社论：关于多媒体大数据质量的高级人工智能技术的特刊

《Journal of Data and Information Quality》：Editorial: Special Issue on Advanced Artificial Intelligence Technologies for Multimedia Big Data Quality

多媒体大数据质量提升的AI技术与应用研究。该特刊汇总了教育、交通、安防等领域14篇投稿中57.1%的录用论文，涵盖CNN、注意力机制、隐私保护等先进技术，提出动态交通图模型、无标注异常检测等创新方案，强调可解释性AI与多模态数据融合，为智能终端网络提供高质量数据处理框架。

　　

摘要

本社论总结了《数据与信息质量期刊》（JDIQ）关于“用于多媒体大数据质量的高级人工智能技术”专题的内容。

1 引言

近年来，智能设备、高速网络和人工智能的融合引发了多媒体大数据的前所未有的增长。这一趋势在多媒体物联网（IoMT）的兴起中尤为明显，IoMT是一个由相互连接的设备（如摄像头、传感器和可穿戴设备）组成的生态系统，这些设备不断生成丰富的视觉、听觉和传感器数据，应用于教育、智慧城市、医疗保健和遥感等多个领域[5]。这类多媒体数据带来了传统结构化或文本数据集所无法应对的独特挑战。主要的质量问题包括语义模糊、时间错位、上下文表示不完整以及隐私风险增加，这些问题往往因数据的异构性和规模而加剧。确保此类数据适用于实际应用对于可靠的下游人工智能系统至关重要[2]。近期文献强调了在多媒体数据丰富的环境中，需要基于人工智能的框架来管理数据质量。已经出现了基于注意力机制的架构、自动化异常检测和元数据驱动的校正流程等技术，以解决数据流中的真实性、可变性和脆弱性问题[6]。尽管取得了进展，但在处理多样化实际应用中的多媒体大数据质量时，仍存在可解释性、领域感知性和隐私保护方面的不足。传统的数据质量维度仍然不够全面，尤其是当利益相关者越来越要求在多媒体输入上部署强大、可信且可解释的人工智能系统时。

《ACM 数据与信息质量期刊》（JDIQ）的这一专题正是针对这些需求，汇集了关于高级人工智能技术的最新研究成果，包括卷积神经网络（CNNs）、注意力模型、集成学习、提示框架和隐私保护机制，以应对多媒体大数据的质量挑战。所选文章涵盖了教育、移动性、安全、自然语言处理（NLP）、遥感等多个领域的应用。它们还提出了新的评估指标和方法论，为多媒体分析的性能、可解释性和可信度设定了新的基准。通过这一精心策划的合集，我们旨在激发未来的研究，不仅提高预测准确性和系统鲁棒性，还能在复杂的多媒体数据环境中确保人工智能系统的伦理性和可靠性。

我们衷心感谢所有审稿人的宝贵专业知识、深刻见解和辛勤工作，这些都对提高本专题的质量和严谨性起到了重要作用。

专题中包含的文章

总体而言，本专题得到了科学界的积极响应，共收到14篇投稿。经过严格的同行评审流程，我们接受了57.1%的稿件，这体现了我们维护高质量标准和相关性的承诺。

本专题中的文章涵盖了从基础方法到实际应用的各种研究贡献，为不同领域中的多媒体数据质量问题提供了原创的解决方案和见解。

Umer、Al-Ameri、Al-Shammari、Castiglione、Nappi和Pero撰写的文章《利用具有复杂特征的学习管理多媒体数据与集成模型预测学生学术成功》[1]通过展示如何将LMS平台中的丰富异构多媒体数据转化为准确的学术成功预测，为教育数据质量分析领域做出了贡献。作者使用CNN进行自动特征提取，并结合集成学习技术，取得了令人印象深刻的预测性能。这项工作与专题的目标高度契合，展示了深度学习架构如何提升多模态教育数据集的建模质量和预测能力，这是应用型多媒体人工智能的一个关键领域。

Wu、Lin、Liu、Xie、Xu、Chen和Li撰写的文章《如何在移动图书信息服务中保护读者偏好隐私：一种技术方法》[9》解决了多媒体数据处理中的隐私和信任问题。他们的方法通过生成虚假请求来掩盖真实用户偏好，利用基于熵的模型来量化和保护隐私。这项工作直接支持了专题对隐私保护多媒体应用的关注，特别是在典型的IoMT系统中的不可信网络环境中，并展示了一种在保护用户身份和意图的同时保持数据实用性的实用解决方案。

Tan、Yao、Pang和Song撰写的文章《ELF：改进和评估用于课堂教学的人工智能生成内容的教育大语言模型框架》[7》提出了一个将大型语言模型（LLMs）整合到教学过程中的框架，以最小的数据需求增强课堂互动和教学设计。这种方法支持两项人工智能生成内容任务：对话完成和教学迁移学习。这一贡献与专题对语义丰富性、内容质量评估以及基于LLM的教育多媒体内容生成和验证框架的关注相一致。

Xu、Cai、Ma、Li、Seo和Li撰写的文章《Overheard：基于音频的完整事件推断》[10》利用ALTER系列模型解决了从多声道音频数据中推断复杂人类事件的新问题。通过先进的注意力机制和多标签推理策略，他们的工作推动了基于音频的语义推理领域的发展，扩展了从嘈杂多媒体数据中实时、高保真事件理解的边界。这项研究体现了专题对新型多媒体数据解释架构和表示方法的呼吁，尤其是在非结构化音频流中。

Lou、Wu、Zhao、Shen和Yang撰写的文章《DUTNG：利用动态更新的交通网络图进行短期交通流量预测》[4》提出了一种基于图的实时架构，能够动态模拟交通状况。该方法比静态模型更有效地捕捉时空相关性，从而在真实世界数据集上实现了更出色的预测性能。这项工作直接响应了专题对高容量视空间数据建模和表示的关注，以及人工智能与城市移动性和传感器驱动基础设施的整合。

Wang、Qi、Wei、Zhu、Jiang和Guan撰写的文章《AED：一种在大数据环境中无需异常样本的入侵检测新方法》[8》解决了多媒体数据环境中最紧迫的问题之一：在缺乏标记异常的情况下进行网络安全检测。他们的方法使用深度自动编码器结合差异比较，仅基于正常交通数据来检测入侵，这在动态实时的IoMT环境中特别有用。该文章紧密符合专题的主题，展示了无监督深度学习模型如何在无需先验假设的情况下确保多媒体网络的数据质量和鲁棒性。

Li、Zheng、Li、Zhang、Zou和Yu撰写的文章《学习属性注意力与回顾性位置用于实例对象导航》[11》提出了一种用于实体环境中实例级对象导航的级联模型。他们的方法包括一个对象-属性注意力图（OAAG）和回顾性记忆模块，提高了导航任务中的对象区分能力和记忆效果。这项工作与专题的目标一致，提供了一个多模态、增强注意力的框架，能够通过结构化的语义线索导航视觉场景，是多媒体人工智能中深度语义建模的一个典范。

Liu、Wu和Wu撰写的文章《基于细节注意力和师生网络的遥感图像分类方法》[3》解决了遥感图像的质量改进问题。他们的DATS框架将基于注意力的特征细化与师生网络中的知识蒸馏相结合，提高了细粒度细节和全局结构识别的能力。这篇文章通过提供一个适用于高分辨率多媒体分类的强大AI流程，体现了专题的目标，适用于地理空间监测和环境数据分析等实际挑战。