首页 过刊目录
过刊目录
2026年, 第63卷,第2期  刊出日期:2026-02-01
    前沿亮点
  • 徐志伟
    计算机研究与发展. 2026, 63(2): 275-275. doi: 10.7544/issn1000-1239.ps20260201
  • 前沿亮点
  • 丛培壮, 王飞宇, 王国安, 王砚舒, 郑策, 杨仝
    计算机研究与发展. 2026, 63(2): 276-293. doi: 10.7544/issn1000-1239.202550788

    随着大语言模型(large language model,LLM)参数规模的指数级增长,模型部署和推理面临着严峻的内存和计算资源挑战。量化技术作为模型压缩的核心方法,通过降低权重和激活值的数值精度,显著减少了模型的存储需求和计算开销。首先回顾了量化技术的发展历程,从经典的Int8/4量化方法到前沿的超低比特量化算法,总结了典型方法的技术特征与性能演进规律,指出传统实数域量化在极低比特条件下存在受限于离散化误差的挑战,难以突破性能上限。为此,进而系统性地梳理了复域量化系列工作。该系列工作提出了基于复数域的量化范式,通过在参数表示中引入幅度与相位2个自由度,显著扩展了模型的表达空间;此外,类比信号处理中通过将时域信号进行傅里叶变换与低通滤波实现稳定表示的经典范式,进一步提出了由实数模型经复域变换与复域量化,达成了无乘法稳定推理的技术路线。实验结果表明,该方案在多个基准数据集上优于现有超低比特量化方法,有效突破了实数域模型的性能天花板,展现出复域量化在高效建模与性能保持方面的潜在价值。总体而言,通过对量化技术演进及复域量化系列研究的系统分析,旨在揭示超低比特量化的发展规律与未来趋势,为高效大模型的理论研究与工程实现提供参考。

  • 人工智能
  • 焦明海, 樊本航, 王静, 彭玉怀
    计算机研究与发展. 2026, 63(2): 294-304. doi: 10.7544/issn1000-1239.202550273

    命名实体识别(named entity recognition,NER)的核心目标是从非结构化文本中识别出具有特定语义类别的实体与类型。随着社交媒体的迅速发展,文本信息往往与视觉信息共同出现,形成多模态内容。为了提升实体识别的准确性,多模态命名实体识别(multi-modal NER,MNER)方法利用不同模态中的语义信息,实现信息互补与深度融合。然而,不同模态之间的表征差异可能引入视觉噪声,干扰实体识别。文本模态中存在实体指代不清或上下文语义模糊的问题,增加了识别难度。针对上述问题,提出了一种基于强化策略反馈与自适应损失机制的MNER方法。首先,该方法采用基于 GPT-4o的3阶段思维链(chain of thought,COT)推理流程,形成渐进式推理框架,融合强化学习中的自适应反馈机制,对图像与文本之间的匹配程度进行评分,并利用自适应决策函数有效过滤视觉噪声的干扰。其次,设计了4类面向具体任务的损失函数,并利用自适应加权融合策略进行优化,以缓解上下文模糊带来的识别不确定性。在2个公开数据集Twitter-2015和Twitter-2017上开展实验,结果表明所提方法的总体F1分数分别达到86.45%和93.80%,显著优于当前主流基线模型。

  • 人工智能
  • 王顺杰, 蔡国永, 吕光瑞
    计算机研究与发展. 2026, 63(2): 305-323. doi: 10.7544/issn1000-1239.202440896

    多模态会话情绪识别(multimodal emotion recognition in conversations,MERC)已成为人机智能交互的研究热点,目前被广泛应用于情感对话机器人及对话推荐等多个场景。在多模态会话场景中识别抽象的情感语义是困难的,大多现有研究利用对比学习来提取判别特征,其尽管约束了类内特征的一致性,但损害了精细的多样性表征,导致模型泛化性降低,尤其不利于少类样本的学习。此外,目前的会话上下文学习多建模固定窗口的语境依赖,忽略了会话信息流的动态互相关。为了解决上述限制,提出对抗软对比调制动态图学习(adversarial soft-contrast modulated dynamic graph learning,ASDG)方法。具体地:首先根据会话场景中说话人的话语数量构建话语图实现在各自模态内动态地建模话语的会话依赖范围,以精准地提取丰富的语境信息;其次,设计对抗性软对比训练机制,通过在不同模态特征提取器的隐藏层中添加扰动生成对抗样本来扩展类样本空间,并使用软对比学习在原始样本和对抗样本上最大化类扩展样本的标签语义一致性以增强模型学习的判别性与鲁棒性;最后,构建针对不同模态的双流图学习策略,以协同地促进各模态会话数据的互补融合。在IEMOCAP和MELD的多模态会话基准数据集上进行广泛的实验,结果表明提出的方法与目前先进的方法相比,在MERC任务上取得了具有竞争力的效果。

  • 人工智能
  • 刘美麟, 李华, 郑文萍
    计算机研究与发展. 2026, 63(2): 324-337. doi: 10.7544/issn1000-1239.202550356

    图神经网络通过迭代聚合邻域特征学习图的嵌入表示,已广泛应用于图数据分析。现有方法主要关注低阶点边交互,而对以模体为载体的高阶成组交互模式关注不足,导致复杂网络中的高阶依赖关系难以被充分捕捉。模体作为网络中频繁出现的功能性子结构,能够有效揭示节点间的高阶语义关联,而模体共现视图则为刻画此类交互模式提供了新的表征视角。然而,模体共现视图的弱连通性限制了图神经网络的消息传递能力,影响全局信息的有效传播。针对此提出模体感知的多视图协同聚类优化算法(motif-aware multi-view cooperative clustering optimization algorithm,MMCC),通过自适应多视图融合机制充分挖掘高阶拓扑信息,同时利用对比学习增强不同视图间的表征一致性,从而缓解消息传递受限问题。具体而言,首先MMCC基于不同模体构建多个模体共现视图,并设计基于语义注意力的多视图自编码器动态学习不同模体视图的重要性,实现各视图的自适应融合;其次,引入对比学习约束原始视图与模体共现视图的嵌入空间一致性,缓解因模体共现视图弱连通性导致的消息传递受限问题;最后,通过优化基于KL散度的目标函数,实现特征学习与聚类任务的联合优化。在7个真实网络数据集上的聚类结果表明,MMCC在准确率(accuracy,ACC)、标准化互信息(normalized mutual information,NMI)、F1分数(F1)和调整兰德系数(adjusted Rand index,ARI)上较8个基准算法展现更显著的优势。

  • 人工智能
  • 艾浩军, 张锋, 吕鹏飞, 唐雪华, 王中元
    计算机研究与发展. 2026, 63(2): 338-351. doi: 10.7544/issn1000-1239.202440951

    近年来,自监督单目深度估计方法取得了显著的性能提升,但在复杂的室内场景生成结构化深度图时性能明显下降,为此,提出局部特征引导知识蒸馏的自监督单目深度估计方法LoFtDepth改进训练过程。首先,使用预训练的深度估计网络预测结构化的相对深度图作为深度先验,从中提取局部特征作为边界点引导局部深度估计细化,减少深度无关特征的干扰,将深度先验中的边界知识传递到自监督深度估计网络中。同时,引入逆自动掩模加权的表面法线损失,通过对齐自监督网络预测的深度图和深度先验在无纹理区域的法线方向来提升深度估计精度。最后,根据相机运动的连续性,对相机位姿残差估计施加位姿一致性约束以适应室内场景相机位姿的频繁变化来减小训练误差和提升模型性能。主要的室内公开数据集上的实验结果表明,LoFtDepth性能提升显著,将相对误差降至0.121,且生成的深度图具有更高的全局准确度和良好的结构特征。

  • 人工智能
  • 钱忠胜, 朱辉, 俞情媛, 李玉龙, 万子珑
    计算机研究与发展. 2026, 63(2): 352-377. doi: 10.7544/issn1000-1239.202440737

    社交推荐系统旨在探索社交网络用户社交标签背后的协同信息,为用户提供个性化推荐。然而,社交网络中大量的用户之间没有显式社交关系,但他们却共享相同的项目历史交互行为。以往研究者主观上期望通过复杂元路径挖掘用户间的高阶隐式社交特征,客观上却降低了模型的实用性。而且,高阶隐式社交特征中的噪声较大,根据特征拼接或深度学习的方式与显式社交特征融合后反而会降低模型的适应能力。近年来,生成式对抗网络(GAN)为数据增强提供了有力的支持,但其复杂的结构令模型收敛困难,导致其应用于社交推荐场景时使得模型整体效率不高。基于此,提出一种社交特征自适应融合的生成式对抗网络推荐模型AFS-GAN(generative adversarial networks recommender systems for adaptive fusion of social features)。首先,采用2个简单元路径分别提取用户的1阶显式社交特征和2阶隐式社交特征,以消除研究者主观判断的不利影响,提高模型的实用性;其次,设计自适应因子灵活地融合显示和隐式社交特征,充分体现用户社交行为的多样性,提升推荐的适应能力;最后,在生成器中采用直通Gumbel Softmax加速生成伪项目,在判别器中采用四元BPR(Bayesian personalized ranking)损失函数直接最大化判别损失,既简化了模型,又提升了其收敛速度,从而整体上提高了模型的效率。在4个基准推荐数据集上与8种目前较先进的社交推荐模型进行了广泛的比较,实验结果表明,所提方法在Precision,Recall,NDCG这3个指标表现卓越。

  • 人工智能
  • 刘井平, 岑哲栋, 张维彦, 阮彤, 王超, 王昊奋
    计算机研究与发展. 2026, 63(2): 378-392. doi: 10.7544/issn1000-1239.202440795

    关系推理是自然语言处理中的一项重要任务,旨在预测2个或多个实体之间可能存在的语义关系,推理过程通常为从已知的实体间关系中推导出新的关系,得到的结果可以在多种下游任务如知识图谱补全、关系抽取、常识问答中得到广泛应用。以往的研究主要存在2个局限性:首先,以往的方法主要集中于封闭域,关系类型都是已经事先定义好的,难以扩展;其次,即便存在少量针对开放域的关系推理方法,也仅聚焦于单跳推理,难以满足更复杂的场景需求。因此,定义了开放域的2跳关系推理任务,并构建了一个用于评估该任务的数据集。面向该任务,提出了一种基于生成模型的开放域关系推理方法ORANGE,包括实体生成、关系生成、结果聚合3个模块。实验结果表明,ORANGE相比现有主流关系推理方法在平均得分上提高了10.36%。此外,当ORANGE的关系推理框架与大语言模型结合使用时,相较于传统的上下文学习提示策略,平均得分提高了9.58%。

  • 人工智能
  • 陈卓, 狄家奇, 张傲, 卢晓鹏, 杜军威
    计算机研究与发展. 2026, 63(2): 393-404. doi: 10.7544/issn1000-1239.202440717

    基于图的虚假评论检测主要面临着如何在仅有少量正样本标注的属性图中,有效聚合图中不同关系的邻居信息,提高图表示学习对于异常节点的敏感性和泛化能力的挑战。针对此挑战,提出基于元学习的多信息融合图差异网络(multi-information fusion graph deviation network based on meta-learning,Meta-MGDN)。通过构建多视图划分与多信息融合模块,充分挖掘用户、项目、评分的结构信息与属性信息,以实现网络对多方面信息的获取并挖掘评论节点之间的关系。设计多视图邻域差异聚合模块,合并邻域信息与自身-邻域差异信息,使网络同时关注节点之间的关联性与差异性,提高了网络对于异常节点的敏感性。最后,引入元学习框架,利用多个辅助网络增强目标网络学习小样本任务的经验,从而在小样本虚假评论检测场景下保持较高泛化能力。在真实公开评论数据集上进行的实验表明,Meta-MGDN在基于图的虚假评论检测领域上的效果优于先进的基线。

  • 高性能计算
  • 宁祎静, 董建阔, 周思源, 林璟锵, 孙思维, 郑昉昱, 葛春鹏
    计算机研究与发展. 2026, 63(2): 405-418. doi: 10.7544/issn1000-1239.202440789

    数字签名在信息安全中扮演着至关重要的角色,但传统的数字签名算法在后量子时代面临失效的风险。SPHINCS+作为一种能够抵抗量子计算攻击的数字签名框架,将在后量子时代发挥越来越重要的作用。然而,SPHINCS+的计算速度较慢,难以满足现代密码算法对于高吞吐量和低延时的需求,极大地限制了其实用性。提出了一种基于国产深度计算单元(deep computing unit,DCU)的高效优化方案,以加速由国产哈希算法SM3实例化的SPHINCS+算法。通过提高内存拷贝效率、优化SM3、改进SPHINCS+的计算流程以及采用最佳计算并行度,在DCU上实现了SPHINCS+-SM3的128-f模式。实验结果表明,与传统CPU实现相比,DCU上的实现显著提高了签名生成和验证的吞吐量,分别达到了2603.87倍和1281.98倍的提升,极大地增强了SPHINCS+的计算效率和实用性,并推进了后量子密码算法的国产化进程。在数据流量和大量签名请求的场景下,DCU实现展现出显著优于CPU实现的性能优势。

  • 高性能计算
  • 刘根程, 王庆林, 洪楚河, 彭兴, 夏睿, 梁亚玲, 张庆阳, 车永刚, 刘杰
    计算机研究与发展. 2026, 63(2): 419-433. doi: 10.7544/issn1000-1239.202550130

    张量转置(tensor transposition)作为基础张量运算原语,广泛应用于信号处理、科学计算以及深度学习等各种领域,在张量数据密集型应用及高性能计算中具有重要作用。随着能效指标在高性能计算系统中的重要性日益凸显,基于数字信号处理器(digital signal processors,DSPs)的加速器已被集成至通用计算系统。然而,传统面向多核CPU和GPU的张量转置库因架构差异无法充分适配DSP架构。一方面,DSP架构的向量化计算潜力尚未得到充分挖掘;另一方面,其复杂的片上存储体系与多层次共享内存结构为张量并行程序设计带来了显著挑战。针对国产多核DSP的架构特点,提出ftmTT算法,并设计实现了一个面向多核DSP架构的通用张量转置库。ftmTT算法通过设计适配DSP架构的高效内存访问模式充分挖掘其并行化和向量化潜力,其核心创新包括:1)采用分块策略将高维张量转置转化为多核DSP平台所提供的矩阵转置内核操作;2)提出基于DMA点对点传输的张量数据块访存合并方案来降低数据搬运开销;3)通过双缓冲设计异步重叠转置计算与DMA传输实现计算通信隐藏,最终面向多核DSP实现高性能并行张量转置。在国产多核DSP平台FT-M7032的实验表明,ftmTT张量转置算法取得了最高达理论带宽75.96%的性能,达到FT-M7032平台STREAM带宽99.23%的性能。

  • 高性能计算
  • 陈新海, 彭嘉明, 乔鹏, 贾孟涵, 王庆林, 张翔, 杨博, 刘杰
    计算机研究与发展. 2026, 63(2): 434-447. doi: 10.7544/issn1000-1239.202550134

    随着高性能计算技术的迅猛发展,科学计算问题的复杂度和计算规模显著提升。网格生成作为科学计算的前置输入,是高性能计算领域的重要研究方向。针对大规模网格生成计算效率低、人机交互复杂等难题,发展智能化网格方法已成为研究热点,但如何在网格领域实现高性能计算与人工智能深度融合仍处于研究空白。针对上述问题,提出了一种基于无监督学习的智能并行结构网格生成框架,支持大规模多块结构网格的高效生成。框架集成了基于标架场的分块方法、傅里叶柯尔莫哥洛夫-阿诺德网络(Fourier Kolmogorov-Arnold network,傅里叶KAN)模型和网格对齐方法,采用无监督学习模式,自适应学习高质量网格划分规则,有效解决了已有智能方法在处理复杂外形上的局限性。引入并行迁移学习机制,通过迁移不同进程间网格生成任务的相似性特征,显著提升了模型收敛效率。实验结果表明,所提出的方法在亿维网格生成任务中,相比传统网格生成实现了最高10倍的效率提升。同时在5个不同质量度量下优于已有智能网格生成方法,达到了最优水平。

  • 图形与图像
  • 陈灿, 石鹏飞, 周超, 胡俊, 张登银
    计算机研究与发展. 2026, 63(2): 448-459. doi: 10.7544/issn1000-1239.202440681

    人工智能应用需要有与之适配的高速视频成像新技术以便更好地感知周围环境,基于深度学习的快照压缩成像(snapshot compressive imaging,SCI)提供了一种具有前景的解决方案。如何利用深度学习技术从观测值中重构高速视频是领域的前沿热点。然而,现有重构方法注重挖掘先验信息以提升重构质量,忽略了掩码和图像纹理对重构难度的影响,使得重构质量仍有进一步提高的空间。针对这个问题,提出一种基于重构难度感知的快照压缩成像方法RdpSCI(reconstruction difficulty perception-based SCI)。基于观测值中包含的信息由掩码和图像纹理共同决定观察,所提方法提出挖掘掩码和图像纹理与重构难度之间的关联,引导深度网络进行重构。特别地,提出一种改进残差密集连接网络模块I-ResDNet(improved ResDNet),通过引入重构难度权重向量引导特征融合,并创新地在ResDNet中引入通道打乱操作,降低特征融合效果对于通道划分方式的依赖,能够在不显著增加模型参数量的情况下增强特征融合能力。实验表明,RdpSCI相比于领域现有最优方法STFormer和EfficientSCI,在基准灰度数据集和基准彩色数据集上,重构结果的峰值信噪比分别有0.68 dB和0.54 dB的提升。

  • 图形与图像
  • 张飞翔, 李志华, 刘建军
    计算机研究与发展. 2026, 63(2): 460-476. doi: 10.7544/issn1000-1239.202550014

    在图像重建领域,传统的全变分(total variation,TV)会导致重建图像出现阶梯效应和对比度损失。针对此问题,利用非凸罚函数对TV进行改进并引入后向扩散处理机制,基于此,提出一种基于弹性全变分的图像重建模型。首先,为了克服重建图像的阶梯效应,用变形${l_1}$非凸罚函数对TV进行改进,以此加强模型对约束等距性质(restricted isometry property,RIP)的鲁棒性。其次,为了降低重建图像的对比度损失并抑制噪声,通过在模型中引入后向扩散处理机制,以便保证图像均匀区域的平滑性。然后,基于RIP条件推导了模型稳定重建的理论保证。最后,联合DC(difference of convex functions)规划和交替方向乘子法对模型进行求解,基于此进一步提出一个基于弹性全变分的图像重建方法。为了验证所提出方法的有效性、高效性和实用性,分别使用标准图像、自然图像和医学图像进行重建实验。实验结果表明,与已有方法相比,所提出方法在欠采样场景和噪声环境中的重建质量均有不同程度的改善和提高。

  • 网络与信息安全
  • 张毓涛, 杨惠, 李韬, 黄曼蒂, 李天云, 孙志刚
    计算机研究与发展. 2026, 63(2): 477-504. doi: 10.7544/issn1000-1239.202440623

    拥塞控制是实现高性能数据中心网络的关键技术之一,影响吞吐量、延迟、丢包率等重要网络性能指标。过去20年间,随着数据中心规模不断扩大,上层应用对网络性能的要求不断提高,基于无损底层网络的远程直接内存访问(remote direct memory access,RDMA)技术在数据中心的部署受到了业内广泛关注。然而,基于优先级的流控(priority-based flow control,PFC)机制在维护无损网络的同时会引入头阻塞等问题,导致网络性能下降甚至网络瘫痪。作为实现无损网络的关键辅助手段,如何设计实用的RDMA拥塞控制机制成为了热点问题。通过将拥塞控制过程划分为拥塞感知与拥塞调整,全面综述了该领域的研究成果:首先从显式反馈与延迟的角度详细阐述并总结了不同的拥塞感知代表算法;其次从速率和窗口的维度对拥塞调整代表算法进行了详细介绍并对其优缺点进行了总结;而后补充了部分算法的优化工作以及基于强化学习方法的拥塞控制算法;最后总结并讨论了该领域存在的挑战。

  • 网络与信息安全
  • 爱因坦, 阮宏玮, 刘翰林, 李华
    计算机研究与发展. 2026, 63(2): 505-524. doi: 10.7544/issn1000-1239.202550002

    在软件定义网络和网络功能虚拟化范式下,服务功能链(service function chaining,SFC)技术通过灵活编排虚拟网络功能实现了网络服务的定制化部署。然而,动态网络环境下SFC部署面临着决策空间大、环境复杂多变等挑战。强化学习因其自适应学习复杂环境特征并动态决策的能力,在解决SFC部署问题上展现出显著优势。该研究首先阐述了SFC部署的基本概念与技术架构,并具体介绍了基于强化学习的SFC部署框架。随后,从算法设计、应用场景和优化策略等角度,梳理并深入分析了强化学习在SFC放置、调度和重配置3个关键阶段中的研究进展与创新应用。最后,总结了现有研究在算法设计、性能优化和实际部署方面的优势与局限,并分析了该领域的技术挑战与未来发展趋势。

  • 网络与信息安全
  • 钟一, 陈珍珠, 付安民, 高艳松
    计算机研究与发展. 2026, 63(2): 525-538. doi: 10.7544/issn1000-1239.202550192

    模型劫持攻击是一种新型攻击方式,通过植入特定词语,能够隐蔽地控制模型执行与原始任务截然不同的劫持任务,使模型拥有者的训练算力成本增加的同时面临潜在的法律风险。目前,已有研究针对德-英文语言翻译模型探索了这一攻击方式,但在中文自然语言处理(natural language processing,NLP)领域尚属空白。中文语言的独特性使得其面临不同于其他语言环境的安全挑战,因此亟需开发针对中文模型的攻击评估方法。基于上述事实,提出了一种基于中文逻辑词的模型劫持攻击方法Cheater,用于评估中文模型的安全性。Cheater针对中-英文NLP任务,首先使用公共模型对劫持数据进行伪装生成过渡数据,再通过在过渡样本中嵌入中文逻辑词的方式对其进行改造生成毒性数据,最后利用毒性数据完成对目标模型的劫持。实验表明,对于Bart[large]模型,Cheater在0.5%的数据投毒率下攻击成功率可以达到90.2%。