图对比学习方法能有效捕捉行为图中复杂的结构依赖关系,现已成为恶意软件检测领域的重要工具.然而,现有方法在训练中无差别对待所有样本或过度侧重于难样本,导致模型训练震荡、收敛缓慢.为了解决此问题,文中提出基于原型图对比学习的恶意软件检测方法,将课程学习从单样本选择扩展至样本对层级,联合锚点与负样本的典型性,定义软件语义的对比难度.设计双阈值动态调度器,实现从典型到边缘的渐进式对比训练.同时,引入历史导向的困难锚点强化机制,追踪并重加权学习不充分的困难锚点,增强对难样本的表征能力.在4个公开的恶意软件数据集上的实验表明,文中方法可显著提升训练稳定性与收敛速度.

概念认知学习与模糊三支概念的融合是面向不确定性数据分析的重要研究方向.然而,现有方法在属性信息利用、伪概念信息贡献刻画及较大规模数据处理效率等方面仍存在不足.为此,文中提出基于加权伪概念的模糊粒三支概念认知学习方法(Fuzzy Granular Three-Way Concept-Cognitive Learning Approach with Weighted Pseudo-Concepts, FG3WCCL).首先,引入属性粒化思想,定义模糊三支属性粒概念并构建粒概念空间.然后,依据概念外延相似性进行聚类,并结合贡献度、层级衰减因子和层级一致性确定权重,构建加权伪概念.进一步地,提出基于谱分解的对象约简方法,通过混合抽样筛选代表性对象,降低建模开销.最后,在14个数据集上的对比实验表明,FG3WCCL分类准确率较高.

基于强化学习与几何规划器的混合策略框架已在自动泊车任务中取得较高的成功率,但在部分复杂场景中仍存在反复换挡的震荡行为,且人工设计的标量奖励函数难以表达行为层面的偏好.针对上述问题,文中提出基于大语言模型语义评判的奖励建模与自动泊车策略优化方法,并构建为四阶段策略优化框架.首先,从混合策略系统中挖掘含震荡负样本的轨迹对,经四模型集成投票完成偏好标注.然后,通过环境奖励预训练与偏好残差微调训练两阶段奖励模型,将大语言模型对轨迹质量的偏好转化为可排序的奖励评分.最后,按场景独立筛选精英轨迹用于行为克隆.在基于真实停车场感知数据构建的 500 个仿真场景中的实验表明,文中方法可提升泊车成功率,同时大幅降低单次泊车过程中车辆平均前进-后退切换次数.

可见光-红外行人重识别是全天候视频监控的关键技术之一,但受模态异质性、姿态变化与遮挡等因素的制约,仍存在局部语义建模容易错位、训练目标与推理目标脱节、单空间匹配鲁棒性不足等问题.针对上述问题,文中提出基于视觉语义动态锚定的双空间约束可见光-红外行人重识别方法(Dual-Space Constrained Visible-Infrared Person Re-identification Method Based on Visual Semantic Dynamic Anchoring, DS-VSDA).首先,设计语义驱动的原型动态锚定模块,引入人体部位空间先验,缓解语义冗余与漂移.然后,提出跨样本邻域关联损失,显式建模批次内样本拓扑关系,使训练约束与推理检索逻辑保持一致.最后,构建双空间一致性约束与匹配动态校准机制,融合深层特征和浅层特征,并通过互证校验优化匹配结果.在SYSU-MM01、RegDB数据集上的实验表明,DS-VSDA在室内外多场景中的性能稳定,由此验证其有效性.

在城市无信号交叉口等复杂场景中,自动驾驶车辆需与多类智能体密集交互,因此异构智能体的同步轨迹预测对行车安全与效率至关重要.现有方法忽略异构智能体交互中动态变化的风险因素,导致预测安全性和准确性不足.为此,文中提出基于安全增强交互建模的异构智能体轨迹预测分层方法(Heterogeneous Agent Trajectory Prediction Method Based on Safety-Enhanced Interaction Modeling, SEIM),综合考虑交互风险、异构交互特性、道路环境及个体动态.风险感知层采用基于安全势场的风险评估指标表征交互风险,提取交互风险特征.异构交互层构建两个异构图,设计异构交互编码器,提取异构交互特征,并引入基于安全势场的风险值作为安全增强有向边特征异构图的边属性,增强图结构的边特征.道路环境层基于构建的有向图提取道路结构特征.个体动态层提取智能体的个体动态特征.4类特征融合后输入轨迹解码器中,预测异构智能体的未来轨迹.在inD数据集上的实验表明SEIM在异构智能体轨迹预测中的有效性与准确性.

概念漂移是开放环境下流数据挖掘任务中影响模型性能提升的关键因素之一.由于流数据分布持续演化,历史数据与当前数据分布之间存在差异,导致历史信息难以被充分利用,从而影响模型性能的稳定性与对漂移的适应性.为此,文中提出多阶段感知引导的概念漂移自适应集成方法.根据模型在连续数据块上的表现进行时序分型,选择与当前分布一致的关键历史数据,并结合损失序列与显著性检验对当前数据进行自适应筛选,通过时序感知对样本进行动态重构.同时,结合损失下降率设计动态集成停止准则,通过漂移感知调节集成过程,依据漂移强度构建自适应集成模型,实现数据与模型的有效协同.实验表明,文中方法能有效利用历史数据,在提升漂移适应性的同时,获得良好的泛化性能.