<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005">
<channel xmlns:cfi="http://www.microsoft.com/schemas/rss/core/2005/internal" cfi:lastdownloaderror="None">
<title cf:type="text"><![CDATA[国防科技大学学报编辑部 -->计算机科学与技术·管理科学与工程]]></title>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[数据工程智能化方法研究综述]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20260313]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[在数据工程中,通过应用人工智能方法,提高对现实世界中多源、异构、高噪声的大规模原始数据的处理效果,已经成为当前研究热点。基于数据工程的总体研究框架,按照数据清洗、数据连接、数据发现三个关键环节的设计,系统梳理了数据工程智能化方法的最新研究进展,详细分析了每个关键环节智能化方法的思路和效果。进一步地,结合智能技术发展趋势对其在数据工程领域的未来研究给出了展望。]]></description>
<pubDate>2026/6/4 9:59:44</pubDate>
<category><![CDATA[计算机科学与技术·管理科学与工程]]></category>
<author><![CDATA[张海粟，王龙，颜登程，王晓乐，李向朋]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20260313]]></guid><cfi:id>8</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[面向可信高效人工智能的原型学习方法研究进展]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20260314]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对深度学习等人工智能技术在可解释性、数据依赖及鲁棒性方面的严峻挑战,系统评述了原型学习(prototypical learning,PL)的理论方法与前沿进展。通过界定原型学习的基本概念与数学表示,构建涵盖统计机器学习、深度特征驱动及语义表示维度的原型生成体系。解析基于原型的单/多模态数据增强与融合机制,阐明其突破数据质量瓶颈的核心逻辑。重点论述原型学习在可解释深度网络、模糊规则推理、因果溯因及时序分析中的应用效能。进一步探索原型学习在生成式学习、大模型能力增强及图学习等交叉领域的演进动态。通过凝练原型学习在表征效率与逻辑透明度方面的独特价值,揭示其在构建可信、高效人工智能系统方面的关键技术价值。最后,展望原型学习在生成式人工智能、大模型协同及可持续学习等方向的发展趋势。]]></description>
<pubDate>2026/6/4 0:00:00</pubDate>
<category><![CDATA[计算机科学与技术·管理科学与工程]]></category>
<author><![CDATA[胡星辰，朱修彬，刘吉元，申映华，曾泽凡，万欣航，成清，黄金才]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20260314]]></guid><cfi:id>7</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[大模型赋能计算机生成兵力决策行为建模综述]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20260315]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[计算机生成兵力(computer generated force,CGF)是军事仿真系统的核心,传统建模方法存在知识表征僵化、高质量样本稀缺、决策复杂性建模不足、行为进化能力欠缺等瓶颈,大模型为破解上述难题提供了新范式。本文从数据知识增强、决策智能生成、能力迭代进化三个维度系统阐明大模型赋能路径,围绕感知、决策、行动、角色、记忆五个关键模块,详细阐述基于大模型的CGF决策行为建模框架,梳理各模块技术实现路线与代表性研究成果,归纳关键技术特点与应用现状,并从决策实时性、决策质量、决策逼真性、决策评估体系、决策风险控制五个方向提出未来研究重点,可为智能CGF研究与军事仿真智能化升级提供系统性参考。]]></description>
<pubDate>2026/6/4 9:59:45</pubDate>
<category><![CDATA[计算机科学与技术·管理科学与工程]]></category>
<author><![CDATA[凌艳香，陈丽，陈江明，支烽耀，陆正之，黄小霞]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20260315]]></guid><cfi:id>6</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[移动大数据在社会治理中的研究与应用进展]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20260316]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[社会治理现代化是国家治理体系和治理能力现代化的重要内容。随着移动通信、卫星定位等多种位置感知技术融合发展,海量具有时空标识的移动大数据为实现高精度、实时化与科学化社会治理提供了重要契机。本文归纳了移动大数据的5V+5C特征与主要来源,梳理了移动大数据驱动的移动行为规律挖掘与移动网络模型构建研究进展,探讨其在贫困识别、经济评估、疫情防控、应急响应等关键社会治理场景中的典型应用。在此基础上,进一步分析了移动大数据在可代表性与数据偏差、隐私保护与使用合规性问题方面的局限,也对其未来在多源数据融合与时空语义对齐、隐私保护计算与灾害场景实时响应、人工社会生成与大模型驱动的数字推演等方向的研究前景进行了展望。]]></description>
<pubDate>2026/6/4 9:59:45</pubDate>
<category><![CDATA[计算机科学与技术·管理科学与工程]]></category>
<author><![CDATA[袁筱倩，谭索怡，李佳旭，李云轩，冯家伟，吕欣]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20260316]]></guid><cfi:id>5</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[深度哈希在图像检索中的研究综述]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20260317]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[随着图像数据规模的迅速增长,大规模图像检索对效率提出了更高要求。深度哈希能够将高维图像特征映射为紧凑二值码,兼顾深层语义学习与高效图像检索,是这个领域的重要研究方向。现有方法依据监督信息的利用程度,可以划分为无监督、弱监督和全监督三类:无监督方法通过建模数据内在结构从无标签数据中挖掘潜在语义信息;弱监督方法从带有噪声或不完整的用户标签中提取有效监督信号;而全监督方法依托完整的类别标签来精确建模语义关系。针对上述三类方法,系统梳理了其核心思想与代表性成果,并在多个主流数据集上对典型方法的检索性能进行综合比较。尽管深度哈希技术已取得显著进展,但在对动态新增数据的适应能力、跨模态场景下的协同建模等方面仍面临严峻挑战。未来的研究应聚焦于基于增量学习的可扩展哈希、基于预训练模型的跨模态哈希等方向,以推动深度哈希向更高效、可扩展和实用的方向发展。]]></description>
<pubDate>2026/6/4 9:59:45</pubDate>
<category><![CDATA[计算机科学与技术·管理科学与工程]]></category>
<author><![CDATA[陆正昀，金露，唐金辉]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20260317]]></guid><cfi:id>4</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[类增量学习研究进展]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20260318]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[类增量学习要求模型在学习新类别的同时保持对已学类别的判别能力，但训练过程中易发生灾难性遗忘。本文系统综述与分析类增量学习及其发展趋势：阐述类增量学习的基本定义，厘清其与其他增量学习设定的区别；从记忆回放、参数与优化约束、模型预测校正、模型结构设计、预训练模型迁移五个维度，对主流的方法进行分类总结；进一步梳理类增量学习常用的评价指标和数据集，总结其在图像生成、目标检测、语义分割等典型视觉任务，以及在视频理解、三维视觉等新兴领域中的应用情况；最后对类增量学习的未来研究方向进行展望。]]></description>
<pubDate>2026/6/4 9:59:45</pubDate>
<category><![CDATA[计算机科学与技术·管理科学与工程]]></category>
<author><![CDATA[张文卓，徐昕，蒯杨柳，崔家宝，丁智勇，谢旭辉]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20260318]]></guid><cfi:id>3</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[从几何解析到语义推理:机器人抓取感知范式的演进]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20260319]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[机器人抓取感知是实现机器人自主操作与具身智能的重要基础，其技术范式正经历从依赖显式几何建模的解析法，向以数据驱动学习与语义推理增强为核心的智能感知体系的深刻变革。围绕机器人抓取感知范式的演进脉络，对相关研究进行了系统综述，阐述了解析几何模型驱动、视觉数据驱动以及语义理解与推理增强三个递进阶段的演变过程，并剖析了各阶段的代表性算法与关键技术路线。通过对不同范式在输入模态、数据需求、泛化能力与任务适应性等方面的对比分析，总结了各类方法在非结构化环境下的优势与局限。此外，系统梳理了抓取数据集从平面基准到大规模综合数据的演进历程，并剖析了由任务可靠性与提议准确度构成的量化评价体系。进一步总结了当前机器人抓取感知在仿真到现实迁移、推理效率、跨模态信息融合以及复杂任务扩展等方面面临的共性挑战，并展望了结合具身基础模型与灵巧操作的发展趋势，旨在为构建高泛化、强理解能力的通用机器人抓取系统提供参考借鉴。]]></description>
<pubDate>2026/6/4 0:00:00</pubDate>
<category><![CDATA[计算机科学与技术·管理科学与工程]]></category>
<author><![CDATA[邹世龙，黄雨行，易任娇，朱晨阳，徐凯]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20260319]]></guid><cfi:id>2</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[面向AMX单元的矩阵算子优化方法]]></title>
<link><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20260320]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[在混合专家模型的推理过程中,矩阵算子构成了性能瓶颈,其中尤以注意力模块和专家计算所涉及的矩阵算子耗时最为显著。尽管现有方法已对GPU上的矩阵算子进行了深度优化,但鉴于GPU与CPU在内存架构及计算单元方面存在显著差异,这些优化方法难以直接迁移至CPU平台。为此,专门针对CPU的高级矩阵扩展单元,提出一种矩阵算子性能优化方案FlashMatrix。创新性地设计了高效的数据布局转换策略,有效规避了因数据布局转换而引发的额外内存访问开销;针对矩阵乘运算,精心构建了计算访存比最优的微内核,以实现寄存器的高效复用。实验结果表明,相较于当前CPU平台上最先进的矩阵计算库oneDNN,FlashMatrix平均实现了2.5倍的加速效果。对于端到端的推理性能,FlashMatrix实现了约1.2的加速比。]]></description>
<pubDate>2026/6/4 0:00:00</pubDate>
<category><![CDATA[计算机科学与技术·管理科学与工程]]></category>
<author><![CDATA[杨维铃，方建滨，董德尊]]></author>
<guid><![CDATA[http://journal.nudt.edu.cn/gfkjdxxb/article/abstract/20260320]]></guid><cfi:id>1</cfi:id><cfi:read>true</cfi:read></item>
</channel>
</rss>