亲爱的同仁：
欢迎阅读《智能数据分析》（IDA）期刊第30卷第6期。
亲爱的读者，欢迎再次来到IDA创刊30年以来的第六期。本期收录了一系列涵盖理论研究和实际应用的数据分析论文。第一部分为理论贡献，第二部分则包含若干现实世界应用的论文。
本期从理论贡献开始，首先是两篇关于数据特征描述及其面向监督学习的数据准备的论文。Camacho-Urriolagoitia等人提出了十二种基于网络的数据复杂度度量，将复杂度评估扩展到多类、混合及不完备的监督数据。其公式消除了基于网络度量中三个长期存在的局限：无法处理非对称差异函数、需要固定用户定义阈值，以及将数据空间限制为单一全局评估。这些度量被整合到EPIC平台中，与最近邻分类器和ACID分类器的相关性分析得出了具有统计显著性的结果。Goswami和Singh研究了极端的类别不平衡问题，该问题使得信用卡欺诈检测变得困难——欺诈交易远远少于合法交易。他们提出了WRM-SMOTE，一种自适应过采样方法，根据其性能和相对排名对少数样本进行加权，使得两个性能非常接近的变体仍可被区分开来。该方法将不平衡数据集转化为平衡数据集，并改进了基于传统SMOTE过采样的分类效果。
第二组理论论文专注于时间序列分析，涵盖聚类和预测。Wang等人提出了一种深度时间序列聚类框架，将谱自适应掩蔽与层次对比学习相结合。一个频域自适应噪声滤波器从谱功率分布中学习阈值参数，以动态抑制高频波动；同时，对比信息既在重叠片段内的时间层级捕获，也在增强子序列之间的实例层级捕获。该方法直接针对通常降低时间序列聚类性能的周期性、非线性和噪声敏感性。Yan等人利用TLD-SVGP应对高波动环境下的预测问题，该模型将时间注意力驱动的LSTM网络与动态平衡的可扩展稀疏变分高斯过程相结合。TAD-LSTM模块提取多个时间尺度之间时间模式的耦合关系，而DBS-SVGP模块则利用时间和特征变量来优化其输出。该组合解决了单一时间尺度模型在高波动时恰恰失去精度的弱点。
理论部分的最后一项贡献是关于强化学习的。Kou等人观察到，用于自主导航的强化学习方法要么采用纯离散动作空间，要么采用纯连续动作空间，在控制粒度和训练效率之间做出取舍。他们提出了HAS-HRL，一种具有混合动作空间的层次框架，其中高层策略根据环境上下文自适应地选择机动模式，而底层策略则提供相应的原始导航技能。事件触发的控制规则使车辆在密集障碍区域能够平稳机动，同时在开阔空间高效巡航。
本期的第二部分呈现了一组应用论文。我们从无线通信网络、频谱管理和网络安全方面的贡献开始。Mustafa等人针对SDN-IoT云网络提出了一种混合入侵检测框架，其中资源受限的设备面临中间人攻击、暴力破解和分布式拒绝服务攻击。该方法结合了一个处理序列流量数据中长期依赖和梯度消失问题的残差GRU，以及一个提高捕获非线性模式灵活性的Gaussian-Gbell混合模型。该框架在实时威胁检测中达到99.7%的准确率，同时将处理开销保持在足够低的水平，便于实际部署。Chauhan等人研究了6G无线通信中的频谱感知问题，其中无线信道的动态特性限制了现有模型的有效性。其流程包括应用最优波束成形、按频率分组信号、通过模糊指数梯形干扰系统提取频段，并使用自适应迁移感受野卷积神经网络进行频谱感知。报告的97.06%准确率得到了基于小波的信号干扰检测的补充。Zhao以传感器网络在音乐教育中的一个不寻常应用作为本组结尾，利用无线传感器网络在大管练习过程中实时捕捉气息压力、口型和声音特征。然后，基于变分自编码器与卷积神经网络结合的音频异常检测方法评估声音质量并向演奏者返回即时反馈，准确率达到98.18%。
接下来的两篇论文将自然语言处理应用于语言学习和语言资源构建。Yang和Chang提出了ALBS，一种将经典文学作品适配到英语作为外语学习者词汇水平的机制。L-BERT模型首先识别每个单词的难度等级，然后将挑战性词汇替换为与学习者能力相匹配的替代词，同时保留原始语义含义和句法流畅性。其结果支持向不同词汇水平学习者推荐文学文本。Bouarroudj等人转向一种资源严重匮乏的语言——阿尔及利亚阿拉伯语（Darija），该语言在非洲北部的数字交流中占据主导地位，却缺乏进行稳健自然语言处理所需的资源。作者通过一种混合方法构建了大规模多脚本数据集，用于命名实体识别和实体链接，该方法结合了真实文本的人工标注、从Wikidata提取的自动化知识图谱以及基于规则的合成生成，明确涵盖了语码转换以及Arabizi与阿拉伯文字之间的正字法差异。一个微调的XLM-RoBERTa模型在该资源上达到了最先进的性能，该资源连同部署接口和评估指标一并发布。
计算机视觉为以下两个应用提供了研究背景。Kuang和Ge提出了用于遥感图像变化检测的2DMCG框架。其框架用Vision Mamba变体替代了分别受限于感受野大小和二次计算复杂度的卷积和Transformer骨干网络，在保留线性复杂度的同时恢复了因Mamba固有的1D处理而丢失的2D空间信息。一种具有时空特征融合和基于变化流的解码器的通道并行扫描策略共同解决了融合过程中产生的空间不连续性问题。Guo等人提出了MCNet，一个直接从视频监控帧中分类地铁环境中乘客密度的网络。一个融合多尺度注意力模块结合了膨胀卷积、多尺度特征提取和注意力机制，以更低的计算成本从更大的感受野中获取人群纹理激活，一个轻量级纹理特征提取网络则保持参数量足够小，便于在硬件有限的嵌入式平台上部署。
接下来是一个医疗领域的应用。Arunachalam等人提出了一个基于迁移学习并辅以启发式策略的宫颈癌检测模型。为应对减慢训练和延迟诊断的不均衡数据分布问题，他们使用循环生成对抗网络对较小的图像块而非整幅图像进行增强，然后进行块分割和检测。这种分阶段设计旨在满足计算机辅助系统中早期诊断所需的持续筛查。
金融市场是下一项贡献的研究对象。Gu等人介绍了MTS，一个用于投资组合管理的深度强化学习框架，融合了时间感知和做空策略。一种新颖的编码器-注意力机制捕获时间市场特征，一个并行策略根据市场趋势自动化做空操作，并通过增量条件在险值控制风险。在覆盖2019年至2023年的五个多样化数据集上的验证显示，该框架相较于传统算法和先进机器学习基线表现出持续的优势。
本期最后以两项与物理基础设施可靠性有关的应用作为结尾。Gong等人预测了抽水蓄能电站调速油泵的负荷持续时间，随着电网储能系统的扩展，这一问题日益重要。一个双分支LSTM-Transformer网络在独立分支中处理时间相关性和交叉相关性因素，然后由一个反向传播神经网络非线性地融合，而非通过固定线性加权。基于真实电站运行数据的实验，包括消融研究和不同缺失数据机制下的鲁棒性测试，证实了双分支架构的优势。Gaidai等人以一项预测极端区域波浪高度的研究为本期刊号收尾，这对风力涡轮机和油气平台等海上设施而言是运营安全问题。作者将一种非参数自反卷积外推方案与一种面向高维环境系统（在代表性时间段内观测）的多变量可靠性方法相结合，并通过四参数Weibull拟合验证所得到的预测。
致以最诚挚的问候，
J.M. Pe?a博士
主编
