P1763﹥《数字孪生架构下基于GAN增强的多智能体深度强化学习边缘推理与异构资源协同优化》

概述： 边缘侧大模型应用正成为推动智能健康、智慧城市等领域智能化与数字化进程的关键驱动力。然而，大模型海量智能任务异构性和高动态网络的不可预测性，使得边缘设备有限的算力资源难以满足复杂推理任务对高效且可靠服务质量（Quality of Service, QoS）的需求。因此本文提出了一种基于生成对抗网络（Generative Adversarial Network, GAN）增强的多智能体深度强化学习（Multi-Agent Deep Reinforcement Learning, MADRL）的边缘推理与异构资源协同优化方法，以实现数字孪生（Digital Twin, DT）驱动的边缘侧大模型赋能系统中异构资源的动态负载均衡，确保推理任务高效性与可靠性。首先，本文构建并分析了DT驱动的边缘侧大模型系统中的物理网络层和孪生网络层，并采用GAN实现对物理实体的孪生映射，从而对海量异构边缘数据进行分布式处理、生成与优化。接着，利用MADRL算法来对系统中的异构资源进行综合量化与协同优化，并将边缘推理数据反馈至MADRL算法中以减少集中式训练过程中的数据通信开销。同时，借助于联邦学习，该架构能够实现多方知识共享，从而有效提升模型训练速度与性能。最后，仿真结果表明，该算法能够在动态复杂大模型赋能边缘系统环境中有效降低推理任务的时延和能耗，充分利用有限的系统资源，确保推理任务的高效性，并提升智能服务的质量 。

作者简介：袁晓铭， 博士， 副教授，中国计算机学会（CCF）会员，东北大学秦皇岛分校河北省海洋感知网络与数据处理重点实验室\ 西安电子科技大学空天地一体化综合业务网全国重点实验室，主要研究领域为5G/6G 网络关键技术和边缘智能等;  E-mail： yuanxiaoming@neuq. edu. cn。

引用：袁晓铭, 田汉森, 黄锟达,等. 数字孪生架构下基于GAN增强的多智能体深度强化学习边缘推理与异构资源协同优化[J]. 计算机学报,2025,8: 1763-1780.

全文：点击下载

P1848﹥《基于生物特征识别的隐私保护可验证联邦学习》

概述： 本文提出了一种基于生物特征的隐私保护可验证联邦学习方法（Biometric-based Privacy-Preserving Verifiable Federated Learning,BPPVFL），以解决联邦学习（Federated Learning, FL）中隐私保护和验证效率的双重挑战。传统的FL方法，通常不考虑隐私保护，使其易受数据泄露的威胁，而更安全的方法如基于零知识证明或同态哈希的FL方法，带来了显著的计算和通信开销。BPPVFL提出了基于生物特征的身份验证和数据完整性验证机制，实现了针对参与者敏感数据的隐私保护和高效的身份和数据验证，减少了客户端和服务器端的验证开销。此外，该方法使用针对生物特征数据的自适应噪声机制，在隐私保护和模型准确性之间取得了平衡。从理论和实验两方面证明了在BPPVFL中客户端的验证通信开销与客户端数量N和梯度维度d无关，从而实现了在大模型和高维度数据情况下的高效验证，即使在梯度维度d增加时，客户端的验证通信开销仍保持不变。在三个真实世界的生物特征数据集（SigD、BIDMC和TBME）上进行的大量实验表明，与隐私保护方法NbAFL相比BPPVFL的准确率最高提升了81%，同时与可验证方法 VerifyNet相比BPPVFL的客户端验证通信开销最多减少了85%，服务器端通信开销与梯度维度独立且减少了90%以上。该方法在不同数据维度和隐私预算的环境下表现出出色的可扩展性和高效性。理论分析和实验结果表明，BPPVFL能够有效防止身份伪造和数据篡改，同时确保对敏感生物特征信息的强大隐私保护。BPPVFL为隐私保护联邦学习，尤其是生物特征应用，提供了一种有前景的解决方案。通过在隐私、验证开销和模型性能之间取得平衡，BPPVFL为安全联邦学习提供了一种实用且高效的方法。该工作为未来针对敏感和高维数据环境的隐私保护机器学习方法研究奠定了基础 。

作者简介：周 浩，博士，副教授，中国计算机学会（CCF）会员，南京邮电大学计算机学院、软件学院、网络空间安全学院，主要研究领域为联邦学习、隐私保护、可验证和差分隐私；Email：haozhou@njupt. edu. cn。

戴 华，博士，教授，中国计算机学会（CCF）会员，南京邮电大学计算机学院、软件学院、网络空间安全学院，主要研究领域为数据管理与安全、数据库安全、行为识别；E-mail：daihua@njupt. edu. cn。

引用：周浩, 戴华, 杨庚,等. 基于生物特征识别的隐私保护可验证联邦学习 [J]. 计算机学报,2025,8: 1848-1869.

全文：点击下载

P1885﹥《脉冲深度学习梯度替代算法研究综述》

概述：被誉为第三代神经网络模型的脉冲神经网络(Spiking Neural Network, SNN)具有二值通信、稀疏激活、事件驱动、超低功耗的特性，但也因其复杂的时域动态和离散不可导的脉冲发放过程而难以训练。近年来以梯度替代法和人工神经网络(Artificial Neural Network, ANN)转换SNN方法为代表的深度学习方法被提出，大幅度改善SNN性能，形成了脉冲深度学习这一全新领域。本文围绕梯度替代法的研究进展，对其中的基础学习算法、编码方式、神经元和突触改进、网络结构改进、正则化方法、ANN辅助训练算法、事件驱动学习算法、在线学习算法以及训练加速方法进行系统性地回顾和综述，并选择其中的代表性方法进行实验对比分析，讨论了目前的研究挑战和可能的解决方案，最后展望了未来可能取得突破的研究方向 。

作者简介：方 维，博士，助理研究员，北京大学深圳研究生院信息工程学院，主要研究领域为脉冲神经网络；E-mail：fwei@pku. edu. cn。

引用：方维, 朱耀宇, 黄梓涵,等. 脉冲深度学习梯度替代算法研究综述[J]. 计算机学报,2025,8: 1885-1922.

全文：点击下载

P1923﹥《基于知识蒸馏与动态调整机制的多模态情感分析模型》

概述：近年来，模态缺失已成为多模态情感分析中的重要挑战。然而，现有研究无法有效应对模态缺失场景，导致模型性能显著下降。为解决这一问题，本文提出了基于知识蒸馏与动态调整机制的多模态情感分析模型（Attention-based Uncertain Missing Modality Distillation Framework, AUMDF）。具体而言，设计了一种模态随机缺失策略，以增强模型对不确定模态场景的适应能力。此外，引入了动态权重调整模块和多模态掩码Transformer，用于平衡特征贡献并捕获模态间的细微交互。最后，设计了对比样本蒸馏和基于相似性的表示蒸馏机制，以加强教师模型与学生模型之间的对齐，实现高效的知识传递。在两个基准数据集上的实验结果表明，本文利用知识蒸馏和动态调整机制实现了对多模态数据之间模态交互关系的充分利用，并弥补了模态缺失场景下的研究缺陷。与现有的先进方法相比，在CMU-MOSI数据集上，AUMDF将平均绝对误差降低了0.8%,F1得分提高了0.3%；在CMU-MOSEI数据集上，AUMDF将平均绝对误差降低了0.2%,F1得分提高了0.3%；在IEMOCAP数据集上，AUMDF在“悲伤”与“愤怒”的情感分类中将F1得分分别提高了0.7%和0.2% 。

作者简介：王楠，博士，教授，中国计算机学会（CCF）会员，吉林财经大学管理科学与信息工程学院\ 吉林财经大学大数据与交叉科学研究院，主要研究领域为机器学习、自然语言处理、多模态学习；E-mail： 119014@jlufe. edu. cn。

欧阳丹彤，博士，教授，吉林大学计算机科学与技术学院，主要研究领域为基于模型的诊断与自动推理；E-mail：ouyd@jlu.edu. cn。

引用：王楠, 王淇, 欧阳丹彤. 基于知识蒸馏与动态调整机制的多模态情感分析模型[J]. 计算机学报,2025,8: 1923-1942.

全文：点击下载

P1943﹥《基于可编程数据平面的网络防御技术研究综述》

概述：可编程数据平面(Programmable Data Plane, PDP)允许用户自定义网络设备的数据包处理方式，支持定制化网络操作，利用PDP的特性实施网络防御，在实时性、灵活性、扩展性等方面取得了良好效果，近年来受到学术界和工业界的广泛关注。本文以基于PDP的网络防御技术为主要研究内容，首先介绍了PDP的基本概念，并结合典型案例阐述其应用于网络防御的优势；随后根据实施网络防御的阶段，将基于PDP的网络防御技术分为防护技术、检测技术、响应技术3大类，对各类方案的现有研究进行深入分析、概括总结，归纳不同方法的优缺点；最后，本文对基于PDP的网络防御技术未来的研究方向进行展望 。

作者简介：胡宇翔，博士，教授，中国计算机学会会员，信息工程大学信息技术研究所\ 先进通信网全国重点实验室\ 网络空间安全教育部重点实验室，主要研究领域为新型网络架构、网络空间安全；E-mail： chxachxa@126. com。

潘璠，博士研究生，信息工程大学信息技术研究所，主要研究领域为可编程数据平面、零信任。E-mail： panfan2024@126. com。

引用：胡宇翔, 潘璠, 崔鹏帅,等. 基于可编程数据平面的网络防御技术研究综述[J]. 计算机学报,2025,8: 1943-1975.

全文：点击下载