典型抗生素污染物磺胺甲噁唑的高效去除是水处理领域面临的重大挑战.针对单一Bi₂WO₆因其与污染物界面亲和力不足及光生载流子快速复合导致的极低光催化效率，通过溶剂热⁃原位生长法成功构建了层状Bi₄O₅Br₂/Bi₂WO₆异质结光催化剂.表征结果证实，两种组分之间形成了紧密的异质结界面.其中，Bi₄O₅Br₂/Bi₂WO₆⁃0.3 （BOB/BWO⁃0.3）表现最佳，可见光照射90 min后对磺胺甲噁唑的降解率高达83%，表观反应动力学常数（kapp）为0.0183 min⁻¹，与单一Bi₂WO₆（降解率为3%，kapp为0.000277 min⁻¹）比较，该复合材料的降解性能提升了约26.7倍，kapp提升了约65倍.活性物种捕获实验结果表明超氧自由基（
电子病历（Electronic Medical Records，EMRs）共享对辅助诊断和提升医疗服务质量具有重大意义，但数据共享过程中的隐私泄露风险和数据安全隐患常使数据持有方拒绝共享.在保障数据安全的基础上激励数据持有方可信共享，打破数据孤岛，成为学术界的重要研究内容.针对该问题，提出基于联盟链和Stackelberg博弈的EMRs分布式共享模型，通过联盟链的去中心化特性与Stackelberg博弈策略优化机制来实现数据的安全高效共享及用户信息的隐私保护.首先搭建联盟链架构，通过多方参与者协作实现EMRs数据可信、安全共享.其次，运用Stackelberg博弈理论分析共享过程中的决策冲突，设计激励机制，保障各方数据共享过程中的合理回报.设计目标函数描述数据提供者利润最大化和消费者效用最大化的激励目标，利用交替方向乘子法（Alternating Direction Multiplier Method，ADMM）的分解特性与快速收敛性分布式求解函数以适应大规模机构间的病历共享需求.最后，模型通过凝聚层次聚类（Agglomerative Hierarchical Clustering，AHC）算法对共识节点聚类，改进传统区块链的PBFT共识算法为AHC⁃PBFT算法，提升数据共享效率，减少通信开销.实验表明，和传统的区块链共享模型相比，提出的共享模型可以提供安全的EMRs管理与交易服务，降低医疗节点间数据共享的通信开销和时延，提高吞吐量，增进医疗机构及相关部门间的数据可信共享.
口腔鳞状细胞癌（Oral Squamous Cell Carcinoma，OSCC）是最常见的口腔恶性肿瘤，远处转移导致患者预后不佳.基底膜和lncRNA对OSCC的转移有重要影响，但相关研究尚有限.通过WGCNA、差异分析和多种机器学习筛选了关键基底膜基因，共表达分析筛选出与之相关的lncRNA，进一步运用单因素Cox回归分析，LASSO分析和多因素Cox回归分析进行了lncRNA的筛选和风险模型的构建.该模型可以准确、稳定地预测OSCC患者的预后，高风险组的预后较低风险组的更差.不同风险组之间的生物学功能主要区别在ECM受体相互作用.此外，高风险组与低风险组的免疫微环境显著不同.高风险组对5⁃氟尿嘧啶、顺铂、奥沙利铂和他莫昔芬的药物敏感性更高，低风险组则对达托利司和星形孢菌素的药物敏感性更高.综上，基底膜相关lncRNA模型是预测OSCC患者预后的重要生物标志物，可对临床治疗提供指导意义.
目前抗原⁃抗体结合亲和力预测的人工智能方法都基于序列或结构的单一建模，难以捕获更全面的信息.因此，提出了一种基于结构的多模态特征融合方法.该方法主要包括三个模块：多模态抗体信息挖掘模块、多模态抗原信息挖掘模块和融合预测模块.在多模态抗体信息挖掘模块中，引入Roformer网络分别提取抗体的重链和轻链信息，同时采用GearNet挖掘抗体的结构信息.随后，借助交叉力注意机制自适应地融合序列和结构信息.在多模态抗原信息挖掘模块中，使用蛋白质大语言模型ESM2 （Evolutionary Scale Modeling v2）来实现抗原序列信息的抽取.在融合预测模块中，为了实现全面且高效的亲和力预测协同，基于卷积神经网络（Convolutional Neural Networks，CNN）构建了一个多尺度特征协同提取网络，进一步提升抗体和抗原表示的可判别性.最后，将多尺度的抗体和抗原表示输入融合层，生成稳健的亲和力预测结果.实验结果表明，提出的模型在基准数据集上的表现超越了所有的基线模型，并在独立测试集上表现优异，证明该方法具有强大的预测与泛化能力.
帕金森病（Parkinson's Disease，PD）是一种常见的神经系统退行性疾病，其早期诊断对于延缓疾病进展至关重要.磁共振成像（Magnetic Resonance Imaging，MRI）凭借无创性和高分辨率的特点，在对PD的诊断中得到了广泛应用.然而，现有方法往往仅依赖单一域信息，存在信息建模不足的问题，同时，PD的病理变化不是孤立的，现有方法对图像块之间的区域关联性往往考虑不多，忽略了脑区之间的相互影响.因此，提出一种融合空间与频率信息的双分支深度学习框架，空间分支采用视觉Transformer来捕获MRI图像中的全局空间关系，频域分支则利用全局滤波网络来提取频域特征，通过高斯加权欧氏距离来构建邻接矩阵，并引入图卷积网络来建模图像块间的拓扑关系.在模型训练中，选取轴向2D切片并结合ImageNet的预训练权重进行迁移学习，通过多数投票策略比较单个受试者的多切片结果，最终生成受试者级别的分类结果.在包含患者与健康对照的PD数据集上进行评估，实验结果显示，所提方法的准确率、特异性与F1⁃score等指标均优于多个现有方法，证实其在临床应用中的有效性.
城市化进程加速带来了日益严峻的交通拥堵问题，亟须研发高效的智能交通信号灯控制方法.基于深度强化学习（Deep Reinforcement Learning，DRL）的交通信号控制方法能依据实时交通信息来调整信号策略，但现有方法在单智能体建模中缺乏协同性，在多智能体建模中则面临复杂性与可扩展性不足的挑战.为此，提出一种基于Shapley值拥堵归因与多智能体深度强化学习的交通信号控制优化方法.首先，引入合作博弈中的Shapley值进行拥堵归因分析，将路口信号策略视为博弈参与者，路网拥堵状态作为合作结果，以量化各路口对拥堵的责任度.其次，提出归因辅助的DRL框架：（1）在多智能体同步决策中，仅联合训练Top⁃k个高责任度路口智能体，逼近全网络联合训练效果；（2）针对同步决策的稳定性缺陷，提出归因辅助的顺序异步决策方法，其中，决策顺序的选择依据基于Shapley值的归因分析结果.实验结果证明了基于Shapley值的拥堵归因的有效性，与基线方法相比，提出的框架在提高训练效率和整体交通效率方面具有优越性能.
交通预测在城市交通管理和流量监测中至关重要，但交通流中复杂的时空关系给准确预测带来了巨大的挑战.时空图神经网络和注意力机制已成为解决交通道路中依赖关系的有效方法，然而，大多数基于图神经网络的模型依赖预定义的静态邻接矩阵来建模空间依赖性，且空间特征的提取依赖于固定图结构中的权重.其次，现有的注意力机制忽略了交通流数据的特性，难以捕捉节点之间的相似的交通模式.针对上述问题，提出TD⁃ADGAT模型，使用自适应图扩散注意力网络对空间关系进行建模，无需显式计算预定义图结构的权重，能自适应生成可训练的邻接矩阵权重，以显著降低时间复杂度.此外，针对交通流时间序列数据的特点，重新设计时间维度的注意力机制，将交通流数据分解为趋势性和季节性因素，利用多层感知机捕获趋势性变化和采用傅里叶注意力机制建模季节性变化，更好地建模交通流的时间关系和节点间的交通模式.最后，在三个公共数据集上的实验结果证明TD⁃ADGAT模型优于其他基准模型.
随着智能交通系统和共享出行服务的迅猛发展，人们对行程时间预测的需求日益增长，准确的行程时间预测已成为提升交通效率和优化用户体验的重要任务.传统的行程时间估计方法大多侧重于预测均值，提供点估计结果，忽略了复杂且动态变化的交通状况带来的不确定性.量化行程时间的不确定性以提供包含置信区间的结果，可以为用户和共享出行平台提供更全面可信的预测信息.但是，由于动态变化的路段通行时间分布以及多个路段通行时间不确定性的累积问题，难以准确量化行程时间的不确定性.为解决上述问题，提出了一种基于动态交通路况的行程时间预测与不确定性量化方法，设计了一个分布感知行程时间不确定性估计模型（Distribution Aware Travel Time Estimation，DATE），该模型包括路网板块化模块、全局分布感知器模块以及分布融合不确定性估计模块.该模型能在准确预测行程时间的同时，提供可靠的置信区间，全面量化不确定性.实验结果表明，DATE在两个真实数据集上的表现优于现有方法，且能有效提高行程时间预测的精度和可靠性，为智能交通系统提供更为可靠的决策支持.
图神经网络的核心同质性假设相连节点标签可能更相似，但在异质性场景（相连节点标签通常不相似）中，这一假设成了关键的局限，因为传统邻域聚合机制会明显拉低模型性能.目前，采用高阶邻域或重加权方案的改进思路不仅会引入大量来自不相似节点的结构噪声，还因为对局部子图变化区分不足，无法捕捉细微的上下文结构模式.为了解决这些相互交织的问题，提出了全新的框架——基于上下文结构感知的选择性图卷积神经网络（SGC⁃CSA），利用集成化设计同时建模上下文结构与实现自适应选择性传播，前者以群体公平性约束指导自我网络分区，提取领域不变模式并避免上下文盲区，后者通过邻域分布计算相似性度量，以门控机制控制属性拓扑对齐推断的同质性候选节点、直接邻居及核心节点自身特征的融合比例.该框架能让节点动态过滤无关信息，确保不同异质性场景下的结构连贯性.在10个真实世界网络数据集上的测试结果证实，该框架成功地缓解了聚集偏差与结构分布偏移问题.
大规模图上的频繁模式挖掘（Frequent Pattern Mining，FPM）因其在社交分析等各类应用中的广泛应用，受到高度关注.受模式语义的约束，传统的FPM技术难以满足多样化的数据分析需求，基于此，提出有参模式（Parameterized Patterns，p⁃模式）及其挖掘技术.通过在模式中引入参数来拓展匹配语义，实现图中复杂关系的有效捕获；设计并实现了高效的挖掘算法（PMiner），用于从大图中发现频繁p⁃模式；提出基于p⁃模式的图关联规则（Graph Association Rule，GAR），并设计GAR挖掘算法GARGen，以发现图中节点间的潜在关联.在真实图数据上的实验不仅验证了上述算法的运行效率，还揭示了p⁃模式与传统模式的差异以及定义在p⁃模式上的GAR在链接预测等任务上的有效性.
针对现有多无人机任务分配模型以线性距离为度量，忽略地形、威胁源等环境约束，以及传统秃鹰优化算法存在种群多样性不足、易陷局部最优等缺陷，提出一种基于秃鹰⁃天鹰混合优化（Hybrid Bald Eagle⁃Aquila Optimization，HBAO）的多无人机任务分配方法.首先，构建融合三维地形、威胁源及无人机物理约束的多旅行商任务分配模型，通过代价函数实现任务分配与航迹规划的紧耦合；然后，设计任务分配编码，改进优化策略，将天鹰优化算法的扩展⁃缩小搜索策略融入秃鹰算法的全局搜索阶段以提升探索效率，并引入折射反向学习机制增强种群多样性，有效平衡算法开发与探索能力；最后，设计双模型实验来验证算法效能.结果表明，提出的HBAO算法在复杂战场环境下求解精度和收敛速度较高，其综合性能优于五种对比算法，并且全局代价显著降低，能生成低能耗、高适应性的任务分配方案.
近年来随着大语言模型的迅猛发展，事件的表征粒度逐渐从传统的句子级扩展至篇章级，事件不再局限于单句表达，而是更加经常嵌入多句甚至整个篇章，这一变化在提升语义建模能力的同时也带来了新的挑战.由于汉语表达具有高度的灵活性且词义歧义现象普遍，在缺乏明确句法结构作为支撑的篇章级场景中，模型在识别词语在上下文中的论元角色时面临更大的困难.针对这一问题，提出一种融合语义特征和结构特征的篇章级事件论元表示方法（Semantic⁃Syntactic Feature Fusion for Document⁃Level Event Argument Representation，SS⁃EAR）.该方法首先对文档中的句法结构进行分析并构建依存句法图，然后将实体的多层次表征作为图中的节点特征构成结构感知网络，最后利用图神经网络的信息传播机制将句法结构信息和语义特征进行融合，以增强模型对复杂句式和多义现象的处理能力，进而提高篇章级事件论元抽取的性能.和六个领域方法进行比较，在两个权威中文篇章级事件论元抽取数据集上的实验结果表明，在所提方法的辅助下，事件论元抽取的F1最优，证明了所提方法的有效性.
分层分类任务通常面临高维特征空间、复杂的类别层次结构以及标记稀疏等多重挑战，其中，标记稀疏性导致监督信息不足，进而削弱特征选择的效果.针对该问题，提出一种新的层次特征选择方法——基于标记模糊化的层次特征选择方法（Hierarchical Feature Selection Based on Label Fuzzification，HFSLF），其核心思想是通过增强稀疏标记的语义表达能力来改善监督信息.具体地，HFSLF首先利用兄弟关系构建类别间的模糊相似性，并利用该相似性将样本的原始标记转化为标记分布，这一转化过程有效扩展了监督信息的覆盖范围，增强了稀疏场景下的语义监督表达.进一步，所提算法以特征与标记分布之间的互信息为监督信号，引导特征权重逼近其对应的互信息值，从而增强模型对高相关性特征的选择偏好.在六个层次数据集上的实验证明了所提算法的有效性.
