近日，我院林丽美教授及其团队围绕图型网络故障诊断关键理论与算法开展系统研究，在中国计算机学会推荐 A 类期刊《IEEE Transactions on Networking（IEEE TON）》上连续发表四篇论文。相关成果面向数据中心网络与典型互连网络在复杂故障场景下的可靠运行需求，聚焦循环故障诊断、间歇性故障诊断及分支故障模式等关键问题，形成了“可证明诊断界—高效诊断算法—实验验证评估”的完整研究链条，为大规模网络系统的故障快速定位与高可靠容错运行提供了理论支撑与方法参考。研究成果一：DCell 循环诊断度与快速诊断算法该成果面向服务器中心型数据中心网络 DCell 的高可用运维需求，提出并刻画循环诊断度，在 PMC 与 MM* 两种系统级诊断模型下给出理论结论 (ctc(DCell_{k,n})=4k+2n-5)，并提出快速诊断算法 PMCCFD/MMCFD。实验在 DCell_{2,5} 与真实网络 WUPG 上验证，在较低故障规模下 Accuracy 与 NPV 可保持在 0.95 以上，体现出良好的工程适用性与可扩展性。该工作成果以 “Cyclic Diagnosabilit

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

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。

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