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

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。

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。

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

2025 年上半年，福建师范大学计算机与网络空间安全学院（软件学院）林丽美教授课题组在多个前沿技术领域连获突破，多篇研究成果发表在 IEEE Transactions系列期刊，由林丽美教授主导完成。代表性成果速览1.《Forward Legal Anonymous Group Pairing-Onion Routing for Mobile Opportunistic Networks》随着移动机会网络在各种无线通信和互联网应用中的广泛应用，网络的稳定性和安全性面临着越来越多的挑战，现有的匿名路由协议多未考虑前向安全性和消息合法性验证，导致系统容易受到多种攻击，如身份泄露和数据篡改等。为了解决这些问题，我校计算机与网络空间安全学院林丽美教授团队提出了一种新型的前向合法匿名组配对洋葱路由协议（FLAG-POR），其有效提高了消息转发率，还确保了节点和路径的匿名性并能抵抗多种潜在的攻击威胁。该成果为应对移动机会网络中的匿名路由挑战提供了创新性的解决方案。在匿名通信领域，课题组针对移动机会网络中存在连接不稳定与身份泄露等问题，创新性提出FLAG-POR协议（Forward Legal Ano

近日，我院许胜民教授课题组在数据安全与隐私保护领域取得重要研究突破，创新性地提出了一种模糊身份基匹配加密方案，并成功应用于匿名社交网络系统的设计中。该方案具备优异的安全性、计算效率和系统扩展性，显著提升了匿名通信环境下的灵活授权能力与资源利用效率。相关实验结果表明，该方案在计算开销和存储资源消耗方面相较于现有技术均实现大幅优化，展示出良好的实际部署潜力。该研究成果以题为 “EASNs: Efficient Anonymous Social Networks With Enhanced Security and High Scalability”，发表在网络空间安全领域国际权威期刊、CCF A类期刊 《IEEE Transactions on Information Forensics and Security》 上。论文以福建师范大学为第一完成单位，第一作者为我院2022级研究生黄文峰同学（现为暨南大学博士研究生），唯一通信作者为我院许胜民教授。本研究工作得到了国家自然科学基金重点项目与面上项目（编号：62425205、62402109、62372108、62102090）、国家重点研

报告题目：高维不完备张量表示学习模型的初步研究时间：2025年7月1日（星期二）上午10：00地点：线上#腾讯会议：335-614-911主办：计算机与网络空间安全学院参加对象：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：高维不完备张量是描述物理社会中大量节点间复杂交互的常用数据结构，如本研究中聚焦的大规模城域网节点通信。对其进行精确、高效的表示学习，是开展后续知识发现和模式识别的重要前提。在本项研究中，我们运用张量CP分解原理，对三阶高维不完备张量表示学习模型进行了初步研究，提出了BNLFT-ANLT-NeuLFT系列模型，初步实现了对三阶高维不完备张量的高效准确表示学习。相关文章发表在IEEE T-PAMI、IEEE T-KDE、IEEE T-CYB期刊上。报告人简介：罗辛，工学博士、“香江学者”博士后，西南大学二级教授、博士生导师，计算机与信息科学学院 软件学院院长，IEEE/AAIA Fellow，国家高层次领军人才、国家高层次青年人才、国家网信优秀人才、中国科学院百人计划入选人。研究聚焦数据科学领域，在IEEE T-PAMI、T-KDE、T-NNLS等国际期刊和WWW