网络技术是超级计算、云计算、大数据和人工智能等大规模高效计算的基础。不同领域的网络技术既互相借鉴，又各自针对性设计和优化。综合考虑，本文认为大规模高效网络计算中的网络技术发展趋势主要包括3个方面，即融合、分化、优化。融合体现在不同领域的网络技术没有明显分界线；分化体现在不同领域的独特解决方案或者新应用需求下的创新方案；优化体现在针对特定场景的技术优化实现。本文将为相关领域的学者提供对于未来研究方向的思考，也为相关行业人员构建更加实用高效的网络系统提供方向。

人工智能通过从数据中识别隐藏模式以提高金融决策质量，从而加速金融服务的发展。然而，除了通常需要的属性，如模型准确性，金融服务还需要可信赖的人工智能，但其属性尚未充分实现。这些可信人工智能的属性是可解释性、公平性和包容性、稳健性和安全性，以及隐私保护。在本文中，我们回顾人工智能应用于金融服务各领域的最新进展和局限性，包括风险管理、欺诈检测、财富管理、个性化服务和监管技术。基于这些进展和局限性，介绍了金融大脑2.0，一个走向可信人工智能的研究框架。我们认为，在金融服务中，我们离真正可信人工智能还有很长的路要走，并呼吁人工智能和金融业的社区一同努力。

作为一门交叉学科，传统的认知科学主要采用实验、归纳、建模和验证的研究范式。对于包含大量用户异质行为和动态特性的社会物理信息系统，此种建模方法有时并不适用。为减少复杂人机系统中的人–机决策冲突，提出采用智能技术与系统来考察认知活动和认知功能的建模范式——平行认知。该范式分为三个阶段：基于人工认知系统的描述认知、基于计算思维实验的预测认知以及基于行为交互引导的引导性认知。在此基础上，进一步提出由心理模型和用户行为数据混合驱动的学习方法，自适应地学习人类个体的认知决策知识，从而使得三个阶段能够持续在线迭代。在交通行为引导和视觉推理场景下的初步实验表明，平行认知学习对于人类的行为引导是可行且有效的，有利于提升复杂工程系统和复杂社会系统中的人机协同程度。

去中心化多源域自适应是指在数据去中心化场景下执行无监督多源域自适应。数据去中心化的挑战是源域与目标域在训练中缺乏跨域协同。对于无标签的目标域，目标域模型需要在源域模型的协助下迁移监督知识，而域差距会导致源域模型的适应性能有限。对于有标签的源域，源域模型在数据去中心化场景下倾向于过拟合本地数据，从而导致负迁移问题。对于以上挑战，提出双向协同的去中心化多源域自适应方法，通过其它域模型的协助进行局部源域模型与局部目标域模型的协同训练与聚合。对于目标域，我们在源域模型的协助下蒸馏监督知识，同时完全利用无标签目标域的数据来缓解域偏移问题。对于源域，我们在目标域模型的协助下正则化源域模型来避免负迁移问题。以上过程在去中心化的源域和目标域之间形成一种双向协同，以便在数据去中心化场景下提升域自适应性能。在标准多源域自适应数据集上的实验表明，我们的方法以较大优势优于现有的多源域自适应方法。

交通信号控制正从被动控制过渡到主动控制，以引导当前交通流按预期状态运行。一个有效的预测模型对主动交通信号控制至关重要；其中预测什么交通状态，如何高精度预测，以及如何利用预测优化控制策略是主动交通信号控制研究的关键问题。本文使用车辆位置图像描述路口交通状态，同时受基于模型的强化学习方法DreamerV2的启发，引入基于学习的交通世界模型。该世界模型以图像序列描述交通动态，并作为交通环境的抽象替代以生成多步预测样本用于控制策略优化。在执行阶段，优化后的交通信号控制器根据交通状态的抽象表示直接实时输出控制指令，同时世界模型能够预测不同控制行为对未来交通状态的影响。实验结果表明，基于交通世界模型优化的控制策略的性能优于一般基准，并且世界模型实现了基于图像的高精度预测；这些结果显示了世界模型在未来交通信号控制中的应用前景。

故障分类作为过程监控中不可缺少的部分，其性能高度依赖于过程知识的充分性。然而，由于采样条件有限及实验室分析昂贵，数据标签总是难以获取，这可能导致分类性能下降。为了解决这个难题，本文提出一种新的半监督故障分类方法，其中每个未标记样本相对于特定标记数据集的价值采用增强的主动学习来评估。具有高价值的未标记样本将作为训练数据集的补充信息。此外，引入了几个合理的指标和准则大大降低了人工标注的干扰。最后，通过数值例子和田纳西伊士曼过程（TEP）评估了该方法的故障分类有效性。

麻雀搜索算法（SSA）是一种新的元启发式优化方法，具有简单和灵活的优点。然而，在处理多模态优化问题时，该算法仍存在早熟收敛、探索与开发不平衡等缺陷。针对上述问题，本文提出一种多策略增强的麻雀搜索算法（MSSSA）。首先，引入混沌映射以获取高质量的初始种群，并采用对立学习策略增加种群的多样性。其次，设计了一种自适应参数控制策略，以在全局探索与局部开发之间保持适当的平衡。最后，在个体更新阶段嵌入混合扰动机制，以避免算法陷入局部最优。为了验证所提方法的有效性，在IEEE CEC2014和IEEE CEC2019测试集的40个函数，以及10个不同维度的经典函数上进行了大量的实验。实验结果表明，与一些先进的算法相比，所提出的MSSSA表现出突出的优化性能。该算法还成功地应用于两个工程优化问题，证明了MSSSA在解决实际问题方面的优越性。

分析电力系统在连锁故障中的薄弱环节是电力系统分析领域极具挑战的难题。电力系统领域的传统分析方法虽能发现一些简单的传播规律，但却难以捕捉不同运行条件下的复杂细节。近年来的研究引入了深度学习算法来解决这一难题。然而，现有基于深度学习的方法大多仅从拓扑层面考虑电力系统的网架结构，未能充分考虑空间信息（如电距离）以提高图卷积过程的精确度。鉴于此，本文提出一种新型电力系统加权线图，综合考虑电力系统拓扑结构和空间信息，大幅优化线图的边权分配。此外，本文提出一种基于图分类任务的多图卷积网络（MGCN），在保留电力系统空间相关性的同时有效捕获物理元件之间的关联。经验证，该模型能够在具有额外拓扑特征的建模系统中保持理想精度，从而更好地分析存在并行输电线路的复杂连锁故障。最后，本文采用逐层相关传播方法解释MGCN，并量化了模型分类的贡献因子，有效提升模型的可解释性。

本文研究输入时滞分数阶（0<α<1）奇异系统的观测器控制问题。基于史密斯预测器和逼近误差，有输入时滞的系统近似等价于无输入时滞的系统。进一步地，基于线性矩阵不等式方法，提出基于观测器控制的充要条件。该条件由于包含等式约束，因此是非严格线性矩阵不等式条件，在使用工具箱求解时会遇到一些麻烦。因此，本文改进了基于严格线性矩阵不等式的条件。最后，通过数值算例和直流电机实例说明了基于严格线性矩阵不等式的条件的有效性。

提出一种未知辐射源信号特征辅助的广义标签多伯努利滤波器。复杂电磁环境下，辐射源特征通常未知且随时间变化。针对辐射源特征未知的问题，提出一种基于数据场动态聚类的辐射源特征求解方法。针对辐射源特征时变以及对应的概率分布未知的问题，提出一种改进的模糊C-均值算法来计算目标和杂波量测的相关系数，以近似辐射源特征的似然函数。在此基础上，将辐射源特征集成到广义标签多伯努利滤波器中，从而获得新的递归方程。仿真结果表明，提出的方法可以提高对多目标的跟踪性能，尤其在强杂波环境中。