提出旨在增强智能教育的大型语言与领域特定模型协作（LDMC）框架。LDMC框架充分利用大型领域通用模型的综合全面知识，将其与小型领域特定模型的专业和学科知识相结合，并融入来自学习理论模型的教育学知识。这种整合产生的多重知识表达促进了个性化和自适应的教育体验。在智能教育背景下探讨了LDMC框架的各种应用，包括群体学习、个性化辅导、课堂管理等。LDMC融合了多种规模模型的智能，代表了一种先进而全面的教育辅助框架。随着人工智能的不断发展，该框架有望在智慧教育领域展现较大潜力。

后摩尔时代，有源相控阵天线必然向有源阵列微系统发展。本文简述了有源阵列天线的特点和组成；围绕有源阵列微系统的高效率、低剖面和轻量化等特点，分析了在机载多功能雷达、航天雷达和通信系统等工程方面的应用前景和优势；针对集成电路后摩尔时代的特点，提出了有源阵列微系统多尺度、多信号和多物理场等耦合科学技术问题；分析讨论了天线阵列微系统所涉及的新型架构和算法、无源器件微型化、新型材料与工艺、超宽带技术、跨领域新技术应用等挑战，为有源阵列微系统深入研究奠定基础。

图神经网络（GNN）在各种与图相关的任务中已取得显著性能。最近GNN社区的证据表明，这种良好的性能可归因于同质性先验，即连接的节点倾向于具有相似的特征和标签。然而，在异配性设置中，连接节点的特征可能会有显著变化，导致GNN模型性能明显下降。本文将此问题定义为先验数据冲突，提出一种名为混合先验图神经网络（MPGNN）的模型。首先，为解决异配图上同质性先验不匹配的问题，引入无信息先验，它不对连接节点之间的关系做任何假设，并从数据中学习这种关系。其次，为避免同质图上性能下降，通过可学习的权重实现软开关，以平衡同质性先验和非信息先验的影响。评估了MPGNN在合成图和真实世界图上的性能。结果表明，MPGNN能够有效捕捉连接节点之间的关系，而软开关有助于根据图的特征选择合适的先验。基于这两个设计，MPGNN在异配图上优于最先进的方法，而在同质图上不会牺牲性能。

在深度学习网络的研究中，使用卷积神经网络的水印算法表现出良好的鲁棒性。然而，通过卷积嵌入水印信号后，卷积的特征融合效率相对较低；这很容易导致嵌入图像的失真。当医学图像发生失真时，特别是在扩散张量图像（DTI）中，DTI的临床价值就会丧失。为解决这个问题，提出一种通过融合卷积与Transformer实现的DTI鲁棒性水印算法，以确保水印的鲁棒性和采样距离的一致性，从而提高嵌入水印信号后的DTI重建图像质量。在水印嵌入网络中，使用T1加权（T1w）图像作为先验知识。提出T1w图像和原始DTI之间的相关性，并利用Transformer从T1w图像中提取与原始DTI最相关的重要特征提升重建DTI图像质量。在水印提取网络中，Transformer充分学习水印DTI中最重要的水印特征，从而从水印特征中鲁棒提取水印信号。实验结果表明，水印DTI的平均峰值信噪比（PSNR）达到50.47 dB，扩散特征如平均扩散率和各向异性分数保持不变，主轴偏转角αAC接近1。所提算法可以有效保护DTI版权，几乎不影响临床诊断。

数据补全是数据治理的一项重要预处理任务，目的是填补不完整的数据。然而，传统的数据补全方法只能通过单张数据表格在一定程度上缓解数据的不完整问题，并未能在补全值的准确性和效率之间达到最佳平衡。本文提出了一种新颖的数据补全可视化分析方法；设计了一套多方表格数据关联策略，采用智能算法识别相似列并在多个表格之间建立列之间的关联关系，然后利用其它表格中的相似数据条目对缺失数据进行初始补全；开发了一个可视分析系统来优化数据补全的候选值。本文中的交互式系统将多方数据补全方法与专家知识相结合，有助于更好地理解数据的关系结构，显著提高了数据补全的准确性和效率，提升了数据治理质量和数据资产内在价值。实验验证和用户调查表明，本文方法支持用户使用领域知识验证判断相关列及相似行。

由于热门趋势/话题页在在线社交网络平台中的巨大影响力，一种名为社交网络虚假流量服务的新的灰黑色产业应运而生。社交网络虚假流量服务提供了一种恶意服务使得想引导舆论的恶意客户将其给定话题推送到社交网络热门趋势/话题页。为达成他们劫持社交网络热门趋势/话题页，这些服务的提供商维持着一支被称为“虚假流量账户”的恶意账户大军，他们控制这些账户，通过短时间内大量转发含有客户所需话题（标签）的推文产生大量虚假流量。尽管这项服务已经广泛影响了社交网络生态，但人们对它知之甚少。本文对社交网络虚假流量服务进行系统性的测量研究。首先调查并发现不同来源的125个社交网络虚假流量提供商，并设立一个蜜罐账户捕获这些提供商控制的恶意账户。之后，建立了一个社交网络虚假流量检测器，从中国最大的微博网站新浪微博中检测出162 218个恶意账户，检测精度达到94.5%。进一步利用这些恶意账户作为桥梁，发现了296 916个可能涉及虚假流量的话题。最后，从攻击周期和攻击实体的角度揭示了社交网络虚假流量灰黑色产业链的运行机制。其中，发现了涉及社交网络虚假流量的恶意账户的时间性攻击模式和智能规避战术。这些发现使得社交网络虚假流量的运行机制暴露在大众的视野下。基于这些发现，我们的工作将有助于理解并最终消除这种威胁。

一阶全变分（TV）正则化的低秩矩阵分解在恢复图像结构上表现出优异性能。利用全变分在图像去噪方面的优异性能，提高深度神经网络鲁棒性。然而，尽管一阶全变分正则化可以提高模型鲁棒性，但其过度平滑降低了干净样本的准确率。本文提出一种新的低秩矩阵恢复模型，称为LRTGV，该模型将广义全变分（TGV）正则化引入到重加权低秩矩阵恢复模型。在所构建的模型中，TGV可以在不过度平滑的情况下更好地重建图像纹理信息。重加权核范数和L1范数可以增强全局结构信息。因此，本文所提出的LRTGV模型在破坏对抗噪声结构的同时能增强图像全局结构和局部纹理信息。为解决具有挑战性的最优模型问题，本文提出一种基于交替方向乘子法的算法。实验结果表明，该算法对黑盒攻击具有一定防御能力，并且在图像恢复方面优于现有低秩矩阵恢复方法。

主动异常检测通过查询被采样实例的标签，增量更新检测模型，已被广泛用于检测网络攻击。然而，现有方法不能在动态网络流量上实现预期表现，这是因为：（1）它们的查询策略不能采样具有信息量的网络流量，以使检测模型适应数据分布不断变化的网络流量；（2）它们的模型更新仅依赖于有限的查询流量，不能利用网络流量中巨大的未标记流量。为解决这些问题，提出一种自适应增强的主动先验知识森林模型A3PF，用于网络流量的异常检测。通过利用网络攻击的先验知识，寻找能更好区分异常网络流量和正常网络流量的特征子空间，从而构建先验知识森林模型。一方面，为使模型适应不断变化的网络流量，设计了一种新的自适应查询策略，从动态数据分布的变化和异常的不确定性两个方面对具有信息量的网络流量进行采样。另一方面，基于邻域中网络流量的相似性，设计了一种增强更新方法，为查询流量的未标记邻居生成伪标签，从而在异常检测模型更新过程中能够充分利用大量未标记流量。在CIC-IDS2017和UNSW-NB15这两个入侵检测数据集上的大量实验表明，较之相关方法，A3PF性能显著提升。具体而言，其平均AUC-ROC分别提高20.9%和21.5%，平均AUC-PR分别提高44.6%和64.1%。

电子医疗系统在给人们提供便利的同时，面临数据伪造和信息泄露的风险。为解决这些问题，提出一种适用于医疗区块链的基于身份的格上可搜索属性签密（BCMS-LIDSASC）方案。BCMS-LIDSASC实现了区块链环境下去中心化和抗量子安全，可提供细粒度访问控制，同时具有可搜索性；此外，利用智能合约替代传统的可信第三方，用星际文件系统（IPFS）存储密文，缓解区块链的存储压力。相比而言，BCMS-LIDSASC拥有更短密钥、更小存储需求和更低计算成本，有助于安全高效地管理医疗数据，可保护患者的隐私信息和确保电子医疗系统的完整性。

为实现电磁振动器低谐波失真振动波形输出，提出一种基于改进无传感器反馈控制方法的电磁振动器振动谐波抑制技术。在不改变原驱动电路的情况下，利用驱动线圈的交流等效电阻获得高精度的振动速度信息，建立简单可靠的无传感器速度反馈控制系统。通过研究不同关键参数值对系统的影响，有效扩展了低频振动速度特性频带，增强了速度反馈控制的谐波抑制能力。进行了大量实验来证明所提出的方法的有效性，并与传统的控制方法进行比较。在0.01 Hz至1.00 Hz的频率范围内开展对比实验，实验结果表明，所提出的方法与开环控制相比可以将振动波形的谐波失真降低约40%，与传统的无传感器反馈控制方法相比可以将谐波失真降低20%。