• 保护联邦学习免受主动重构攻击

  摘要联邦学习（FL）因其在保护用户隐私的同时保持模型训练效率方面的能力而受到了广泛关注。凭借这一优势，FL已被应用于许多领域，如医疗保健、金融、法律和工业工程等，这些领域由于数据包含敏感信息且隐私法规严格，数据难以轻易交换。然而，现有研究表明，FL协议容易受到恶意服务器发起的“主动”数据重构攻击的破坏。通过梯度反转，恶意服务器能够直接获取用户的私人数据。这类攻击尚未得到充分研究，且由于威胁严重，仍是一个主要挑战。在本文中，我们提出了OASIS这一基于数据增强技术的防御机制，该机制能够在不降低模型性能的前提下有效抵御主动数据重构攻击。为了推广我们的防御方法，我们揭示了支持这些攻击的梯度反转原理，

  来源：ACM Transactions on Internet Technology

  时间：2025-11-08

• GANPrompt：利用增强多样性的提示来提升基于大型语言模型（LLM）的推荐系统

  摘要大型语言模型（LLMs）在理解和生成自然语言方面展现了卓越的能力，在推荐系统领域中的应用也越来越广泛。然而，LLMs仍然存在一个显著的问题，即提示敏感性（prompt sensitivity）——模型的输出容易受到输入提示的微小变化的影响。这一挑战在推荐系统中尤为突出，因为推荐系统依赖于稳定且一致的输出结果。使用多样化的提示对LLMs进行微调可以降低提示敏感性，但同时也可能导致推荐性能下降。因此，选择一种有效的微调方法对于在不牺牲性能的情况下提高模型的鲁棒性至关重要。为了解决提示敏感性问题同时保持推荐性能，我们提出了基于生成对抗网络（GANPrompt）的框架，该框架利用对抗性博弈论来改进

  来源：ACM Transactions on Information Systems

  时间：2025-11-08

• 一种混合自适应采样策略，用于实现公平且准确的元学习用户建模

  摘要用户建模是研究人员捕捉有用潜在特征的重要基础，在推荐系统等各种应用中发挥着关键作用。用户建模中的一个常见挑战是“冷启动”问题，即新用户的互动显著有限。为了解决这个问题，元学习范式被引入到用户建模中，并取得了有希望的结果。元学习就像为新旅行者提供的指南一样，在职业推荐等关键场景中对新用户的决策产生了重要影响。因此，元学习中的公平性问题变得至关重要。已经提出了一些方法来减轻元学习中的不公平现象，并且取得了积极的效果。然而，一个根本性问题尚未得到探讨：导致元学习用户建模不公平的关键因素是什么？通过将元学习范式与群体公平性指标相结合的理论分析，我们确定了群体比例不平衡是一个关键因素。接下来，另一个

  来源：ACM Transactions on Information Systems

  时间：2025-11-08

• 在多用户MEC系统中，利用强化学习实现成本最优的周期性DAG结构化任务卸载

  摘要强化学习（RL）作为一种有前景的任务卸载解决方案，因其能够适应动态环境并减少在线计算开销而受到关注。本文探讨了在多用户移动边缘计算（MEC）系统中利用RL优化周期性有向无环图（DAG）任务卸载的方法，旨在最小化总体成本，包括用户设备能耗和服务器计算费用。本研究的一个关键贡献是对用户对有限边缘资源的竞争进行了明确建模：并发访问会导致动态竞争，从而显著影响卸载延迟和能耗。然而，这一优化任务面临两个主要挑战：任务状态的高维性和庞大的动作空间，这两者都会增加学习复杂性。为了解决这些问题，我们提出了一个基于动态分布式近端策略优化（PPO）的卸载框架。我们使用编码器将DAG节点特征和结构信息映射到低维

  来源：ACM Transactions on Internet Technology

  时间：2025-11-08

• 双对齐增强型时尚视觉-语言预训练

  摘要时尚视觉语言预训练（VLP）模型在处理各种时尚跨模态任务方面展现了卓越的能力。然而，当前的模型仍存在三个显著的限制：1) 无法区分文本描述与多视图图像之间的一致性程度；2) 图像与文本之间的显式细粒度对齐存在不足；3) 缺乏促进全局联合嵌入学习的特定监督机制。为了解决这些限制，我们提出了一种新颖的双重对齐增强型时尚VLP模型。该模型深入挖掘了与每个时尚单品相关的多视图图像和语义属性的丰富资源。值得注意的是，我们引入了两种新的预训练任务：多粒度自适应图像-文本对齐（MAITA）和面向联合嵌入的对齐（JEA）。MAITA通过协调多视图图像与输入文本之间的自适应对齐来优化文本/图像编码器，这包括

  来源：ACM Transactions on Multimedia Computing, Communications, and Applications

  时间：2025-11-08

• 3DMambaComplete：一种用于高效点云补全的结构化状态空间模型

  摘要点云补全旨在从不完整且质量较低的输入数据中重建出完整且高保真的点云。当前的方法主要依赖于Transformer架构进行特征提取。然而，这些方法存在两大局限性：一是注意力机制带来的计算复杂性，二是在池化操作过程中可能丢失细粒度细节。这些问题限制了它们在处理大规模和高度碎片化点云时的性能。为了解决这些挑战，我们提出了3DMambaComplete，这是一种基于选择性状态空间模型（SSM）的新型点云补全方法，特别利用了Mamba架构。与传统基于Transformer的方法不同，3DMambaComplete利用Mamba的线性时间复杂度高效地提取全局特征，同时大幅降低了计算开销。此外，我们还引入

  来源：ACM Transactions on Multimedia Computing, Communications, and Applications

  时间：2025-11-08

• RECOSIM：一个通用、准确且可扩展的在线社区推荐模拟框架

  摘要随着推荐系统在在线社区中变得越来越重要，研究它们对这些社区的影响也变得至关重要。由于现实世界中的社会实验成本高昂且存在伦理风险，研究人员构建了推荐系统模拟器来研究推荐系统与用户之间的互动。然而，现有的模拟器在为涉及数百万内容和具有多种行为类型的用户提供通用、准确且可扩展的互动建模方面面临挑战。为了解决这些问题，我们提出了RECOSIM这一模拟框架，它能够在各种场景下高效地进行推荐系统互动模拟。RECOSIM将用户代理分解为五个基本模块：编码模型（Encode Model）、解码模型（Decode Model）、活动模型（Activity Model）、评分模型（Scoring Model）

  来源：ACM Transactions on Information Systems

  时间：2025-11-08

• 基于脑电图的多模态情感识别：最新进展、挑战与未来方向

  摘要情绪识别是认知计算的重要组成部分。传统的情绪识别系统包括视听模态。然而，最近一种情绪识别的趋势是使用生理信号，如脑电图（EEG）。脑电图信号与视听信号及其他生理信号相结合，可以提高情绪识别系统的性能。本文对过去五年中基于脑电图的多模态（多媒体）情绪识别系统进行了系统的文献综述。文章探讨了三个主要研究问题：（1）基于脑电图的多媒体情绪识别中使用了哪些类型的学习模型？（2）有哪些公开可用的相关数据集？（3）这一领域面临的挑战及其未来发展方向？这些研究问题的答案分别在不同的小节中给出。

  来源：ACM Transactions on Multimedia Computing, Communications, and Applications

  时间：2025-11-08

• 针对容器化服务的编排时间进行基于服务级别目标（SLO）的优先级排序

  摘要在本文中，我们对容器化服务的编排时间进行了分析，发现当前的容器编排器无法在并发请求的情况下充分优先处理服务。分析指出了导致服务编排延迟的根源，这些延迟可能会影响服务的服务水平目标（SLO）的实现。基于分析结果，我们提出了三种考虑服务水平目标的替代性编排系统设计，旨在防止或减轻高优先级服务的延迟。我们提供了实施这些设计所需的原则和指导方针。随后，我们介绍了基于Kubernetes的原型系统Ulysses，它体现了这三种设计中最简单的一种。Ulysses修改了Kubernetes的核心控制平面组件，以同步且按固定优先级处理事件。通过使用合成工作负载和容器化的云原生5G核心网络进行的实验，我们证

  来源：ACM Transactions on Internet Technology

  时间：2025-11-08

• 超越文本：将共现现象纳入基于评论的对话推荐系统

  摘要对话推荐系统（CRS）通过自然语言与用户交互，提供推荐并生成响应。由于对话中的信息有限，现有研究利用知识图谱（KG）或评论来改进CRS。尽管取得了一定的成果，但这些方法忽略了共现关系，而共现关系在协同过滤系统中已被证明是有效的。在这项工作中，我们首次提出了一种名为CoCRS的新框架，旨在将共现关系融入基于评论的对话推荐系统中。在CoCRS中，我们从两个方面挖掘共现关系：（1）项目与实体；（2）用户与项目。对于第一方面，我们利用知识图谱从冗余的评论文本中提取实体，并构建一个考虑关系的项目-实体异构图。对于第二方面，我们分析评论的情感倾向，并构建一个考虑情感的用户-项目二分图。我们对这两个图进

  来源：ACM Transactions on Information Systems

  时间：2025-11-08

• 基于规范图探索异构数据湖

  摘要数据湖存储了大量具有不同数据架构和查询接口的异构数据。高效地查询和分析这些异构数据能够帮助用户获得更全面的洞察。在本文中，我们研究了一个新的问题：如何在异构数据源之间进行分布式关键词搜索。传统的分布式搜索算法通常需要预先定义的连接相关数据实例的“交叉边”来实现不同数据源之间的通信，但由于数据架构的异构性，这种方法在数据湖中并不实用。为了有效地在数据湖上进行关键词搜索，我们首先引入了规范图（canonical graphs），然后开发了一种名为UnifySea的最佳优先搜索算法，该算法基于相关实例的统一识别来探索不同数据源中的答案。为了进一步提高查询效率，我们提出了一种新的增量关键词搜索算法

  来源：ACM Transactions on Information Systems

  时间：2025-11-08

• 包含比较运算的连接查询

  摘要最近，包含跨多个关系的比较谓词的连接查询重新受到了关注，因为它们在OLAP查询、时空数据库以及对关系数据进行机器学习时具有重要意义。标准的技术——谓词下推（predicate pushdown）在这种比较中的效果有限。Willard提出了一种技术，可以处理在连接树中时间线性排列的短比较（时间复杂度为输入大小加上输出大小）。在本文中，我们描述了一种用于评估包含短比较和长比较的连接查询的新算法，并确定了一个可以实现线性时间复杂度的无环条件。我们还在Spark平台上实现了这一新算法，实验结果表明，在各种图形模式和分析查询中，该算法的速度比SparkSQL快一个数量级。

  来源：ACM Transactions on Database Systems

  时间：2025-11-08

• 用于点云近似查询的高效路径预言器

  摘要计算机图形技术的普及推动了点云技术的发展，点云在邻近查询方面相比三角不规则网络（TIN）具有明显优势。目前所有针对TIN的即时最短路径查询算法和预言器都效率较低，且没有算法能够直接在点云上回答最短路径查询。因此，我们提出了两种高效的点云最短路径预言器：一种用于查询一对兴趣点（POI）之间的最短路径，另一种用于查询任意点与兴趣点之间的最短路径。我们还对这些预言器进行了四种改进，以适应查询任意点与兴趣点之间的路径（或在未提供兴趣点时查询任意点之间的路径）。此外，我们还基于这些预言器设计了两种高效的邻近查询算法。我们的两种预言器及其邻近查询算法在预言器构建时间、预言器大小和邻近查询时间方面，均比

  来源：ACM Transactions on Database Systems

  时间：2025-11-08

• Saga++：一个用于优化机器学习应用程序数据清洗流程的可扩展框架

  摘要在探索性数据科学的生命周期中，数据科学家通常花费大量时间寻找、整合、验证和清洗相关数据集。尽管最近在数据验证以及错误检测和纠正算法方面取得了进展，但在实践中，机器学习（ML）的数据清洗仍然主要依赖于手动、繁琐且劳动密集型的试错过程，尤其是在大规模、分布式计算环境中。然而，目标ML应用（如分类或回归模型）可以提供有价值的反馈，帮助选择有效的数据清洗策略。在本文中，我们介绍了Saga++，这是一个用于自动生成K个最有效数据清洗流程的框架。Saga++借鉴了自动机器学习（Auto-ML）、特征选择和超参数调优的思想。我们的框架可扩展，以适应用户提供的约束条件、新的数据清洗操作以及不同的ML应用；

  来源：ACM Transactions on Database Systems

  时间：2025-11-08

• 基于云-边缘-客户端协同的安全且具有抗Dropout能力的三方聚类

  摘要聚类算法作为数据分析的核心技术，可以从复杂数据中提取潜在的模式和规律。然而，在资源有限的设备上部署k-means聚类仍然是一个挑战。尽管云计算具有很大潜力，但将数据外包到远程云服务器会导致较高的延迟和隐私风险。此外，网络的状况和配置也会影响云服务的稳定性和速度，从而导致计算错误。因此，我们设计了一种基于云-边缘-客户端协作架构的安全且具有抗异常能力（dropout-resistant）的k-means聚类方案。在我们的方案中，云服务器在预处理阶段仅生成乘法运算结果，可以处于离线状态；在在线阶段，物联网设备会秘密地将原始传感数据共享给三个边缘服务器，然后这些边缘服务器进行交互式聚类处理。我们

  来源：ACM Transactions on Internet Technology

  时间：2025-11-08

• T-FSM：一种可扩展的分布式基于任务的系统，用于从大型图中频繁提取子图模式

  摘要在大型图中寻找频繁出现的子图模式是一个重要的问题，它在许多应用中都具有重要意义，例如对化学化合物进行分类以及构建索引以加快图查询的速度。由于这个问题属于NP难问题，因此最近开发了一些并行和分布式系统来加速子图模式的挖掘过程。然而，这些系统通常具有巨大的内存消耗、过长的运行时间、次优的负载均衡能力、较差的可扩展性，以及可能不准确的结果。在本文中，我们提出了一种名为T-FSM的高效系统，用于在大型图中并行挖掘频繁出现的子图模式。T-FSM支持一种新的抗单调频率度量方法——分数分数（Fraction-Score），该方法比广泛使用的MNI度量方法更为准确。T-FSM的执行引擎同时支持机器内部的并

  来源：ACM Transactions on Database Systems

  时间：2025-11-08

• 通过基于激励的谈判共享个人数据：偏好建模与实证分析

  摘要在数据成为企业核心资产的时代，个人信息的道德获取和使用变得越来越重要。赋予数据提供者对其个人数据更大的自主权比以往任何时候都更为关键。为了解决这一问题，我们提出了一种基于协商的信息共享框架，该框架使个人能够积极协商数据共享的条款，从而解决隐私问题和道德数据使用问题。该框架允许用户决定共享哪些个人信息以及在什么条件下共享，从而促进更加平衡和透明的数据交换过程。我们的系统允许数据消费者代理与其人类用户进行协商，并且可以完全自动运行，代理根据收集到的偏好和需求代表数据提供者进行协商。我们提出了新的偏好建模方法和协商框架，以促进数据消费者和提供者之间的双向信息与激励共享。用户实验证明了我们协商方法

  来源：ACM Transactions on Internet Technology

  时间：2025-11-08

• D-RecSys：一种基于Web 3.0内容共享平台的分散式推荐框架

  摘要从集中式架构向去中心化或分布式架构的转变为互联网带来了诸多优势，但也带来了显著的挑战。其中一个关键挑战是用户画像，即如何实现个性化服务，尤其是个性化内容推荐。传统的集中式推荐系统依赖于汇总的用户数据和中央服务器，这与Web 3.0的去中心化原则不兼容。为了解决这一难题，我们提出了，这是一个专为基于Web 3.0的内容共享去中心化应用（dApps）设计的推荐框架。结合了联邦学习和聚类算法，在保护用户隐私和匿名性的同时提供个性化推荐。该框架利用区块链技术实现无需信任的协调机制，通过改进的区块结构和挖矿算法生成全局模型。这种结构能够将本地模型聚合为中间区块模型，最终形成全局模型。为了验证的有效性

  来源：ACM Transactions on Internet Technology

  时间：2025-11-08

• SimCDR：保留用户域内相似性以实现跨域推荐

  摘要跨域推荐（CDR）通过将源域的知识迁移到目标域，可以有效缓解推荐系统中的数据稀疏问题。许多CDR方法试图找到源域和目标域中重叠节点（例如，重叠用户）的潜在嵌入之间的映射关系。然而，由于参数初始化和模型训练的随机性，不同域的嵌入可能存在很大差异，因此跨域映射关系难以学习。为此，在本研究中，我们提出了一种新颖的保持相似性的跨域推荐框架（SimCDR）。SimCDR并不试图学习跨域映射关系，而是致力于保持用户在同一域内的相似性，即确保在源域中关系密切的用户在目标域中仍然保持紧密联系。具体来说，我们首先验证了用户嵌入的域内相似性能够很好地表征域知识。在此基础上，我们提出了SimCDR框架，该框架增

  来源：ACM Transactions on Information Systems

  时间：2025-11-08

• 搜索中的多样性与公平性：同一枚硬币的两面？

  摘要信息检索系统旨在向用户返回相关且有用的内容，但往往偏向于热门项目。这意味着在搜索结果中，某些代表性不足的群体或属性无法获得应有的关注。例如，对于“物理学家”这样的查询，如果按照性别、国籍或社会群体等特定属性对结果进行排序，可能会显得公平，但对所有这些群体来说并不一定公平。理想情况下，除了提供相关答案外，结果列表还应在广泛的属性范围内实现公平展示。我们证明了虽然系统可以在多个属性上做到公平，但并不一定具备多样性（即存在冗余或缺乏新意）。为此，我们在研究中引入了多样性这一维度，并通过使用TREC 2021 Fair Ranking Track、TREC 2022 Fair Ranking Tr

  来源：ACM Transactions on Information Systems

  时间：2025-11-08

知名企业招聘：