近日，我院林铭炜教授课题组在大数据分析与智能决策领域取得重要进展。当前传统非负张量隐因子分解模型尽管能够有效表征高维不完备张量，但其仍面临两个主要局限：首先，该类模型本质上是线性的，难以捕捉高维不完备张量中潜在的非线性特征；其次，模型依赖于随机初始化的非负参数以及专门设计的非负训练方案。为解决上述问题，课题组创新性地提出了一种加速无约束非负神经张量隐因子分解（AUN-NLFT）模型。该模型的核心思想包括以下三个方面：1）引入神经网络结构与非线性的激活函数，以更精确地刻画高维不完备张量中的非线性特征；2）构建一个非负映射域，借助单元素级依赖的映射函数将非负约束从隐因子转移至输出决策参数，从而实现对模型的无约束优化；3）采用高度兼容的带动量项的随机梯度下降算法作为反向传播的学习方案，该方案不仅保证了训练过程的有效性与可扩展性，还显著提升了收敛速度。在十个高维不完备张量数据集上的实验结果表明，相较于当前各类先进模型，AUN-NLFT模型在估计精度和每轮迭代时间成本方面均展现出显著优势。图1 加速无约束非负神经张量隐因子分解模型研究成果以“Neural Nonnegative Latent F

为助力青年教师成长，提升课堂教学质量，学院积极开展“解剖”一堂课教学活动。我院方禾、方莹两位老师分别就“网络空间安全的数学基础——降维”和“计算机科学与数学——认识有限状态机”主题开展示范教学，并组织观摩教师进行了深度的课后剖析与研讨。方禾老师以解决网络空间安全问题为导向，从降维的基本概念入手，介绍了主成分分析和线性判别分析等方法，引导学生建立从数学模型到具体实现的清晰思路，充分展现网络空间安全中独特的数学魅力。方莹老师以有限状态传感器为主线，从有限状态机的基本概念入手，带领学生理解状态、输入与输出之间的逻辑关系，并结合自动售货机等生动案例，将抽象的理论内容具象化、生活化，帮助学生建立从模型理解到算法实现的清晰思路。观摩结束后，全体参与教师结合当前教学改革热点，围绕教学理念、内容设计、方法运用及教学效果等维度，对两位老师的课堂教学进行全方位“解剖”，并就课堂教学节奏、课件设计优化、互动时间分配等问题进行深入交流。现场研讨氛围热烈，切实帮助青年教师提升课堂教学水平，为学院高质量课堂建设注入新的活力。

近日，我院林铭炜教授课题组在大数据分析与智能决策领域取得重要进展。随着在线教育服务的发展，学生表现预测任务面临着数据高维、不完备且持续更新的严峻挑战，传统方法难以有效应对。针对这一难题，课题组创新性地提出了一种增量式非线性协同隐因子分析（IN-CoLFA）模型。该模型增强了隐因子分析框架，通过协同分解技术，将学生得分矩阵与专家提供的习题知识点关联矩阵进行联合建模。同时，还融入了受神经网络启发的非线性结构，以捕捉学生与习题之间复杂的交互关系。为了实现高效的增量学习，该模型被无缝拓展至增量版本，使其不仅能对历史数据进行离线训练，还能在新数据持续产生时不断优化和完善预测。在多个数据集上的实验结果表明，无论是在静态还是动态学生表现预测任务中，IN-CoLFA模型均表现出有效性和高效率。研究成果以“An Incremental Nonlinear Co-Latent Factor Analysis Model for Large-Scale Student Performance Prediction”为题，发表于CCF A类国际期刊《IEEE Transactions on Services

随着数字经济的快速发展，数据已经成为推动国家和社会发展的重要战略资源，数据异常检测不仅可以防范网络和数据系统安全，而且在社交媒体分析、生物信息学、金融市场监管以及交通网络和智能城市规划中都有着广泛的应用。近期，我院许力教授课题组在高维复杂数据的异常检测方向取得了系列性进展，课题组研究聚焦于高维与高阶数据的结构建模与高效学习，综合运用了张量低秩恢复、中心性度量、多模态融合以及元学习等方法，旨在面向真实网络和数据环境实现更具解释性和鲁棒性的异常检测。研究成果一：课题组在网络流量异常检测研究中提出了一种融合张量特征表示与特征向量边中心性的创新方法。该方法通过构建张量特征向量“边中心性”公式对链路重要性进行量化，并结合低秩张量恢复与表征学习，在模型中引入中心性特征与Laplacian项，以有效捕捉非线性邻域与结构信息。在提升随机异常检测精度的同时，该方法对定向攻击等由高中心性链路引发的异常表现出更高的灵敏度。实验结果显示该方法在精确率和召回率等指标上展现出明显的优势。相关成果论文《Enhanced network traffic anomaly detection: Integration o

近日，我院许力、林丽美、汪晓丁教授团队在智能通信与联邦学习安全领域取得重要进展，成功在人工智能领域国际顶级会议 IJCAI 2025（CCF A 类会议，IJCAI 作为人工智能领域最具影响力的国际会议之一，本届会议共收到全球 5404 篇投稿，录用率仅为 19.3%，竞争激烈）上发表三篇论文。随着语义通信和联邦学习技术的快速发展，数据隐私保护变得尤为重要。针对原始感知数据在共享与处理过程中可能存在的隐私泄露风险，该团队分别面向语义通信、个性化联邦学习与投毒攻击防御等方向，提出了创新的隐私保护框架。这些框架不仅有效提升了数据安全性与隐私性，同时极大降低了系统的计算复杂度，为智能交通、医疗和金融等隐私敏感场景提供了安全可靠的解决方案。研究成果一针对语义通信中模型反演与对抗攻击风险，构建动态行列混淆加密与原型对抗对齐机制，在语义特征提取阶段引入多级扰动，通过表示学习增强的对比损失函数约束，实现端到端隐私保护。实验显示，该架构在 CIFAR-10 分类任务中对抗攻击防御性能提升3%-5%，攻击者重构有效图像数量减少90%，为 6G 智能通信、工业数字孪生等场景提供了安全高效的语义传输新标准。

近日，我院2022级本科生集中实习工作圆满完成。今年5月初，我院开始筹备集中实习工作，谋划各系实习内容和实习方案，并组织安排院内教师及校外实践基地专家参与带队与指导，确保实习内容科学、流程规范、安全有序。7月初，集中实习工作全面启动，学院组织相关教师、企业代表和全体实习生召开集中实习开班仪式暨安排部署会。会议强调，专业实习在应用型人才培养中的核心地位，希望同学们充分利用这次宝贵机会，将所学理论知识与行业实际需求相结合，提升解决复杂工程问题的能力，同时培养团队协作精神和严谨工作态度。本次集中实习工作得到了多家校企合作单位的大力支持，确保同学们能学有所向、练有所成。在项目开发综合实训中，同学们在企业导师和学院老师的双重指导下，参与需求分析、系统设计、编码实现和测试运维的全流程，一个个功能模块从无到有，同学们深刻体会了项目开发的魅力与挑战。在网络空间安全综合实训中，同学们模拟真实网络环境，进行漏洞扫描、渗透测试和安全加固。他们与网络攻击技术“斗智斗勇”，在攻防实战中深化了对网络空间安全的理解，守护网络安全的使命感油然而生。实习期间，学院领导和指导老师也多次深入各实习点，关心同学们的学习和生活

报告题目：开放环境下多模态学习与应用时 间：2025年9月14日（星期天）下午15：30地 点：计网大楼507会议室主办：福建师范大学计算机与网络空间安全学院数字福建大数据安全技术研究所 福建省公共服务大数据挖掘与应用工程技术研究中心参加对象：计算机与网络空间安全学院相关专业教师和学生报告摘要：本报告将介绍我们近年来在开放环境下多模态学习研究与应用方面的相关工作进展，主要针对开放环境凸显的多变特性引发的模态难交互、决策难适配等挑战，为此提出了相关可靠多模态表征方法，以及稳健预测方法，提升了应对变化情况的能力，并在相关实践中应用。报告人简介：杨杨，南理工计算机科学与工程学院教授、博导、青拔。主要研究方向是开放环境数据挖掘。目前主持科技部重点研发青年科学家项目等，以第一作者\通讯作者身份发表IEEE TPAMI、TKDE、TIP、ICML、NeurIPS、KDD等CCF A类期刊和会议论文30余篇，获国际会议ACML17最佳论文奖，江苏省杰出青年基金项目、科协青年人才托举工程支持。基于研究成果，在CVPR、ICCV等国内外相关竞赛上获20余项冠军。

9月1日，2025-2025学年第一学期正式开课。校长郑家建、校党委副书记陈晓红和校纪委书记林月恩深入我院学生课堂，详细了解学生返校情况，与同学们亲切交流，并致以诚挚的关心和慰问。学院领导许建萍、陈黎飞等分别带队察看学院新学期授课情况。为确保新学期开好局、起好步，学院高度重视，提前谋划、积极行动，多措并举保障新学期开学工作有序开展。8月31日，学院召开教职工大会暨新学期工作部署会。许力院长代表学院党政领导班子全面总结2025年学院十项重点工作进展情况，对下一阶段工作进行部署。许建萍书记就助力学校全力冲刺“双一流”建设、谱写学院事业高质量发展新篇章提出要求，并通报了意识形态和安全稳定形势，对相关工作进行了强调。其他学院领导就分管领域开学初工作进行具体布置。8月27日，学院召开2025年暑期学生工作研讨会暨学生工作例会。会议传达了学校学生工作例会精神并提出了具体贯彻落实举措。全体政工干部围绕新生入学教育、学风建设、就业创业指导、温暖集体建设、心理健康教育等专题进行了深入交流和研讨。邓胜柱副书记在会上强调，全体辅导员要进一步增强使命感和责任感，以昂扬斗志和饱满的精神状态投入到新学期的工作；要

近日，福建师范大学计算机与网络空间安全学院(软件学院)姚志强教授课题组在大数据安全与隐私计算领域取得重要研究突破，提出了一种新型框架FIBNet，既保证人脸识别率达到要求，又抑制人脸表征中的隐私信息。课题组基于信息瓶颈（IB）原理，将该问题建模为表示层面的优化问题，通过变分近似方法，使用深度神经网络参数化信息编码器和效用解码器，构建了信息瓶颈目标函数的下界。为确保训练稳定性，在信息编码器中引入重参数化技巧，并在效用解码器中加入加性角度余量惩罚，从而生成具有高识别性能的面部表征。图1新型FIBNet的体系架构与流程图课题组还从信息论方法提出了人脸生物特征的双级隐私增强计算框架，通过解耦敏感属性与人脸表征，使攻击者只能随机猜测敏感属性的潜在标签值来重构用于人脸识别的图像数据，同时有效防止披露的人脸表征泄露敏感属性信息。依据马尔可夫链S-X-Z假设，构建了人脸条件隐私漏斗(Face-CPF)优化问题以寻找最优隐私信道，并且分析互信息项的变分近似界，进一步提出了深度变分近似Face-CPF优化目标。通过使用DNN模型参数化变分近似分布，从而构建了Face-CPFNet模型。图2 Face-CP

近日，我院林铭炜教授课题组在大数据分析领域取得重要进展。课题组创新性地提出了一种融合神经网络的隐因子分析模型，通过结合神经网络的非线性建模优势与隐因子分析模型的高效性，显著提升了缺失数据估计精度。传统方法难以同时兼顾非线性建模与计算效率。针对这一难题，融合神经网络的隐因子分析模型利用神经网络捕捉数据复杂结构，同时融入隐因子分析框架以保证高效计算。实验表明，该模型在工业数据集上的估计精度最高提升了33.3%，且存储和计算效率优于现有方法。研究成果以“Neural Networks-Incorporated Latent Factor Analysis for High-Dimensional and Incomplete Data”为题，发表于中科院一区TOP期刊、CCF B类期刊《IEEE Transactions on Systems, Man and Cybernetics: Systems》。该论文以福建师范大学为第一单位，第一作者为我院林铭炜教授，第二作者为我院2023级软件工程专硕研究生林兴宇同学。该研究工作得到国家自然科学基金（项目号：62272078）、福建省杰青基金（项