P556﹥《基于证据增强和局部语义交互的多模态虚假新闻检测》

概述：多模态虚假新闻检测的目标是判断新闻中图像和文本内容的真实性。现有虚假新闻检测方法主要存在以下两种问题：(1)现有方法通常从整体语义角度融合图文特征，忽略了图文局部语义之间的联系，导致模型不能有效捕捉图文局部语义差异性；(2)新闻的真实性往往基于可靠的证据和事实，现有方法仅依赖新闻本身的图像和文本难以判断其真假。鉴于此，本研究提出了一种基于证据增强和局部语义交互的多模态虚假新闻检测模型。针对新闻缺乏事实依据的问题,该模型引入证据文本并设计了一种证据增强方法，该方法通过证据文本筛选网络，剔除证据文本中的冗余信息，并利用自注意力模块实现新闻文本的证据增强。同时，为了增强图像语义信息，该模型先从图像块中提取局部特征，再通过双向GRU图像语义增强网络，捕获图像序列特征的上下文关系，并利用自注意力模块将图像中嵌入的文字作为新闻背景信息融入图像特征。最后，针对局部语义信息交互问题，该模型使用交叉注意力模块，学习证据增强后的文本特征和语义增强后的图像特征之间的互补信息，增强细粒度的局部语义交互，实现多模态虚假新闻的精确检测。在Weibo数据集与MR2中英文数据集上的实验结果表明，本文提出的模型性能优于基线方法，在各数据集的准确率上分别提高了0.8%、2.4%、4.9%。此外，在IKCEST第五届“一带一路”国际大数据竞赛中，使用该模型指定的方案从全球3809个方案中取得第一的成绩,证实了该方案的有效性。

作者简介：钟将，博士，重庆大学计算机学院教授，中国计算机学会（CCF）会员，主要研究领域为大数据分析与挖掘、自然语言处理、云网融合、网络安全等；E-mail：zhongjiang＠cqu.edu.cn。

高晋鹏，硕士研究生，重庆大学计算机学院，主要研究方向为多模态虚假新闻检测。

引用：钟将, 高晋鹏,黄敬旺,等. 基于证据增强和局部语义交互的多模态虚假新闻检测[J]. 计算机学报,2025,3: 556-571.

全文：点击下载

P586﹥《基于自监督学习和二阶表示的小样本图像分类》

概述：小样本图像分类旨在利用少量的标注样本实现对未见类别的预测。最近的研究表明，预训练策略和图像表示方法在该任务中发挥着关键作用。然而，这些方法的应用仍面临两个主要挑战:第一，自监督学习在小样本分类的预训练阶段尚未得到充分的探索;第二，二阶表示在不同粒度的小样本任务中的作用尚不明确，制约了其在复杂任务中的应用。针对上述问题，本文首先提出了一个多任务协同优化的预训练方法，实现了对比式自监督、生成式自监督和有监督学习的联合训练。该方法旨在促进模型学习具有迁移性的特征，从而提升模型的泛化性能。其次，本文利用紧致的双线性池化对模型进行微调，以获取更具分辨力的二阶表示，从而进一步增强模型的非线性建模能力。最后，本文提出了一种基于类间相似关系的任务难度指标，用于量化小样本任务的分类粒度，并通过线性探测分析系统地研究了二阶表示在粗细粒度不同的小样本任务中的表现。实验表明，多任务协同的预训练有效提高了模型的泛化性能，并且不同的分支任务呈现相互促进的效果；在更加困难的细粒度任务中，二阶表示相对于一阶表示展现出更强的线性可分性，这为一阶和二阶表示在不同场景中的应用提供了有益参考。本文通过广泛的消融实验深入评估了每个关键设计的贡献。与当前最先进的方法相比,本文方法在miniImageNet和CUB数据集的1-shot/5-shot分类任务中分别取得0.66%/0.53%和3.12%/0.98%的提升，在tiered ImageNet数据集的5-shot分类任务中取得可比结果(87.19%vs.87.31%)，在跨域数据集miniImageNet→CUB、miniImageNet→Aircraft和miniImageNet→Cars中分别取得1.25%、1.96%和4.34%的提升，验证了本文方法的有效性。

作者简介：李兆亮，硕士，大连理工大学信息与通信工程学院，主要研究方向为小样本图像分类和自监督学习；E-mail：upclzl@163.com。

李培华，博士，大连理工大学信息与通信工程学院教授，博士生导师，中国计算机学会（CCF）高级会员，主要研究领域为图像/视频识别、目标检测和语义分割；E-mail：peihuali@dlut.edu.cn。

引用：李兆亮, 贾令尧, 张冰冰,等. 基于自监督学习和二阶表示的小样本图像分类[J]. 计算机学报,2025,3: 586-601.

全文：点击下载

P602﹥《面向含噪中规模量子处理器的量子机器学习》

概述：量子计算与人工智能结合，在增强模型表达能力、加速和优化机器学习等方面可能产生颠覆性影响，有望突破人工智能领域所面临的可解释性差、最优解难等问题，量子人工智能已成为国内外重点关注的学科前沿。量子机器学习是量子人工智能领域的重要研究内容，它将量子计算基础理论与机器学习原理相结合，以实现具有量子加速的机器学习任务。随着量子计算软硬件的快速发展，含噪中规模量子(NISQ)处理器的学习优势被证明，国内外学者相继提出一系列量子机器学习方法，以挖掘量子计算助力人工智能技术发展的创新应用。然而，当前的量子机器学习仍局限于对算法的优化，缺乏系统层面的理论架构，仍有许多科学问题亟待解决。本文首先从量子机器学习系统表征角度出发，建立量子机器学习系统的层次模型，概括和总结了面向各类任务的量子机器学习方案，分析了量子机器学习在提高经典算法速度等方面可能体现的“量子优势”。接着根据量子机器学习系统的层次结构，从原理层、计算层、应用层这三个方面对现有量子机器学习方法进行了总结与梳理，系统性地分析和讨论了其中的关键问题与解决方案。最后，结合当前阶段量子人工智能的发展特点，重点分析了量子机器学习领域面临的科学问题与挑战，并对未来该领域的发展趋势进行了深入分析与展望。

作者简介：石金晶，博士，中南大学电子信息学院教授，中国计算机学会（CCF）杰出会员，主要研究领域为量子计算、量子机器学习；E-mail：shijinjing@csu.edu.cn。

李学龙，博士，教授，中国电信人工智能研究院，主要研究领域为图像处理、人工智能；E-mail：xueiong_li@ieee.org。

引用：石金晶,肖子萌,王雯萱,等. 面向含噪中规模量子处理器的量子机器学习[J]. 计算机学报,2025,3: 602-631.

全文：点击下载

P694﹥《基于深度学习的侧信道分析综述》

概述：侧信道分析(SCA)已成为威胁现代密码系统安全的重大隐患，驱使相关防护对策与泄漏检测技术不断完善。受益于神经网络的快速普及与发展，基于深度学习的侧信道分析(DL-SCA)进入快速发展的阶段。深度学习技术的引入在放大侧信道攻击的潜在威胁的同时也降低了其攻击门槛，进而推动侧信道防护与检测技术的革新。本文将从攻击、防护和检测三方面入手，详细介绍基于深度学习技术的侧信道领域创新，,总结当前研究趋势，并展望未来的发展潜力。依据逐年的统计数据，本文总结了当前的热点研究方向、分析未来发展趋势并为薄弱研究方向提供可行的技术路线。

作者简介：肖冲，博士研究生，武汉大学国家网络安全学院空天信息安全与可信计算教育部重点实验室，主要研究方向为侧信道分析和密码分析；E-mail：xiaoch@whu.edu.cn。

唐明，博士，教授，武汉大学国家网络安全学院空天信息安全与可信计算教育部重点实验室，主要研究领域为密码学、安全密码芯片设计、搞侧信道轻量防护以及侧信道分析的系统性研究；E-mail：m.tang@whu.edu.cn。

引用：肖冲, 唐明. 基于深度学习的侧信道分析综述[J]. 计算机学报,2025,3: 694-720.

全文：点击下载

P738﹥《面向感算控智一体化融合的工业互联网新型PLC安全增强：趋势与展望》

概述：可编程逻辑控制器(PLC)作为工业控制领域的关键基础设施，由于其设计初期缺乏内生安全架构，多年来一直是针对工业互联网及控制系统展开攻击的主要目标。随着工业4.0及智能制造技术的迅猛发展，传统PLC正在向智能可编程工业控制器(IPIC)演进，集成了感知采集、数据计算、实时控制、智能决策和网络通信等功能，以满足自动化、网络化和智能化的工业互联网技术需求。然而，信息技术(IT)与操作技术(OT)的融合以及异构功能载荷的一体化集成进一步加剧了IPIC面临的安全挑战。本文旨在对工业互联网新型PLC(即IPIC)的安全增强展开研究，尤其揭示了嵌入式虚拟化隔离技术在构建IPIC内生安全架构中的应用前景和未来发展方向。文章首先系统性分析了PLC所面临的安全威胁及现有的安全防护技术；随后重点介绍了具备实时性特征的嵌入式虚拟化隔离技术，并提出了从内生安全角度重新构建IPIC基础安全体系架构的解决思路；接着延承虚拟化隔离思路，通过异构安全载荷的虚拟化集成为IPIC设计了一种异常检测与响应的安全增强架构，并讨论了该架构在实际工业系统部署中面临的技术挑战；最后对IPIC安全增强的未来发展趋势进行了前瞻性展望。

作者简介：王雅哲，博士，副研究员，中关村实验室，中国计算机学会（CCF）会员，主要研究领域为网络与系统安全、应用与数据安全；E-mail：wangyz@zgclab.edu.cn。

任磊，博士，教授，中关村实验室，北京航空航天大学自动化科学与电气工程学院，中国计算机学会（CCF）会员，主要研究领域为工业互联网、工业人工智能；E-mail：renlei@zgclab.edu.cn。

引用：王雅哲, 任磊,冯登国,等. 面向感算控智一体化融合的工业互联网新型PLC安全增强:趋势与展望[J]. 计算机学报,2025,3: 738-762.

全文：点击下载