计算机科学与探索杂志

计算机科学与探索杂志2025年第4期

• 神经网络轻量化综述

  段宇晨, 方振宇, 郑江滨

  随着深度学习技术的不断进步，人工神经网络模型在图像识别、自然语言处理、自动驾驶等多个领域都展现出了前所未有的性能。这些模型通常具有数百万甚至数十亿个参数，通过大量的训练数据学习到复杂的特征表示。然而，在资源受限的环境下，如移动设备、嵌入式系统等边缘计算场景，模型的功耗、内存占用和计算效率等因素限制了大型神经网络模型的应用。为了解决该问题，研究人员提出了多种模型压缩技术，例如剪枝、蒸馏、神经网络搜索（NAS）、量化、低秩分解等，旨在减少模型的参数量、计算复杂度和存储需求，同时尽可能保持模型的精准度。系统介绍了这些模型压缩方法的发展过程，重点分析每种方法的主要原理和关键技术。主要包括剪枝技术的不同策略，如结构化剪枝和非结构化剪枝；知识蒸馏中如何定义知识；NAS中的搜索空间，搜索算法和网络性能评估；量化中的训练后量化和训练中量化；以及低秩分解中的奇异值分解和张量分解。对模型压缩技术的未来发展方向做出讨论。

• 智能合约漏洞检测与修复研究综述

  刘哲旭, 李雷孝, 刘东江, 杜金泽, 林浩, 史建平

  智能合约是区块链的关键技术之一，它不依赖第三方权威机构，能够直接为用户双方提供可信的定制化服务，是区块链2.0的重要标志。随着智能合约应用范围的不断扩大，保障其安全可靠运行成为区块链安全领域的迫切问题。提出智能合约漏洞检测与修复研究框架，分别从漏洞数据集、机器学习方法、漏洞修复技术和补丁部署策略这4个方面分析总结现有智能合约漏洞检测与修复研究进展。对基于机器学习的智能合约漏洞检测方法进行研究，对比总结了8种智能合约漏洞类型、15个开源数据集现状以及传统机器学习方法、深度学习方法和大模型方法等现有模型方法优缺点，并提出使用符号执行、模糊测试、污点分析、形式化验证和集成框架5类漏洞检测工具与置信学习相结合的智能合约高质量数据集制作思路；分类介绍了自动化修复技术、机器学习修复技术和以太坊增强技术3类智能合约漏洞修复方案，全面比较了不同方案的优缺点，并总结了未来可以用于智能合约漏洞修复领域的相关技术；分析了智能合约安全现存问题并展望了未来研究方向。

• 面向图神经网络的节点重要性排序研究进展

  曹璐, 丁苍峰, 马乐荣, 延照耀, 游浩, 洪安琪

  节点重要性排序作为一项关键的图数据分析任务，对于识别和排序图中的重要节点至关重要。图神经网络（GNN）作为一种利用深度学习直接对图结构数据进行学习的框架，能够充分学习图结构数据中的节点和边的内在规律及更深层次的语义特征。在节点重要性排序任务中，GNN能够充分利用图结构信息和节点特征进行节点重要性的评估。相比于传统的节点排序方法，GNN可以更好地处理图结构数据的多样性和复杂性，捕捉节点间的复杂关联和语义信息，并自动学习节点特征表示，减少手工特征工程的偏差，提升节点重要性排序任务的准确性。因此，基于图神经网络的方法已成为节点重要性研究的主流方向。对近年来图神经网络的节点排序方法进行分类和综述。梳理了节点排序、图神经网络及经典节点重要性度量指标的核心概念。全面总结了基于图神经网络的节点重要性方法的最新进展，并根据基础图神经网络及其衍生的变体，将节点重要性排序方法分为基础图神经网络、图卷积神经网络、图注意力网络和图自编码器四类。同时，分析这些方法在社交网络、交通网络和知识网络等下游任务中的性能表现。对现有研究进行全面总结，分析现有方法的时间复杂度、优点、局限性和性能，并根据现有研究的不足讨论未来的研究方向。

• 基于机器视觉的PCB缺陷检测算法研究综述

  杨思念, 曹立佳, 杨洋, 郭川东

  印刷电路板（PCB）作为电子产品的核心组成部分，其质量直接影响产品的可靠性。随着电子产品朝着更轻、更薄、更精密的方向发展，基于机器视觉的PCB缺陷检测面临诸如微小缺陷难以检测等挑战。为深入研究PCB缺陷检测技术，根据其发展历程对各阶段的算法进行了详细探讨。指出了该领域面临的主要挑战，并介绍了传统PCB缺陷检测方法及其局限性。从传统机器学习和深度学习两个角度系统回顾了近几年PCB缺陷检测所采用的方法及其优缺点。对PCB缺陷检测算法常用的评价指标和主流数据集进行了归纳，并对近三年在PCB-Defect、DeeP-PCB和HRIPCB三个数据集上的最新研究方法进行了性能比较，分析了产生差异化的原因。基于当前现状和亟待解决的问题，对未来的发展趋势进行了展望。

• 大模型微调的多领域机器翻译方法综述

  陈子建, 王斯日古楞, 斯琴图

  随着机器翻译技术的快速发展，基于预训练大模型的机器翻译方法已在自然语言处理领域占据重要地位。然而，由于不同领域之间语言特征、词汇风格和表达方式的显著差异，单一预训练模型在多领域翻译任务中难以实现高效且稳定的性能。为此，聚焦于多领域机器翻译任务中大模型微调技术的关键问题，系统性地综述了微调技术的核心原理、主要方法及应用效果，重点分析了全参数微调、参数高效微调和提示微调三类策略的性能表现与适用场景。深入探讨了不同微调方法的优势与局限性，重点分析了在资源受限条件下如何通过高效微调策略平衡领域泛化能力与任务特异性，展示了参数高效微调与提示微调在资源利用效率和领域适应性方面的显著优势。通过对比分析与实验验证，进一步评估了不同微调策略在领域迁移和资源利用方面的实际效果，并通过案例分析验证了其有效性。未来的研究方向应重点关注资源的高效利用、模型的领域自适应能力，以及翻译质量和鲁棒性的提升，从而推动多领域机器翻译系统在性能与适应性方面的持续发展。

• 加权共享近邻优化的密度峰值聚类算法

  张文杰, 谢娟英

  密度峰值聚类算法DPC的样本局部密度定义随数据集规模大小不同而不同，样本局部密度受到截断距离[dc]影响，且其一步分配策略会带来样本分配的“多米诺骨牌效应”，严重影响聚类结果。提出基于加权共享近邻优化的密度峰值聚类算法（WSN-DPC）。该算法利用基于标准差加权的距离代替传统欧氏距离，强化样本不同特征对距离的贡献；利用共享近邻信息定义样本相似度，进而定义样本局部密度和相对距离，以尽可能体现数据集中样本的真实分布信息。同时，采用不同分配策略对离群点和非离群点依次进行分配，使得每个样本能够尽可能地分配到正确类簇。多个数据集的实验测试和统计性检验结果表明，WSN-DPC算法优于DPC及其改进算法，有效地解决了DPC算法的缺陷。

• 融合正切搜索与竞争交配的斑马优化算法及应用

  苏晨, 王防修, 黄淄博

  针对斑马优化算法（ZOA）在求解最优解时存在早熟收敛和容易陷入局部最优的缺陷，提出了一种融合正切搜索与竞争交配的斑马优化算法（TZOA）。对该算法使用了正切搜索策略，增加种群多样性防止陷入局部最优解，并使用双曲余弦因子作为调节参数，避免影响收敛速度。将野马优化算法（WHO）的放牧行为与斑马优化算法的觅食行为共同组成双种群共生策略，提高算法前期的全局探索能力与后期的局部收敛能力。加入一种全新的竞争交配机制进一步提高种群多样性与局部探索范围。实验部分则通过与改进策略、近几年优秀算法、其他作者改进ZOA算法分别在14个CEC2017测试函数的10、30、50维上进行测试，并使用种群多样性分析、Wilcoxon秩和检验、探索开发分析和运行时间对比图来验证算法的性能。实验结果表明，TZOA相较于其他几种智能优化算法具有更好的求解能力与精度。同时将TZOA应用于机器人路径规划问题，在简单地图与复杂地图测试所得结果中皆为最佳值，进一步证明了改进算法TZOA的有效性。

• 面向无监督特征提取的结构化稀疏图学习

  朱奕珂, 丁建浩, 尹学松, 王毅刚

  无监督特征提取因解决高维数据造成的“维度灾难”问题而受到越来越多的关注。然而，现有方法通常构建低秩图或者近邻图来寻找高维数据的投影方向，忽略了数据的全局相关结构和表征的稀疏性。为了解决这些问题，提出了一种新的降维方法，被称为面向无监督特征提取的结构化稀疏图学习（SSGL）。SSGL方法使用表征来构建样本之间的最近邻图来保持数据的局部结构，使用最小二乘回归来建模数据的全局相关结构。因此，SSGL能够同时保持数据的局部和全局相关结构。此外，SSGL使用稀疏正则化断开亲和图中不同聚类样本之间的连接，从而使得学到的投影更具有判别力。为了验证SSGL的有效性，在八个公共图像数据集上进行了大量实验。结果表明，SSGL在聚类精度方面优于其他先进的特征提取方法，显著提升了聚类效果和分类性能。

• 位置信息增强的TransUnet医学图像分割方法

  赵亮, 刘晨, 王春艳

  医学图像分割能够辅助医生快速准确地识别医学图像中的器官和病变部位，对提高临床诊断的效率有重要的价值。结合Transformer的U-Net是当前医学图像分割领域的主流方法，但是Transformer对于局部信息的提取能力较弱，并且U-Net结构在上采样和下采样过程中会损失细节位置信息。针对以上问题，提出一种位置信息增强的TransUnet医学图像分割网络PETransUnet。该网络使用位置高效注意力模块（PEA）对特征的位置信息进行增强；使用双注意力桥模块（DAB），弥补编码阶段和解码阶段特征之间的语义差距；使用跨通道注意力融合模块（CCAF）减少上采样时丢失的位置信息。提出的方法在公开数据集Synapse上进行验证，Dice系数和HD95系数分别达到82.92%和18.87%；在公开数据集ACDC上进行验证，Dice系数达到90.73%；在公开数据集LITS17上进行验证，肝脏和肝肿瘤Dice系数分别达到94.85%和74.47%。与近期多种算法进行比较，具有更高的分割精度。

• 跨模态多层特征融合的遥感影像语义分割

  李智杰, 程鑫, 李昌华, 高元, 薛靖裕, 介军

  多模态语义分割网络能够利用不同模态中的互补信息来提高分割精度，在地物分类领域具有广泛的应用潜力。然而，现有的多模态遥感影像语义分割模型大多忽略了深度特征的几何形状信息，未将多层特征充分利用就进行融合，导致跨模态特征提取不充分，融合效果不理想。针对这些问题，提出了一种基于多模态特征提取和多层特征融合的遥感影像语义分割模型。通过构建双分支编码器，模型能够分别提取遥感影像的光谱信息和归一化数字表面模型（nDSM）的高程信息，并深入挖掘nDSM的几何形状信息。引入跨层丰富模块细化完善每层特征，从深层到浅层充分利用多层的特征信息。完善后的特征通过注意力特征融合模块，对特征进行差异性互补和交叉融合，以减轻分支结构之间的差异，充分发挥多模态特征的优势，从而提高遥感影像分割精度。在ISPRS Vaihingen和Potsdam数据集上进行实验，mF1分数分别达到了90.88%和93.41%，平均交互比（mIoU）分别达到了83.49%和87.85%，相较于当前主流算法，该算法实现了更准确的遥感影像语义分割。

• 边缘-分割交叉引导的伪装目标检测网络

  陈鹏, 李旭, 向道岸, 余肖生

  基于边缘感知的模型是伪装目标检测的主流方法之一，其核心是在早期阶段输出边缘预测，能更好地定位和分割伪装目标。而在伪装目标数据集中，由于伪装目标与背景环境有很高的视觉相似性，对早期的边缘预测质量要求很高，错误的前景预测会导致分割不完整，甚至缺失目标，进而造成伪装目标分割效果不佳。为了解决这一问题，提出了一种边缘-分割交叉引导网络ECGNet。利用ConvNeXt模型作为骨干网络，通过1×1卷积对特征通道进行统一处理，在多尺度上提取全局上下文信息。设计了一个分割诱导边缘融合模块和一个边缘感知引导完整性聚合模块交叉融合，关注伪装目标的整体结构，不断细化分割特征和边缘特征。通过引导残差通道注意模块利用这些连接和卷积更好地提取低层特征中的结构细节。在CAMO、COD10K以及NC4K数据集上的实验结果表明，ECGNet性能优于其他22个具有代表性的模型，比HitNet在[Sα]、[E?]、[Fωβ]和[M]方面的性能平均提升了0.019、0.019、0.018和0.009。

• 频域mixup增广和logit补偿的自监督多标记不平衡心电图分类

  操思源, 陈松灿

  自监督对比学习通过数据增广视图间的对比已被证明能习得好的特征表征，继而通过微调完成下游（分类）任务，因此得到广泛应用。心电图（ECG）作为非侵入、低风险和低成本的心血管疾病常用信号源，其分类有助于早期预防和精确治疗心率失常等。然而现有针对ECG表征学习的大多数方法仅通过对样本进行时域的扰动增广进行对比学习，其忽略了频域潜在的信息利用，留下了进一步提升表征质量的空间。为此，针对ECG样本设计了一个频域mixup的增广策略，通过交换样本间的频域信息生成原始样本的增广实现对比学习，弥补了现有ECG表征学习的不足。在下游微调阶段，考虑到ECG分类本质上属于多标记的类不平衡问题，提出了结合标签频率对二元交叉熵（BCE）损失作logit补偿缓和该问题。最后在CPSC2018和Chapman数据集上进行模型评估，实验结果表明提出的方法作为独立模块插入至多个基线模型在AUC和mAP指标上均有提高，尤其是个别罕见疾病性能指标提升显著，从而验证了该方法的有效性。

• 融合图文多粒度情感特征的多模态谣言检测方法

  刘先博, 向澳, 杜彦辉

  涉及公共安全、灾害事故等群体性事件谣言往往在文字或图像中含有丰富的情感特征信息，极易调动网民情绪反应，诱导其点赞、评论和转发。然而，现有的多模态谣言检测方法对于多模态数据中蕴含的情感特征缺乏有效的提取方法，并且在特征融合过程中没有考虑模态间的关系，存在一定冗余特征的问题。为探究跨模态情感特征在谣言检测中的作用，提出一种融合图文多粒度情感特征的多模态谣言检测方法。该方法在不依赖评论、传播模式等社会信息的前提下，将图文多粒度情感特征融入到多模态谣言检测方法中，利用基于交互注意力机制的跨模态多粒度情感特征融合方法充分融合多媒体信息的深层特征，并在Weibo和Twitter两个公开数据集上进行对比实验和消融实验。结果表明，该方法与现有谣言检测方法相比，在两个数据集中的谣言检测准确率分别提升到0.912和0.839，在F1值等多个指标上展现了优异性能，有效提升了谣言检测性能和模型的可解释性，一定程度上能够辅助公安机关开展群体性事件的谣言处置工作，为基层警务实战提供技术支持。

• 面向12345政务热线事件分拨的深度行为语义网络

  陈顺, 易修文, 张钧波, 李天瑞, 郑宇

  市民在遇到困难时，会通过12345政务服务热线寻求帮助。在收到市民请求之后，热线工作人员将对市民的需求进行分析，并将事件分拨给对应的政府部门进行处理。目前通过人工完成的分拨过程占用了大量的人力资源，同时许多事件被分拨到错误的部门。为了提高分拨过程的效率和正确率，提出了一种数据驱动的高效自动化事件分拨方法。基于历史分拨记录、事件文本和部门职责，设计了一个用于事件分拨的深度行为语义网络（DBSN）。它包含了三个部分，分别是历史行为编码、事件语义学习和多维特征匹配网络。历史行为编码模块构建了一个在事件类别和分拨部门之间的多级二分图，通过图编码学习行为特征。事件语义学习模块使用卷积神经网络（CNN）和注意力机制来学习事件诉求和部门权责的语义特征。多维特征匹配模块从行为、语义两个特征维度上将事件与部门进行匹配。在实验中，使用了某市12345政务热线数据，实验结果证明了提出的方法与基线方法相比具有优势。

• 面向多变量时间序列异常检测的双图注意力网络模型

  李汉章, 严宣辉, 李镇力, 严雨薇, 王廷银

  时间序列异常检测在时序任务中属于经典研究领域，并已在学术界和工业界取得了一系列研究成果。针对多变量时间序列数据中蕴含的多角度深层特征和内在复杂依赖关系，提出一种融合时空特征的异常检测模型。该模型采用图注意力网络结构，由时间图模块（T-GAT）和空间图模块（F-GAT）组成。T-GAT构建一种单向加权图，图的边表示时间依赖特性，以此来模拟时间图结构的先验信息并融入图网络中获取时间依赖关系。F-GAT将时间序列转换为以幅值表示的频域序列，通过建立全局双向加权图来模拟多变量之间的关联关系，并通过正则化来维护邻居节点的稀疏性，以此来保证对空间关系的准确捕捉。同时模型引入多维注意力机制确保对不同特征的深层信息进行有效挖掘和利用。由门控循环单元进一步处理时空信息并融合为全面特征，并通过预测值与观测值的差异来判定异常。实验结果表明，该模型以4个公共数据集上优异的F1分数在12个对比模型中实现先进的性能，并在消融实验中证实了同时建模时空关系的先验双图结构模式和注意力机制有效提升了异常检测精度，可以有效地识别时间序列数据中的异常情况。

• 融合动态卷积和注意力机制的多层感知机语音情感识别

  张雨萌, 张欣, 高谋, 赵虎林

  语音情感识别技术通过分析语音信号推断说话者情绪，增强人机交互的自然性和智能性。然而，现有模型往往忽视时频语义信息，影响识别准确性。为此，提出了一种融合动态卷积与注意力机制的多层感知机模型，显著提高了情感识别的准确度及信息利用效率。将输入的语音信号转化为梅尔频谱图，捕捉信号细节变化，更贴切地反映人类对声音的感知，为后续特征提取奠定了基础。通过词元化处理将梅尔频谱图转化为词元，降低了数据的复杂性。借助动态卷积与分离注意力机制高效提取关键的时频特征。一方面，动态卷积能够适应不同时间和频率上的尺度变化，优化了特征捕捉效率；另一方面，分离注意力机制增强了模型对关键信息的聚焦能力，有效提升了模型对特征的表达能力。结合动态卷积与分离注意力机制的优势，该模型能够更加充分地提取关键声学特征，从而实现了更高效、更精准的情感识别。在RAVDESS、EmoDB和CASIA三个语音情感数据库上的测试显示，模型识别准确率显著优于现有技术，达到86.11%、95.33%和82.92%。这验证了模型在复杂情感识别任务的高效性和准确性，以及动态卷积和注意力机制的有效性。

• 改进深度残差收缩网络的端到端合成语音检测

  曾高俊, 芦天亮, 任英杰, 李御瑾, 彭舒凡

  合成语音的滥用导致了诸多现实问题，研究相应的鉴伪技术对于保护公民人身财产安全、保障社会与国家安全具有重大意义。传统的合成语音检测多采用手工设计特征与后端分类器相结合的方式，前端手工特征设计涉及复杂的先验知识，使用单一手工特征模型检测效果不理想，而进行多特征融合则导致模型参数量较大。同时，目前多数检测方法还存在跨数据集泛化性差的问题。为解决上述问题，提出了一种基于改进深度残差收缩网络的端到端合成语音检测方法。融合通道注意力机制重新设计自适应阈值学习模块，提高了阈值学习的精度；设计并引入帧注意力机制模块，为不同的帧赋予不同的关注程度，提高了模型的特征选择能力；设计并引入了具有两种超参数的改进小波阈值函数，增强阈值化模块抑制无关特征的能力；设计了一种基于改进深度残差收缩网络端到端合成语音检测网络，输入原始语音即可判别其是否为合成语音。基于ASVspoof2019 LA数据集的对比实验结果显示，所提方法将基线模型的等错误率与最小串联检测成本函数分别降低了85%与84%。基于ASVspoof2015 LA数据集的跨库测试结果验证了所提方法的泛化性能。

• 基于GPT-2模型的姓氏口令猜测方法

  林嘉熹, 钱秋妍, 曾剑平, 张尉东

  随着身份验证机制的多样化，口令作为一种传统且广泛采用的认证方法，其安全性面临着严峻的挑战。受到语言特性和文化差异的影响，中文用户的口令选择与英文用户有显著不同，这为猜测攻击提供了新的视角。为应对这一问题，提出了一种基于GPT-2模型的中文姓氏口令猜测方法，旨在有效提升对中文口令的猜测能力。该方法通过无监督微调，使预训练语言模型能够生成与姓氏密切相关的口令。为了弥补GPT-2对中文字符支持的不足，该模型利用新闻语料库作为预训练数据集，将中文文本转换为拼音形式，训练模型识别拼音，从而帮助模型更准确地理解中文用户的口令习惯。实验结果表明，该模型在口令猜测任务中显示出优越的性能，特别是在资源有限的情况下，相较于传统猜测方法和基于深度学习的口令攻击技术，实现了更高的攻击成功率。此外，还探讨了温度参数对口令猜测成功率的影响，指出了进一步提升口令安全性的潜在方向。

• 基于复合混沌系统的S盒构造与优化方法

  武小年, 吴庭, 黄昭文, 张润莲

  S盒是分组密码算法的唯一非线性部件，其优劣决定了密码算法的安全强度。为高效构造密码学性质优良且稳定的S盒，提出一种基于复合混沌系统的8比特S盒构造及优化方法。通过扩展tent混沌映射的值域给出扩展的tent映射，并与扩展的logistic映射结合构造了一个具有优秀混沌特性的复合混沌系统；在迭代50次消除混沌系统暂态效应后，利用复合混沌系统产生随机序列构造初始8比特S盒；进一步地，针对密码学性质较差的初始S盒，设计一个用于权衡S盒差分均匀度和线性度的优化目标约束函数，分别根据S盒的差分分布和线性分布情况，搜索使得S盒差分分布和线性分布更均匀的数据进行迭代优化，尽可能地降低S盒的差分均匀度和线性度，提高S盒抵抗差分分析和线性分析的能力。实验测试结果表明，该方法能够对所有密码学性质较差的初始S盒进行性质优化提升，优化后的差分均匀度可以达到8，非线性度达到102；该方法的优化速度快，最少仅需要33次迭代就可以完成优化。

• 社交知识感知网络推荐算法

  金海波, 冯雨静

  推荐算法能够快速挖掘用户喜好的物品并进行有效推荐，从而极大地节省用户搜索的时间。然而，现有推荐算法虽然可以根据用户的喜好或物品相似度等特点进行推荐，但仍然存在用户和物品的冷启动、数据噪声等问题。为解决上述问题，提出了一种社交知识感知网络推荐算法（SAGN），该算法将物品-用户之间相互依赖的知识以及用户之间相关联的知识注入到用户与物品的特征计算中。在用户端，利用知识感知网络计算用户及其朋友的浏览记录以获取多种偏好特征，并结合自适应注意力门控机制生成用户偏好特征向量；在物品端，获取与待预测物品建立关联的用户朋友集合，将朋友的浏览记录作为物品的初始实体集，使用知识感知网络提取基于用户及其朋友偏好的物品特征向量。为验证算法的有效性，在真实数据集Ciao和Epinions上与SocialFD、GraphRec、SREPS、HGCL、KR-GCN等算法进行对比实验。实验结果表明，与表现最好的模型相比，SAGN算法在Epinions数据集上的RMSE和MAE分别提升了2.14%、1.74%；在Ciao数据集上的RMSE和MAE分别提升了1.81%、1.79%。