时间敏感网络（TSN）中信息的真实性是系统的关键安全要素，然而直接引入传统安全认证机制会导致系统可调度性和实时性大幅降低。现有的方法仍存在适用场景少、资源消耗高等问题。针对这些问题，文中提出了一种面向TSN的安全感知调度方法。首先基于TSN流量特性设计了一种时间有效的一次性签名安全机制，为消息提供高效的组播源认证；然后提出相应的安全模型对该机制进行评估，描述安全机制对任务和流量的影响；最后对提出的安全感知调度方法进行数学建模，在传统调度约束的基础上，增加了安全机制相关的约束，同时以最小化应用端到端时延为优化目标，使用约束规划进行求解。仿真实验结果表明：改进的一次性签名机制的引入可以有效保护TSN中关键信息的真实性，且对调度的影响有限；在多个基于真实工业场景生成的不同规模测试用例中，产生的应用端到端时延平均仅增加13.3%，带宽消耗平均仅增加5.8%；与其他同类型方法相比，文中方法的带宽消耗更低，更加适用于有严格带宽限制的TSN。

信号获取过程中，除了有高斯噪声外，还有具有脉冲性质的稀疏噪声，常用的鲁棒稀疏信号恢复模型能够在稀疏噪声环境下恢复出原始的稀疏信号。但是，许多实际应用问题需要考虑原始信号的结构稀疏性，如梯度稀疏。为了从稀疏噪声和高斯噪声共存的环境下恢复出结构稀疏的原始高维信号，文中基于截断L₁-L₂全变分、3维截断L₁-L₂全变分和鲁棒压缩感知，提出了两个非凸非光滑优化模型，用于解决高斯噪声和稀疏噪声混合影响下的结构稀疏信号恢复问题，并采用含有外推的邻近交替线性极小化算法求解这两个优化模型，使用含外推的邻近凸差算法求解子问题，在势函数具有Kurdyka-Lojasiewicz（KL）性质的条件下，给出了含外推交替极小化算法和含外推邻近凸差算法的收敛性分析。数值实验测试了高斯噪声灰度图像、混合噪声彩色图像、混合噪声灰度视频等，采用图像峰值信噪比（PSNR）作为评价准则。实验结果表明，文中模型能够更好地恢复出原始的结构稀疏信号，且在同一噪声环境下文中模型恢复的信号具有更优的PSNR值。

近年来，随着智能合约的数量越来越多，因合约漏洞而造成的经济损失愈发严重，智能合约的安全性越来越受到广泛的关注。基于深度学习的漏洞检测方法能够解决早期传统智能合约漏洞检测方法检测效率低、准确率不足的问题，但大多现有基于深度学习的漏洞检测方法都是直接使用智能合约源代码、操作码序列或字节码序列作为深度学习模型的输入，会因引入过多无效信息而削弱有效信息。为此，文中提出了一种基于胶囊网络和注意力机制的智能合约漏洞检测方法。考虑到程序的执行时序信息，文中通过提取智能合约的关键操作码序列作为源代码特征，然后利用胶囊网络和注意力机制的混合网络进行训练，其中胶囊网络模块用于提取智能合约的上下文信息以及局部与整体的联系，注意力机制用于给不同的操作码按照其重要程度分配不同的权重。实验结果表明，文中提出的算法在智能合约数据集中的F₁分数和准确率分别为94.48%和97.15%，与其他传统检测方法和深度学习方法相比有较明显的性能提升。

因能有效地压缩卷积神经网络模型，知识蒸馏在深度学习领域备受关注。然而，经典知识蒸馏算法在进行知识迁移时，只利用了单个样本的信息，忽略了样本间关系的重要性，算法性能欠佳。为了提高知识蒸馏算法知识迁移的效率和性能，文中提出了一种基于特征空间嵌入的对比知识蒸馏（FSECD）算法。该算法采用批次内构建策略，将学生模型的输出特征嵌入到教师模型特征空间中，使得每个学生模型的输出特征和教师模型输出的N个特征构成N个对比对。每个对比对中，教师模型的输出特征是已优化、固定的，学生模型的输出特征是待优化、可调优的。在训练过程中，FSECD缩小正对比对的距离并扩大负对比对的距离，使得学生模型可感知并学习教师模型输出特征的样本间关系，进而实现教师模型知识向学生模型的迁移。在CIFAR-100和ImageNet数据集上对不同师生网络架构进行的实验结果表明，与其他主流蒸馏算法相比，FSECD算法在不需要额外的网络结构和数据的情况下，显著提升了性能，进一步证明了样本间关系在知识蒸馏中的重要性。

为适应物联网加密传输中大量轻型传感器节点运算性能和能源有限的特点，解决传感器运行RSA（Rivest-Shamir-Adleman）、DHM（Diffie-Hellman-Merkle）、Elgamal等公钥基础设施（PKI）加密算法所面临的运算速度、功耗等瓶颈问题，并简化相应的硬件加密电路逻辑设计，文中提出了一种基于类梅森数的密钥交换快速取模算法（CZ-Mod算法）。CZ-Mod算法利用梅森数的数学特性，使关键的mod（取模）运算的时间复杂度降至O（n）。首先，提出了一种以类梅森数为模数的快速取模运算mod1，使复杂的mod运算变成简单的二进制移位相加运算；其次，提出了一种以任意近似类梅森数的正整数为模数的快速取模运算mod2，在简化mod运算的同时扩大模数的取值范围；然后，对mod1、mod2运算作逻辑电路设计，以简化mod运算的硬件电路；最后，将以上工作应用到物联网节点的密钥交换中，以降低计算的复杂度，提高PKI加密算法的速度。实验测试结果表明：采用CZ-Mod算法的DHM密钥交换速度可达到常规算法的2.5~4倍；CZ-Mod算法精简，适合做物联网传感器的硬件电路设计。

智慧教育是人工智能的重点研究方向，如何利用试题中知识点并对学生的认知过程进行刻画是重中之重。针对认知诊断模型对学生和试题及其交互信息挖掘不充分的问题，文中提出了融合遗忘和知识点重要度的认知诊断模型。该模型根据学生对试题和知识点的历史交互，结合知识点难度信息引入遗忘因素，缓解了对学生信息挖掘不充分的问题；通过注意力机制获取试题对知识点的考查重要度信息，缓解了对试题信息挖掘不充分的问题；通过Transformer学习学生与试题间的交互，缓解了学生与试题交互不充分的问题。在经典数据集上的实验结果表明，文中模型在Math1、Math2、Assistment数据集上的准确率A_cc、均方根误差RMSE、受试曲线面积AUC值分别为0.716、0.445、0.776、0.725、0.432、0.807、0.741、0.427和0.779，优于现有的其他对比模型，说明了知识重要度和时效性对于认知建模的重要性。

为有效解决现有算法修复大面积不规则缺失图像时存在特征利用率低、图像结构连贯性差的问题，提出基于密集特征推理（DFR）及混合损失函数的图像修复算法。修复网络由多个特征推理（FR）模块密集连接组成，首先将待修复图像输入第1个推理模块中进行特征推理，之后将输出特征图通道合并送入下一个推理模块，后续推理的每一个模块的输入都是来自前面所有推理模块的推理特征，如此循环，以充分利用每个推理模块捕获的特征信息；然后提出一个传播一致性注意力机制（PCA），提高修补区域与已知区域的整体一致性；最后，提出混合损失函数（ML）优化修复结果的结构连贯性。整个DFR网络使用组归一化（GN），小批量训练也可达到优异的修复效果。在国际公认的Paris StreetView巴黎街景数据集和CelebA人脸数据集上验证文中所提算法的性能，主客观的实验结果表明：所提算法能有效修复大面积不规则缺失图像，提升特征利用率与结构连贯性，其平均峰值信噪比（PSNR）、平均结构相似度（SSIM）、均方误差（MSE）、弗雷歇距离（FID）及学习感知图像块相似度（LPIPS）指标优于对比算法。

在多视图聚类领域，众多方法直接从原始数据中学习相似矩阵，但是这忽视了原始数据中的噪声所产生的影响；此外，还有一些方法必须对图拉普拉斯矩阵进行特征分解，这导致可解释性的降低且需要k-means等后处理。为解决以上问题，文中提出一种基于统一标签矩阵的快速多视图聚类。首先，从松弛的归一化切割和比率切割的统一观点出发对目标函数增加非负约束；然后，通过指示矩阵对相似矩阵进行结构化图重构，确保获得的图具有强簇内连接和弱簇间连接；此外，通过设置统一的标签矩阵降低迭代次数，从而进一步提升该方法的运行速度；最后，基于交替方向乘子法的策略对问题进行优化求解。算法通过随机选择锚点地址的方法对多视图数据集进行对齐，对齐视图能够大幅提升聚类的精度。在迭代过程中通过使用奇异值分解来替代特征分解，有效地解决了传统谱聚类算法计算复杂度高的问题；通过按行索引指示矩阵的最大元素的列标直接获得标签。在4个真实数据集上的实验结果证明了该算法的有效性，表明其聚类性能优于现有的9种基准算法。

轴承作为众多生产设备中重要的部件之一，对其剩余使用寿命的研究有较大的价值。文中针对传统轴承剩余使用寿命预测中未充分考虑不同环境下的衰减状态变化和时序相关性而导致的预测误差大的问题，提出了一种基于时空双细胞状态自适应网络（ST-DCSN）的轴承剩余使用寿命预测方法。采用一种时间状态和空间状态并存的内嵌卷积操作双状态循环网络，并引入时空双细胞状态和子细胞状态差分机制，实现对轴承衰减状态的自适应感知。该方法在时间和空间维度上对轴承监测数据进行特征状态有效捕捉，从而解决轴承剩余使用寿命预测中环境和时序问题对预测性能的影响。为了探究文中所提方法的有效性以及对比其他近年优秀方法的优越性，采用两个真实的轴承寿命加速衰减实验数据集FEMTO-ST和XJTU-SY对文中所提方法进行了验证，分别进行了消融实验和对比实验，并以4种指标对预测性能进行评价。消融实验结果表明，相比去除空间状态细胞和去除动静态子细胞的组别，完全版本的ST-DCSN能够得到更平稳以及性能指标更好的预测结果。对比其他方法，文中所提方法能够得到更优秀的预测性能，体现在拟合性更高以及轴承寿命末期预测结果的平稳性更好，证明了ST-DCSN方法能有效提高轴承剩余使用寿命预测的准确性。

预训练语言模型BERT/RoBERTa/MacBERT等虽然能够通过预训练任务中的掩码语言模型（MLM）很好地学习字和词的语法、语义及上下文特征，但其缺乏拼写错误识别及纠正能力，且在中文拼写纠错（CSC）任务中面临预训练与下游任务微调目标不一致的问题。为了进一步提升BERT/RoBERTa/MacBERT等模型的拼写错误识别及纠正能力，提出一种面向中文拼写纠错的自监督预训练方法MASC。MASC在MLM的基础上将对被掩码字的正确值预测转换成对拼写错误字的识别和纠正。首先，MASC将MLM对字的掩码扩展为相应的全词掩码，目的是提升BERT对单词级别的语义表征学习能力；接着，利用混淆集从音调相同、音调相近和字形相近等方面对MLM中的被掩码字进行替换，并将MLM的训练目标更改为识别正确的字，从而增强了BERT的拼写错误识别及纠正能力；最后，在3个公开的CSC语料集sighan13、sighan14和sighan15上的实验结果表明，MASC可在不改变BERT/RoBERTa/MacBERT等模型结构的前提下进一步提升它们在下游CSC任务中的效果，并且消融实验也证明了全词掩码、音调和字形等信息的重要性。

视频篡改造成的危害一直在危及人们的生活，这使深度伪造检测技术逐渐得到广泛关注和发展。然而，目前的检测方法由于使用了不灵活的约束条件，无法有效捕获噪声残差；此外，也忽略了纹理和语义特征之间的关联，以及时序特征对检测性能提升的影响。为了解决上述问题，文中提出了一种用于深度伪造检测的、具有多样化特征的自适应网络（AdfNet），它通过提取语义特征、纹理特征和时序特征帮助分类器判断真伪；探索了自适应纹理噪声提取机制（ATNEM），通过未池化的特征映射与基于频域的通道注意力机制，灵活捕获非固定频段的噪声残差；设计了深层语义分析指导策略（DSAGS），通过空间注意力机制突出篡改痕迹，并引导特征提取器关注焦点区域的深层特征；研究了多尺度时序特征处理方法（MTFPM），利用时序注意力机制给不同视频帧分配权重，捕获被篡改视频中时间序列的差异。实验结果表明，所提出的网络在FaceForensics++（FF++）数据集HQ模式中的ACC值为97.41%，相比当前主流网络有较为明显的性能提升；并且在FF++数据集上保持AUC值为99.80%的同时，在Celeb-DF上AUC值可达到76.41%，具有较强的泛化性。