• 基于多尺度超图的方法在移动应用开发中实现第三方库推荐

  摘要 在移动应用开发中，选择合适的第三方库（TPLs）对于提升功能、改善代码质量和加快开发进程至关重要。然而，由于应用与库之间的交互复杂性以及需要捕捉高阶关系，推荐合适的TPLs仍然具有挑战性。现有的方法，如协同过滤和基于图的方法，往往无法充分应对这些复杂性。为了解决这一挑战，我们提出了MsRec，这是一种基于多尺度超图神经网络的创新TPL推荐算法。MsRec利用超图来模拟不同规模群体之间的交互，从而详细表示应用程序与库之间的关系。通过建模每种交互的强度、类别和功能，我们的框架提高了推荐结果的准确性和多样性。多尺度超图结构支持细粒度的关系推理，在这种情况下尤为

  来源：ACM Transactions on Software Engineering and Methodology

  时间：2025-11-08

• FairFLRep：基于公平性的深度神经网络故障定位与修复方法

  摘要深度神经网络（DNNs）正在被应用于我们日常生活的各个方面，包括那些对个人具有重要影响的高风险决策场景。然而，这些系统会反映并放大训练和测试过程中使用的数据所包含的偏见，可能导致有偏见的决策行为和不准确的结论。例如，在不同种族群体之间可能存在不同的误分类率。然而，有效地识别和纠正DNN中的偏见行为是一个挑战。本文介绍了FairFLRep，这是一种自动化的、具有公平性意识的故障定位与修复技术，能够识别并修正DNN分类器中可能引发偏见的神经元。FairFLRep主要针对与种族或性别等敏感属性相关的神经元权重进行调整，这些权重可能会导致不公平的决策结果。通过分析网络中的输入输出关系，FairFL

  来源：ACM Transactions on Software Engineering and Methodology

  时间：2025-11-08

• GSAA：一种用于智慧城市交通预测的新型图时空注意力算法

  摘要随着5G技术和物联网的发展，智能交通在智慧城市中的应用进程不断推进。传感器是智能交通的关键信息来源，其数据通常包含复杂的交通场景信息。通过利用智能传感器的数据来预测交通流量，可以显著提高城市交通的调度效率和运行效率。尽管一些相关研究已经关注了交通流量的预测任务，但它们尚未充分挖掘智能传感器数据中蕴含的交通时空信息。本文提出了一种新颖的图时空注意力算法（GSAA）用于交通预测。为了充分利用复杂道路之间的地理和时间相关性来进行交通预测，该算法将时空注意力机制与图神经网络相结合。为了充分利用各种超参数所带来的影响，在训练预测模型时采用了深度强化学习来优化超参数。在真实世界的公共数据集上的实验结果

  来源：ACM Transactions on Sensor Networks

  时间：2025-11-08

• 关于多输入组合模式生成网络的神经进化：以娱乐计算、边缘设备和智慧城市为例

  摘要本研究提出了一种新颖的方法，利用异构激活神经网络（HA-NNs）来优化人工神经网络（ANNs）的权重，以应用于Atari的Breakout和Sonic the Hedgehog等主机及街机游戏中的强化学习任务。这是首次探索HA-NNs在解决游戏相关强化学习问题方面潜力的研究。此外，该方案还优化了边缘设备之间的数据传输，标志着HA-NNs的一项新应用。研究取得了显著成果，在CartPole-v1、Lunar Lander Continuous和MountainCar-Continuous等基准测试环境中，使用NEAT（Neuroevolution of Augmenting Topologi

  来源：ACM Transactions on Sensor Networks

  时间：2025-11-08

• 用于癌症登记系统测试的量子神经网络分类器：一项可行性研究

  摘要随着量子计算的迅速发展，量子机器学习（QML）算法的研究也显著增加。其中，量子神经网络（QNN）作为一种有前景的算法脱颖而出，它将量子计算原理与人工神经网络相结合来处理数据。受到QNN在各个领域应用的启发，我们研究了其在挪威公共卫生研究所（NIPH）下属的挪威癌症登记系统（CRN）软件测试中的应用。CRN负责挪威人口的癌症统计数据，开发了一个复杂的社会技术软件系统——癌症登记支持系统（CaReSS），该系统与许多实体（如医院、医学实验室和其他患者登记系统）进行交互以完成其任务。为了实现高效的成本控制测试，CRN采用了基于人工智能的REST API测试工具EvoMaster，该工具结合了一个

  来源：ACM Transactions on Software Engineering and Methodology

  时间：2025-11-08

• 基于异构知识图谱推理的视距（LOS）/非视距（NLOS）信道共存场景下的精确定位

  摘要精确的定位是智能城市和智能工厂的基本要求之一。在无线蜂窝网络定位中，基站与用户之间的电磁波直线传播被称为视距（LOS）无线传播。在某些情况下，由于建筑物或树木的阻挡，电磁波信号无法沿直线传播，这些情况通常被称为非视距（NLOS）无线传播。传统的定位算法（如TDOA、AOA等）基于视距信道，但在以非视距传播为主的环境中这些算法不再适用。此外，在大多数情况下，具有视距信道的基站数量较少，导致传统定位算法无法满足高精度定位的精度要求。另外，实际系统中可能存在一些非理想因素，这些因素都会导致定位精度下降。因此，本文提出的方法利用知识图谱和图神经网络（GNN）技术将通信数据建模为知识图谱，并采用基于

  来源：ACM Transactions on Sensor Networks

  时间：2025-11-08

• AMSPM：一种自适应模型选择与划分机制，用于基于边缘智能的5G智慧城市，并支持动态计算资源的管理

  摘要借助5G网络，边缘智能（Edge Intelligence, EI）不仅可以提供分布式、低延迟且高可靠的智能服务，还能实现智能城市的维护和管理。然而，终端设备和边缘服务器的计算资源不断变化，无法始终保证智能推理的性能。为了确保智能城市中智能服务的可持续性，我们提出了5G智能城市中的自适应模型选择与划分机制（Adaptive Model Selection and Partition Mechanism, AMSPM），该机制主要由自适应模型选择（Adaptive Model Selection, AMS）和自适应模型划分（Adaptive Model Partition, AMP）两部分组

  来源：ACM Transactions on Sensor Networks

  时间：2025-11-08

• SMiR：在修复深度神经网络中的特定误分类时最小化副作用

  摘要尽管深度神经网络（DNN）在各个行业中取得了显著的成功，但它们的错误行为引发了广泛关注。在部署了DNN的安全关键领域中，某些特定类型的误分类（即某个特定类别被错误地分类为另一个类别）可能会导致灾难性的后果，因此需要紧急纠正。然而，现有的修复方法往往忽视了一般特征提取模式对区分特定类别的不利影响，从而导致对特定误分类的修复效果有限。此外，大多数方法通过直接调整全局决策边界来纠正错误，这不可避免地会干扰已经训练有素的边界，从而导致准确率大幅下降。在本文中，我们提出了SMiR，这是一种有效的修复框架，用于在保持较低准确率损失的情况下解决特定误分类问题。我们的方法不是修补原始模型，而是定位并恢复失

  来源：ACM Transactions on Software Engineering and Methodology

  时间：2025-11-08

• FedGST：一种高效的联邦图神经网络，用于时空兴趣点推荐

  摘要随着传感器网络在城市地区的广泛应用，基于位置的社会网络平台产生了大量数据，这使得相关方能够为最终用户开发位置感知服务。兴趣点（PoI）推荐是最受欢迎的服务之一。PoI推荐模型通常会结合地理信息和历史记录来进行构建。近年来，随着对移动设备、嵌入式设备或物联网（IoT）设备上实现PoI推荐的需求增加，计算资源有限、恶意客户端以及数据孤岛等问题对模型性能产生了显著影响。为了解决这些问题并实现高效的PoI推荐，我们提出了一种基于联邦图学习的模型，该模型能够挖掘复杂的时空特征以生成推荐结果。我们采用基于GRU的编码器-解码器来学习时间隐藏状态嵌入；同时，利用双层图网络来理解空间嵌入向量。此外，我们还

  来源：ACM Transactions on Sensor Networks

  时间：2025-11-08

• 极低分辨率的RFID视觉技术，用于实时且视觉上匿名化的动作识别

  摘要尽管基于视觉的个人监控（例如在医疗保健领域）具有巨大潜力，但隐私数据泄露的担忧阻碍了其在个人空间（如卧室）中的广泛应用。在图像处理和联邦学习领域，已经提出了一系列数据匿名化方法。这些方法通常会在本地存储高质量的图像和视频，并在上传到云端之前通过后处理对其进行匿名化处理。然而，最近发生的物联网摄像头被黑客攻击以及本地数据泄露事件表明，需要在感知阶段就对数据进行匿名化处理。此外，在复杂的室内环境中实现无盲点的持续监控需要一个可扩展且经济高效的系统。本文介绍了Mosaic，这是一个基于视觉的端到端动作识别框架，它能够（i）从感知阶段就开始实现数据匿名化；（ii）实现无需电池供电的运行方式，从而实

  来源：ACM Transactions on Sensor Networks

  时间：2025-11-08

• 集合：一种简单而有效的深度神经网络（DNN）测试选择方法

  摘要为了降低深度神经网络（DNN）测试中大量的人工标注成本，人们提出了多种测试选择方法，其中不确定性是一个关键目标，用于触发更多的故障。然而，仅仅关注不确定性可能会暴露出由模型中相同潜在缺陷引起的故障。因此，最近的研究引入了多样性作为另一个重要目标，提出了基于多目标搜索的方法来选择能够揭示不同故障的测试输入。尽管这些方法有效，但它们通常需要较长的执行时间，这限制了它们在大规模数据集上的效率。在本文中，我们提出了SETS，这是一种简单而有效的多目标DNN测试选择方法。与现有的多目标方法类似，SETS同时优化不确定性和多样性，以最大化所选测试输入检测到的唯一故障数量。不过，SETS优先考虑高不确定

  来源：ACM Transactions on Software Engineering and Methodology

  时间：2025-11-08

• 基于图谱的物理模型辅助城市PM2.5空气质量估算方法：以受限监测数据为依据

  摘要本研究介绍了基于图论、并遵循物理原理的学习框架 GraPhy，该框架适用于监测数据有限的城市地区，能够实现高分辨率和精确的空气质量建模。精细的空气质量监测信息对于减少公众接触污染物至关重要。然而，在社会经济条件较差的地区，监测网络往往较为稀疏，这限制了空气质量建模的准确性和分辨率。为了解决这一问题，我们提出了一种基于物理原理的图神经网络架构 GraPhy，其层结构和边特征是专门为低分辨率监测数据设计的。使用加利福尼亚州社会经济条件较差的圣华金谷地区的数据进行的实验表明，GraPhy 在均方误差（MSE）、平均绝对误差（MAE）和 R 方值（R²）等评估指标上表现最佳，相比各种基线模型，性能

  来源：ACM Transactions on Sensor Networks

  时间：2025-11-08

• 用于神经反编译器的快速、细粒度等价性检查

  摘要神经反编译器是一种机器学习模型，能够从可执行程序中重建源代码。对于任何机器学习模型来说，评估其有效性都是至关重要的。然而，现有的评估神经反编译器的技术通常不够完善，尤其是在证明神经反编译器预测的正确性方面。为了解决这个问题，我们引入了codealign，这是一种专为神经反编译器设计的新颖的指令级代码等价性技术。我们给出了等价指令之间关系的正式定义，并将其称为“等价对齐”。我们展示了codealign如何生成等价对齐结果，然后通过与符号执行的比较来评估其性能。最后，我们指出codealign所提供的信息（哪些函数部分是等价的以及变量名称的匹配程度）比现有的最先进评估指标更为详细；现有指标仅报

  来源：ACM Transactions on Software Engineering and Methodology

  时间：2025-11-08

• 为神经策略合成高效且灵活的程序化运行时防护机制

  摘要随着神经策略在控制系统中的使用日益增加，确保其安全性和可靠性已成为一项至关重要的软件工程任务。一种常见的确保神经策略安全性的方法是部署程序化运行时防护机制来纠正其中的不安全指令。然而，现有方法生成的程序化运行时防护机制要么计算成本高昂，要么允许的操作范围过窄，从而导致系统开销增加和不必要的干预。为了解决这些问题，我们提出了Aegis，这是一个用于为神经策略生成轻量级且操作范围较广的程序化运行时防护机制的新框架。Aegis通过将运行时防护机制的生成问题表述为一个基于草图的程序合成问题，并提出了一种结合反例引导的归纳合成和贝叶斯优化的新方法来实现这一目标。为了评估Aegis及其生成的防护机制，

  来源：ACM Transactions on Software Engineering and Methodology

  时间：2025-11-08

• TR-ODE：通过Seq2Seq学习结合GRU-ODE-Bayes实现鲁棒的车辆轨迹恢复

  摘要恢复精细的城市车辆轨迹数据对于理解出行模式和提高交通系统的效率具有巨大潜力。现有的大多数解决方案依赖于定期采样的GPS点，但这些数据仅来自参与其中的车辆。在这项工作中，我们利用交通摄像头观测数据来实现全市范围内的车辆轨迹恢复。然而，存在两个主要挑战：首先，交通摄像头在道路交叉口的分布较为稀疏，导致车辆观测数据不均匀且采样间隔不规律；其次，在重建相隔较远的连续观测点之间的轨迹时会产生较大的不确定性。为了解决这些问题，我们提出了基于神经常微分方程（Neural Ordinary Differential Equations）的新型编码器-解码器框架TR-ODE，用于连续时间轨迹恢复。具体而言，

  来源：ACM Transactions on Sensor Networks

  时间：2025-11-08

• 基于 Top-k GNN 的推荐系统的联合事实性解释与反事实性解释

  摘要近年来，图神经网络（GNNs）已成为开发强大推荐系统的新方法。然而，基于GNN的推荐系统很难给出具体解释，说明为什么某个特定项目会出现在给定用户的顶级k个推荐列表中。实际上，解释基于GNN的推荐结果具有特殊性，现有的GNN解释方法并不适用，因为这些方法是为了解释节点、边或图分类而设计的，而不是用于排名。在这项工作中，我们提出了GREASE方法，这是一种新颖的技术，用于解释任何基于黑盒GNN的推荐系统为给定用户提供的顶级k个推荐项目列表。具体而言，对于每个被推荐的项目，GREASE首先在目标用户-项目对及其l跳邻域的并集所形成的子图上训练一个替代GNN模型。然后，它通过寻找最优的邻接矩阵扰动

  来源：ACM Transactions on Recommender Systems

  时间：2025-11-08

• Sheaf4Rec：基于图的推荐系统中的Sheaf神经网络

  摘要图神经网络（GNN）的最新进展促进了其在各种应用中的广泛应用，包括推荐系统。GNN 在处理推荐系统面临的挑战方面表现出色，能够高效地对图进行建模，其中节点代表用户或项目，边表示偏好关系。然而，当前的 GNN 技术通过单一的静态向量来表示节点，这可能无法充分捕捉用户和项目的复杂特性。为了解决这些限制，我们提出了一种受范畴论启发的先进模型：Sheaf4Rec。与单一向量表示不同，Sheaf 神经网络及其对应的拉普拉斯算子使用向量空间来表示每个节点（和边）。我们的方法利用了这一理论，实现了更全面的表示方式，在推理过程中可以有效利用，为各种与图相关的任务提供了一种通用方法，并展现了无与伦比的性能。

  来源：ACM Transactions on Recommender Systems

  时间：2025-11-08

• 单分支网络架构：弥合多模态推荐中的模式差异

  摘要传统的推荐系统依赖于协同过滤（CF），利用用户过去的物品交互记录来帮助用户在庞大的物品集合中发现新物品。在“冷启动”情况下（即用户或物品的交互历史信息不可用时），基于内容的推荐系统（CBRSs）会使用辅助信息来进行推荐。通常，用户的人口统计信息和物品描述分别被用于用户和物品的冷启动。混合推荐系统（HRSs）经常采用多模态学习方法，结合协同过滤以及用户和物品的辅助信息，我们将这些信息统称为“模态”。尽管在某些模态缺失的情况下，混合推荐系统仍能提供推荐结果，但其推荐质量会下降。在这项工作中，我们使用了配备有“权重共享”、“模态采样”和“对比损失”功能的“单分支神经网络”，即使在模态缺失的情况下

  来源：ACM Transactions on Recommender Systems

  时间：2025-11-08

• SatIQ：利用硬件指纹识别技术实现的可扩展且稳定的卫星认证系统

  摘要随着卫星系统成为关键基础设施的重要组成部分，它们也成为了攻击者更加青睐的目标。廉价现成无线电硬件的普及使得信号伪造和物理层攻击对于从业余爱好者到国家行为体等各种类型的对手来说都变得更加容易实施。由于缺乏加密安全性，传统卫星系统尤其容易受到攻击，且无法通过打补丁来支持新的安全措施。在本文中，我们利用无线电发射机的特征（这些特征表现为物理层无线电信号中的失真）来实现对卫星下行链路的身份验证。我们的SatIQ系统采用了孪生神经网络和自动编码器来高效地提取消息头部信息，同时保留了识别所需的数据。我们重点关注高采样率的指纹识别技术，因为没有同样高采样率的发射硬件，伪造设备指纹将非常困难。我们从Iri

  来源：ACM Transactions on Privacy and Security

  时间：2025-11-08

• 通过时空融合与选择性聚合技术在电子商务应用中识别欺诈用户

  摘要电子商务的迅速发展导致了欺诈活动的增加，这给供应商和消费者都带来了巨大的财务损失。目前针对电子商务平台中欺诈行为检测的研究主要集中在分析用户随时间变化的行为模式或研究用户之间的空间关系。然而，仅考虑时间或空间因素是不足以实现欺诈检测的，因为在实际场景中这两种因素可能并不存在。此外，数据分类不平衡的问题在欺诈识别领域也尚未得到解决。为了解决这些挑战，本文提出了一种新的欺诈用户检测方案。该方案的主要创新之处在于将用户行为的时空特征进行融合，并采用分层选择聚合的方法来处理图模型。具体而言，我们利用长短期记忆模型（LSTM）和多层感知器模型分别从时变和时不变的用户行为中提取具有区分性的特征。这种方

  来源：ACM Transactions on Privacy and Security

  时间：2025-11-08

知名企业招聘：