近日，我院陈志德教授团队的最新研究成果《Nano-EmoX: Unifying Multimodal Emotional Intelligence from Perception to Empathy》被计算机视觉领域国际顶级学术会议 CVPR 2026（The IEEE/CVF Conference on Computer Vision and Pattern Recognition）录用。该成果标志着我校在多模态情感计算、计算机视觉与人工智能交叉研究方向取得了新进展，为紧凑型通用情感AI的研发与轻量化部署提供了全新技术路径。论文第一单位为福建师范大学，我院研究生黄嘉豪为第一作者，我院陈志德教授为通讯作者。该研究主要聚焦多模态情感语言模型长期面临的低层次感知与高层次交互断层、情感能力碎片化、资源消耗过高的关键挑战。当前情感计算模型大多局限于单一认知层级，难以实现从情绪感知到共情交互的全链路统一，且大参数模型的高算力需求严重制约了轻量化部署。针对上述问题，团队提出认知启发的三级情感任务层级框架，设计出轻量化多模态语言模型Nano-EmoX与P2E（Perception-to-Empat

为进一步提升国家自然科学基金项目申报质量，强化有组织科研的统筹引领，学院于3月5日上午和3月7日上午以线上线下相结合的方式，连续组织两场国家自然科学基金申报点评会。会议邀请校内和校外资深专家，分别针对申报书进行系统指导和深入点评。学院院长许力教授主持会议，校科技处吴怡处长到场指导。3月5日上午的首场点评会，聚焦院内基础，邀请许力、姚志强、陈黎飞、叶阿勇等4位校内专家，从学科积累和研究基础出发，对申报书进行系统性梳理与诊断，帮助教师进一步凝练研究方向、夯实申报根基。3月7日上午的第二场点评会，着力拓展外部视野，邀请于元隆、田晖、廖律超、王化群、肖亮等5位校外专家，从科学问题凝练、创新性表达、技术路线设计等方面，对申报书进行精准剖析和优化指导，为申报工作注入新的思路与活力。两场点评会互动充分、交流深入，现场学术氛围浓厚。与会教师表示，校内专家把关基础、校外专家拓宽视角，分层分类的指导方式更具针对性和实效性，对进一步完善申报书、提升申报质量具有重要启发意义。下一阶段，学院将继续加强组织统筹，持续跟进申报书修改进展，做好全过程服务保障，推动有组织科研落细落实，助力教师在2026年度国家自然科学

题目：青年教师科研发展的经验分享主讲：马卓时间：2026年1月15日上午9:00地点：计网楼511会议室报告摘要：介绍国家自然科学基金项目的基本情况，结合相关项目申报和评审经历，从自我评估、选题策略、标书撰写和注意事项等方面提出相关建议，帮助有意申请国家自然科学基金的青年教师快速了解相关内容。另一方面，从人工智能安全攻防领域的科研实践出发，浅谈高水平科研成果的探索之路，希望能够对青年教师的科学研究有所帮助。个人简介：马卓，国家级青年人才，陕西省杰青，陕西省科技创新团队带头人，西安电子科技大学华山学者特聘教授，博士生导师。现任中国电子学会网络空间安全专委会青年常委，中国人工智能学会智能服务专委会常务委员，软件学报青年编委，网络与信息安全学报编委。主要从事智能系统与数据安全方面的研究，以第一作者/通信作者，在SP、NDSS、Usenix Security、CCS、SIGMOD、IEEE TIFS等国内外重要会议和期刊发表论文50余篇。主持国家重点研发计划项目、国家自然科学基金重点项目、组织间合作交流项目等10余项国家级项目/课题，研究成果获省部级一等奖3项。

题目：中医健康理念时间：2025年12月7日(星期天) 下午15:30 ~ 17:00地点：计网楼511会议室主讲：杨朝阳主办：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, 福建公共服务大数据挖掘与应用工程技术研究中心参加对象：学院感兴趣的师生、工程中心，研究所教师和研究生报告摘要：健康是一门科学，更是一种文化智慧。本场科普讲座将带您领略传统中医药文化的智慧精髓，解读“自然、静心、杂食、适劳、慎医”这五大健康要素背后的科学道理与文化内涵。我们将一同澄清养生误区，学会将健康作为一种理念融入生活，让古老的养生智慧成为您现代生活的健康指南。专家简介：杨朝阳，男、中共党员，教授、博士生导师、医学博士、复旦大学基础医学学科博士后、美国华盛顿大学医学院访问学者。现任福建中医药大学中医学院副院长（主持工作）、国家中医药管理局中医健康管理高水平中医药学科建设负责人、福建省科技创新团队负责人，福建省状态辨识重点实验室负责人。兼任世界中联中医健康管理专业委员会副会长兼秘书长、中华中医药学会诊断分会常务委员、福建省中医药学会治未病分会主委。研究方向是中医健康管理的理论和应用研究。主持国家自然基金

随着工业物联网特别是新能源产业的迅猛发展，海量高维时序数据已成为工业物联网特别是储能领域等关键设施的核心数据形态。真实工业数据呈现出的强非线性耦合、动态跨尺度演化及高噪声特性，使现有方法因缺乏物理先验与因果逻辑而常陷于误判困境。如何突破现有模型在时空依赖建模与隐性故障溯源方面的局限，成为当前提升工业物联网系统应用可靠性亟待攻克的共性难题。近日，我院肖如良教授课题组在高维多变量时间序列异常检测方向取得了系列性进展。课题组研究聚焦于复杂工业场景下高维时序数据的时空依赖挖掘与抗噪表征，综合运用了双视图潜变量建模、因果反事实推理以及跨尺度频域交互等方法，旨在面向工业物联网环境特别是真实新能源应用领域，攻克非线性耦合与隐性故障溯源难题，实现兼具物理一致性、高鲁棒性与深层可解释性的智能异常检测。研究成果一：针对储能系统在电动汽车、光伏、风电等场景中的异常检测困难问题，提出了面向多传感器电池系统的双视图潜变量异常检测方法 DVSAD，以应对高维传感器数据下的安全监测需求。该方法将传感器关系图与时间序列特征融合建模，并结合扩散噪声平滑与物理先验驱动的结构引导评分，以增强对跨传感器耦合与噪声扰动的识别能

肝脏血管精准分割是肝脏手术规划、肝移植等临床诊疗的关键前提，对降低手术风险、提升治疗效果至关重要。近日，我校计算机与网络空间安全学院时鹏博士研究团队与福建肿瘤医院钟婧博士团队合作，在肝脏血管分割领域取得重要突破，提出残差启发的多尺度特征融合网络（RMFF-Net），为临床精准诊疗提供了新的技术支撑。该研究成果在公共数据集上表现优异：在3Dircadb数据集动脉分割DSC达0.849、静脉DSC达0.846，MSD数据集整体DSC达0.726，且网络参数仅15.38M，在保证高精度的同时兼顾了计算效率。这一技术创新有效解决了肝脏血管结构复杂、分布稀疏、与周围组织对比度低等分割难题。在实验验证中，RMFF-Net展现出巨大的临床应用潜力。该模型可显著减少医生手动标注CT图像的时间，提升工作效率。特别在小血管分割场景中表现优异，这对肝癌患者的精准分期、手术边界确定具有重要意义。这项技术的成功研发，将有力推动肝脏外科诊疗向更高效、更精准的方向发展。在术前评估方面，可为医生提供清晰的血管解剖结构，帮助制定个体化手术方案；在术中导航方面，可实时提供血管位置信息，避免损伤重要血管；在术后监测方面，能

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。