题等方面进行详细总结与剖析。进一步讨论了常用的评价标准，以及多元时间序列聚类相关公开数据集。从多变量时序数据结构特殊性出发对现有多元时间序列聚类存在的挑战及未来发展方向进行了总结与展望。

• 深度学习方法在风电功率预测中的应用与研究方向概述

  刘谭, 刘娜, 刘贵平, 刘坤杰, 刘敏, 庄旭菲, 张中豪

  随着全球对可再生能源需求的增加，风电作为清洁可再生能源的重要组成部分，其功率的准确预测对于电力系统的稳定运行和能源的高效利用至关重要。近年来，深度学习方法在风功率预测领域展现出显著的优势，通过构建复杂的非线性模型，深度学习模型能够有效地捕捉风功率数据的内在规律和变化趋势。从风电功率预测的分类、实现一般思路和评估方法概述了风电功率预测的研究对象和目标。综述了深度学习技术在风功率预测中的应用，在对深度学习技术做出细致的划分的基础上，重点分析了基于空间结构的深度学习模型和基于时间的深度学习模型及其相关变体模型所克服的问题和性能表现，并对所提模型方法存在的局限性及对应解决方法进行总结。从数据处理、参数优化算法和风电功率预测模型优化方法三个方面概述了基于深度学习风电功率预测的研究进展。对未来风电功率预测的发展方向进行了展望。

• 基于深度学习的轨迹相似性度量方法研究综述

  孟祥福, 师光启, 张霄雁, 冷强奎, 方金凤

  移动通信和传感设备技术的发展与应用，产生了大量轨迹数据，这些数据呈现出高维异构性、多粒度性和不确定性等特征，这使得传统基于点对匹配的轨迹相似性度量方法难以适用。近年来，研究者将深度学习技术用于轨迹相似性度量，旨在挖掘更多轨迹特征，提高计算效率，增强模型鲁棒性。对近年来基于深度学习的轨迹相似性度量方法进行系统性综述。阐述轨迹的相关定义；根据相似性度量方法分类框架，从度量表示形式（即序列表示与图表示）和学习策略（即表示学习、度量学习与对比学习）两个角度综述相关方法。从轨迹数据预处理、嵌入表示学习和相似性度量三个方面，对上述方法的实现原理及其特点进行详细对比分析；阐述了基于深度学习的轨迹相似性度量方法的常用数据集和评估指标，并对学习模型的来源、评估指标、时间复杂度和应用场景进行了归纳总结。分析了当前轨迹相似性度量方法所面临的挑战并对未来研究方向进行了展望。

• 基于Kolmogorov-Arnold网络的节点分类算法

  袁立宁, 冯文刚, 刘钊

  多数图深度学习模型通过可学习权重加固定激活函数的方式提取图数据的特征信息，采用不同激活函数时对模型性能有较为显著的影响。针对上述问题，提出了一种基于Kolmogorov-Arnold网络（KAN）的全连接神经网络模型G-KAN，无需特定的激活函数和显式的节点信息传递策略，通过KAN动态学习激活函数，并引入节点相似度引导的对比损失隐式提取原始图特征信息。G-KAN通过线性层将图数据映射到特征空间，通过KAN层提取输入数据中的潜在特征，通过线性层和Softmax函数将KAN层的输出映射为节点标签的概率分布，并引入对比损失对KAN层的输出进行优化，推动高相似度节点彼此接近、低相似度节点彼此远离。在节点分类任务中，G-KAN优于当前较为先进的基线模型，特别是在BlogCatalog数据集上，G-KAN的Micro-F1和Macro-F1相较图卷积网络（GCN）提高了50.42和52.84个百分点。在激活函数对比实验中，引入KAN的方法不仅优于采用不同激活函数的变体，对不同数据集的泛化能力也更强。上述实验结果表明，G-KAN采用的可学习激活函数策略能够提高全连接神经网络的表征能力，使生成的低维节点表示具有更高的区分性。

• 求解旅行商问题的GCN-Pointransformer模型

  邱云飞, 刘一菲, 于智龙, 金海波

  由于Transformer模型基于全连接注意力机制，导致在求解经典旅行商问题（TSP）时，计算复杂度较高并且GPU内存使用量过大。针对此问题，提出了一种基于图卷积嵌入层和多头局部自注意力机制的GCN-Pointransformer模型。使用图卷积嵌入方式从输入数据中进行空间特征学习，图卷积嵌入层包含多个可以提取输入数据局部特征的卷积核；使用多头局部自注意力机制（MHLSA），删除冗余信息并提取有用的特征；在编码器中使用可逆残差网络，在反向传播过程中只存储输入和输出嵌入特征对；模型在解码器中增加了Pointer指针层，使用注意力权重作为概率分布，确定要访问的下一个节点。在TSP随机数据集上进行对比实验，优化间隙减少12%，GPU内存减少约11%，推理时间减少约25%，结果表明，该方法优于求解TSP的标准Transformer模型。

• 基于随机采样的方差缩减优化算法

  郭振华, 闫瑞栋, 邱志勇, 赵雅倩, 李仁刚

  随机梯度下降（SGD）算法因其性能优异而引起了机器学习和深度学习等领域研究人员的广泛关注。然而，SGD使用单样本随机梯度近似样本全梯度导致算法在迭代过程中引入了额外的方差，使得算法的收敛曲线震荡甚至发散，导致其收敛速率缓慢。因此，有效减小方差成为当前关键挑战。提出了一种基于小批量随机采样的方差缩减优化算法（DM-SRG），并应用于求解凸优化及非凸优化问题。算法主要特征在于设计了内外双循环结构：外循环结构采用小批量随机样本计算梯度近似全梯度，以达到减少梯度计算开销的目的；内循环结构采用小批量随机样本计算梯度并代替单样本随机梯度，提升算法收敛稳定性。针对非凸目标函数与凸目标函数，理论分析证明了DM-SRG算法具有次线性收敛速率。此外，设计了基于计算单元性能评估模型的动态样本容量调整策略，以提高系统训练效率。为评估算法的有效性，分别在不同规模的真实数据集上开展了数值模拟实验。实验结果表明算法较对比算法损失函数减少18.1%并且平均耗时降低8.22%。

• 改进YOLOv8s-Pose多人姿态估计轻量化模型研究

  傅裕, 高树辉

  针对现有人体姿态估计模型计算量大、检测速度慢等问题，提出了一种基于YOLOv8s-Pose模型的轻量化改进算法。在backbone中引入轻量化模块C2f-GhostNetBottleNeckV2替换原先C2f，减少参数量，提高模型速度。引入Non_Local注意力机制捕捉并传递人体关键点位置，直接融合全面的信息，为后续的层级提供更为丰富和深入的语义信息，提升整体的信息处理深度和广度，强化特征提取的效能，减少模型轻量化后精度降低问题，再将neck层引入加权双向特征金字塔网络，通过双向融合的理念，对自顶向下和自底向上的信息流动路径进行了重新规划，确保在处理不同尺度的特征信息时达到良好的平衡，给网络增加一个小目标检测头，减少对小目标的漏检情况，将CIOU损失函数更换为Focal-EIOU损失函数，以增强对复杂场景和多目标场景下的鲁棒性。实验结果表明，改进后的实验模型参数量降低了9.3%，在COCO2017人体关键点数据集上，与原模型相比mAP@0.50提升了0.4个百分点，mAP@0.50:0.95提升了0.6个百分点。可见，所提出的轻量化改进算法在减少模型参数量的同时，提升了人体姿态估计的算法精度，尤其对小目标检测有显著改善，为实现实时准确的姿态估计提供了有效手段。

• 基于强化特征金字塔和聚焦损失的小目标检测

  施宇, 王乐, 姚叶鹏, 毛国君

  无人机航拍图像具有目标尺度小和背景复杂等特点，因此直接对这类图像使用通用目标检测方法很难获得理想的识别精度。基于YOLOv8，提出一种强化特征金字塔和聚焦损失的小目标检测模型CFE-YOLO。设计一种跨层级强化特征金字塔网络，以跨层级的方式融合注意力特征图来改进传统特征金字塔结构，通过增加浅层网络的高分辨率特征图和去除深层检测头来适应小目标检测需求。结合Complete-IOU和Focal loss损失函数思想，设计了一个基于面积交并比的聚焦损失函数，进一步提升小目标的检测能力。通过引入深度可分离卷积实现一个轻量化空间金字塔池化层模块，在减少参数量的同时保持模型的检测精度。在VisDrone和Tinyperson两个无人机航拍数据集上进行的大量实验显示，CFE-YOLO较基准模型的mAP0.50分别提高了4.72和5.58个百分点且参数量减少37.74%，同时与其他先进算法对比也取得更高的精度。

• 单幅图像去雨的三阶段通道分割密集融合网络

  张书婷, 王长月, 王长忠, 冷强奎

  单幅图像的雨纹去除是图像处理中的一个挑战。一种有效的单幅图像去雨算法可以显著提高恶劣天气条件下的图像质量。现有的去雨算法往往参数较多，并且随着网络层数的不断增加，图像特征的提取出现冗余，严重影响去雨的效果以及背景的细节信息。因此，提出了一种三阶段通道分割密集融合网络（TCSDFNet）以获得更好的去雨性能。在网络中采用多个通道分割模块（CSB）进行密集特征融合，来聚集雨纹的高、低级别特征。CSB采用通道分割操作将雨天图像分割成多个通道，根据不同层次的特征应用不同的雨纹去除方法，减少冗余特征和网络参数，提高模型的表现能力和计算效率。同时提出了一种残差双注意模块（RDAB），将它应用在通道分割之后，保证雨纹被去除时背景图像不被破坏或模糊。由于雨纹之间存在较强的相关性，网络采取三阶段的学习策略，以便更好地捕捉雨纹在图像中的分布。TCSDFNet将去雨网络中的参数数量大大减少，更全面地提取了不同层次的雨纹特征，并在更大程度上减少背景图像细节的丢失。在合成数据集和真实数据集上的大量实验表明，所提出的网络实现了良好的去雨效果。

• 基于标签感知变分自编码器的多标签分类

  孙宏健, 徐鹏宇, 刘冰, 景丽萍, 于剑

  随着互联网的兴起，各式各样的数据急速增长，如何高效地利用这些样本数据成为数据挖掘领域的重要问题。多标签分类任务作为机器学习与数据挖掘领域的重要任务，旨在为样本标注多个标签类别。目前的方法大多仅对特征分支进行嵌入表示学习，并未考虑到特征和标签之间的语义关联性，缺乏对特征嵌入空间的有效约束，从而导致学习到的特征嵌入针对性不足。在标签相关性学习方面，现有的大多数方法主要关注低阶标签相关性，在面对复杂的实际标签场景时，多个标签之间的高阶相关性学习不足的问题变得更为突出。为解决上述问题，从嵌入表示学习和标签相关性学习出发，提出了一种基于标签感知变分自编码器的多标签分类方法。针对嵌入表示学习，提出使用特征和标签双流变分自编码器同时学习和对齐特征和标签的嵌入空间，对特征嵌入空间添加标签引导来增强特征嵌入。采用基于标签语义的交叉注意力机制，将特定标签信息加入到特征嵌入中，最终获得标签感知后的判别性特征嵌入。针对标签相关性学习，采用共享解码器中的多层自注意力机制，充分融合多个标签的相似性信息，通过不同标签间的共现交互，学习到标签高阶相关性表示并用于交叉感知特征嵌入。在四个不同领域的数据集上得到的实验结果表明，提出的方法能够有效增强特征和标签嵌入，并充分捕获标签之间高阶相关性信息用于多标签分类任务，通过与多个最先进算法在多个评价指标上进行比较分析，验证了提出的方法在性能上的显著优越性。

• 多级融合知识图谱补全模型

  叶志鸿, 吴运兵, 戴思翀, 曾智宏

  知识图谱补全旨在通过预测缺失的三元组来扩展和完善知识图谱，多模态知识图谱补全融合了实体的本体信息，如实体描述、实体图像和实体属性，以获取更精确的实体表示。现有研究将不同模态投影到统一的空间中，以获取实体模态联合表示，再融合知识图谱结构信息作出预测。然而，现存方法融合多模态信息时难以捕捉实体背景知识的复杂交互，不可避免地存在信息丢失和特征提取能力不足的问题；同时过拟合及实体关系交互不足限制了二维卷积模型性能，导致难以融合知识图谱结构信息。因此，提出了多级融合知识图谱补全模型，从实体多模态信息融合与知识图谱结构信息融合两方面解决上述问题。为充分融合实体多模态信息，提出同时使用三种不同融合方法，以全面捕捉实体背景知识交互，并联合决策学习，旨在结合不同多模态融合方法提供的互补信息，以获取实体丰富多样的表示；为充分融合知识图谱结构信息，利用特征泛化来缓解二维卷积模型的过拟合问题，并结合特征重塑增强实体与关系间交互，以提升实体与关系间的上下文感知能力。实验结果表明，该模型在多个公开数据集上均取得较好性能。

• 基于增强句法信息与多特征图卷积融合的方面级情感分析

  田继帅, 艾芳菊

  方面级情感分析作为情感计算领域的重要任务，旨在识别文本中关于特定方面的情感倾向。为了提高在这一任务中的性能，提出了一种增强句法信息与多特征图卷积融合的网络模型（ESMFGCN），利用依赖树表示句子中单词之间的语法结构关系，由于单纯地使用依赖树方法在建模时会引发不相关的噪声问题，引入了短语结构树，并将短语树转化为层级短语矩阵，并将由依赖树构造的邻接矩阵和层级短语矩阵合并作为图卷积网络的初始矩阵，用于增强句法信息。为了更精细地捕捉方面词与整个句子之间的关联，引入了注意力机制，对方面词上下文和整个句子建立更为精细的关联，并通过图卷积网络提取语义信息。设计融合层用于融合语义信息与句法信息，从而提高方面级情感分析的准确性和鲁棒性。在Restaurant、Laptop、Twitter数据集上分别设计对比实验、消融实验和敏感性分析实验，实验结果表明，相较于其他研究方法，该方法取得了显著的性能提升，证明了模型的有效性和优越性。

• 多层级用户兴趣与多意图融合的下一篮推荐算法

  魏楚元, 袁保杰, 王昌栋

  下一篮推荐旨在根据用户历史交互的篮子序列，为用户推荐下一篮可能感兴趣的商品。针对现有下一篮推荐算法未能较好解离篮子内的多意图以及仅从单一层面考虑用户的兴趣或意图，导致推荐效果受限等问题，提出了一种多层级用户兴趣与多意图融合的下一篮推荐模型（MLIMI），从多个层级分别考虑用户兴趣与多意图，构建全局级的用户-项目交互图。考虑到用户行为会随时间发生变化，设计一种长短期时间衰减权重平衡交互项的重要性，通过图卷积网络学习用户的动态兴趣；构建局部级篮子-项目图，通过图解离网络学习解离化的篮子内多意图，随后通过一个多头自注意力层对多意图进行编码，得到最终的意图表示。设计一个跨层级的对比学习范式，结合来自不同层级的项目表示，以增强不同层级项目之间的语义信息。在预测层中融合来自不同层级的用户兴趣和意图，进行下一篮预测。在两个公共基准数据集TaFeng和Dunnhumby上与MITGNN、TAIW、MINN等主流模型进行了对比实验，结果表明MLIMI的性能优于当前许多基线模型。

• 基于离散扩散模型的序列到序列文本生成方法

  蒋航, 蔡国永, 李思慧

  扩散语言模型是目前非自回归模型中最具潜力的语言模型，有望取代饱受推理速度缓慢问题拖累的自回归语言模型，实现高效且无损于质量的文本生成。文本摘要生成、机器翻译、对话生成等序列到序列的生成任务是扩散语言模型经常遇到的实际应用场景，如何更好更快地实现序列到序列的文本生成一直是自然语言处理领域的研究重点。为了实现上述目标，通过推导离散扩散模型训练目标的上界简化了扩散模型的训练过程，随后引入并改造了条件掩码语言模型的遮掩-预测解码策略作为扩散模型的推理算法，提升了模型的生成质量。为了进一步提升离散扩散模型在推理的前几轮生成文本的质量，还提出了正弦噪音调度，相比于原来的线性噪音调度，时间步中高噪音区间变得更大了，模型将更专注于学习如何从高噪音数据中恢复数据，从而提升在推理的前几轮中生成文本的质量。受到课程学习策略的启发，设计了新的时间步采样分布，通过操纵时间步的采样实现由易到难的学习。在公开数据集上的实验表明，提出的方法能有效提升模型的性能，在WMT16 EN-RO数据集上，扩散模型仅用自回归基线一半的推理时间，就能推理出相同生成质量的文本。

• 面向序列推荐的深度化指数移动平均学习方法

  温雯, 胡智鑫, 郝志峰

  序列推荐是对用户历史交互序列进行建模，以预测用户所偏好的下一项目的推荐范式。由于用户交互历史的多样性和复杂性，交互序列常包含嘈杂和不相关的噪声项，从而影响模型捕捉稳定的序列模式；同时，交互序列中存在多样的序列信号，如趋势信号、语义信号和残差信号等，依赖单一模式进行建模无法得到精确的表达。针对上述两个问题，提出了一种基于深度化指数移动平均的序列推荐模型（DeepEMA）。为了解决用户交互序列中的噪音问题，DeepEMA使用时间序列领域的指数移动平均法对序列进行平滑处理，过滤噪音并初步提取序列趋势；为了捕捉交互序列中复杂多样的序列信号，DeepEMA通过包括序列趋势模块、维度语义模块及残差提取模块在内的多模块架构，分别建模序列的趋势信号、维度的语义信号以及残差信号。在四个公开的数据集上进行了验证，实验结果表明，该模型的推荐准确性在命中率（HR）和归一化折损累计增益（NDCG）指标上均优于最先进的基线算法。在HR@5指标上，比最先进的基线平均提高了5.67%；在NDCG@5指标上，比最先进的基线平均提高了4.88%。序列的噪音问题得到了明显改善，消融实验也验证了各模块的有效性。

• 融合语义与属性特征的跨架构漏洞检测

  李坤, 李斌, 朱文静, 周清雷

  二进制漏洞检测在程序安全领域有着重要的作用，为应对大规模的漏洞检测任务，越来越多的神经网络技术被应用到跨架构漏洞检测中，这些技术显著提高了漏洞检测的准确率，但是现有方法仍然面临提取到的信息单一、不能进行跨架构漏洞检测等问题。提出了一种融合语义与属性特征的跨架构漏洞检测方法。使用二进制函数的汇编代码和属性控制流图作为输入，提取基本块中所有汇编代码的语义信息，将基本块级的语义信息与属性特征信息进行特征融合，生成139维的基本块级向量表示，以此来更全面地表示函数的语义和属性信息。使用基于卷积神经网络的孪生网络模型生成函数级的嵌入向量，以此来提取不同基本块中不同空间层次结构的特征并减少神经网络的参数量，通过计算函数级嵌入向量的距离来判断待检测的两个二进制函数是否相似。在进行跨架构漏洞检测时，只需要输入二进制文件中的函数和已知漏洞函数的汇编代码和属性控制流图即可完成漏洞检测。实验结果表明，该方法检测的准确率为95.64%，AUC（area under curve）值为0.9969，与现有方法相比，准确率可以提升0.26~7.04个百分点，AUC可以提升0.11~1.59个百分点，在真实环境的漏洞检测中表现优异。

• 基于Huffman编码的移动终端本地差分隐私位置保护

  晏燕, 吕雅琴, 李飞飞

  移动终端的位置信息与个人隐私紧密相连，一旦泄露可能威胁用户的生命和财产安全。本地化差分隐私模型提供了严格的隐私保护效果，允许用户根据个人需求处理和保护敏感信息，避免了对第三方服务器的依赖。针对现有本地化差分隐私位置保护方法用户端灵活性差、扰动位置质量损失严重等问题，提出了一种基于Huffman编码的移动终端本地差分隐私位置保护方法。移动用户根据个性化隐私需求提交位置隐私保护范围，服务器端按需进行位置编码并返回给用户。用户端选择所在区域的Huffman编码，并对其进行本地化差分隐私扰动以实现对原始位置的隐私保护。服务器端通过对接收的扰动位置进行解码来判断用户所处的区域，并据此提供基于位置的服务（location-based services，LBS）。在实际位置数据集合上的实验证明，所提方法能够在实现用户位置本地化差分隐私保护的基础上，提供更好的位置数据可用性和运行效率。

• 融合静态分析警告的软件缺陷预测模型及其应用研究

  吴海涛, 马景悦, 高建华

  静态分析警告作为一种重要的软件质量指标，被广泛用于识别源代码中潜在的违规问题。近期的研究表明，静态分析警告在代码异味检测和即时缺陷预测中有所应用，但有关项目早期缺少提交修改记录的情况没有涉及。针对上述问题，利用三种流行的静态分析工具的警告信息，在原有的缺陷预测模型中融合静态分析警告这个新的度量，构建一个涵盖软件开发和代码可维护性的缺陷预测模型，并探究静态分析警告与缺陷的潜在关系，融合警告对软件缺陷预测模型性能的影响以及在跨项目场景中的影响。实验结果表明，警告数量往往与缺陷分布密切相关，呈现正相关的关系，即警告这一度量在软件缺陷预测模型中有相当大的潜力，并且在有缺陷数据中报告的警告信息往往与编码规范相关；融合警告之后，缺陷预测模型在各项目上的平均精度提高1.4%~14.7%，平均召回率提高0.2%~2.4%，平均F1提高0.3%~3.0%，平均AUC提高0.2%~1.4%。在跨项目场景中，CODE+SAW_VIF度量提供了最佳性能的缺陷预测模型，融合静态分析警告能够提升模型识别缺陷的性能。