• 基于熵因果图的多变量时间序列异常检测新方法CGAD：提升9%检测性能的创新框架

  1 引言多变量时间序列分析在制造业、能源、交通等领域具有重要作用，尤其在系统故障检测和网络安全方面至关重要。当前大多数深度学习框架未能充分考虑多变量时间序列中变量间的内在关系，忽略了因果关系，导致检测性能下降。CGAD框架通过因果发现技术构建图结构，利用信息论方法增强异常检测的准确性和可解释性。2 相关工作2.1 多变量时间序列异常检测方法现有方法主要包括重构型和预测型两类。重构型方法如OmniAnomaly、MAD-GAN等通过重建误差识别异常，而预测型方法如GDN、GTA通过预测偏差检测异常。图学习技术的引入（如MTAD-GAT）通过图注意力网络建模变量关系，但现有方法大多未充分考虑因果关

  来源：ACM Transactions on Intelligent Systems and Technology

  时间：2025-11-07

• 在32位ARM Cortex-M4微控制器上优化AES-GCM算法：解决数据切片问题并采用基于 FACE（Face Authentication）的方法

  摘要 高级加密标准（AES）在伽罗瓦/计数器模式（GCM）下能够同时提供保密性和完整性，但这对资源有限的微控制器来说存在性能和安全方面的挑战。在本文中，我们为32位ARM Cortex-M4处理器提供了一种优化的AES-GCM实现方案，该方案结合了Fixslicing AES方法和FACE（快速AES-CTR加密）策略，显著减少了AES-CTR中的冗余计算。我们进一步研究了两种GHASH实现方式：一种是基于表格的4位实现方法，另一种是基于Karatsuba算法的常数时间实现方法，以平衡速度、内存使用以及对时间攻击的抵抗力。在STM32F4微控制器上的测试表明，

  来源：ACM Transactions on Embedded Computing Systems

  时间：2025-11-07

• 知识图谱哈希化：一种高效知识表示与推理的二元优化方法

  知识图谱哈希化的数学建模与优化框架知识图谱作为结构化知识表示的重要形式，其高效查询和推理一直面临计算复杂度的挑战。传统基于连续向量的嵌入方法虽能有效捕获语义关系，但浮点运算和高维空间相似度计算导致实际应用时效率低下。知识图谱哈希化（Knowledge Graph Hashing, KGH）通过将实体和关系映射到二元汉明空间，利用位运算替代浮点计算，在保证推理精度的同时实现数量级的速度提升。核心问题形式化与表示学习给定知识图谱三元组（头实体h，关系r，尾实体t），KGH的目标是将实体vi∈{±1}d和关系lj=(l1,j,l2,j)∈{±1}d×{±1}d编码为二进制向量。其中l1,r表示关系对

  来源：ACM Transactions on Intelligent Systems and Technology

  时间：2025-11-07

• 基于张量分解与RISC-V优化的深度神经网络全连接层压缩与加速设计空间探索方法研究

  引言与背景深度神经网络（DNN）中的全连接层（FC）因其高参数密度与计算复杂度成为模型压缩与加速的关键目标。低秩分解（LRF）通过将权重矩阵分解为低维核心张量，显著减少参数与计算量，但传统方法在秩选择与硬件适配方面存在局限性。本文提出一种系统性设计空间探索（DSE）方法，结合张量列车分解（TTD）与RISC-V架构特性，实现FC层的高效压缩与推理优化。张量分解与设计空间构建TTD将权重矩阵W分解为一系列核心张量G(k)，其形式为：W = G(1) ∘ G(2) ∘ ... ∘ G(d)其中每个核心张量的维度为rt-1 × nt × mt × rt。通过调整秩值rt与分解维度d，可构建庞大的设计

  来源：ACM Transactions on Embedded Computing Systems

  时间：2025-11-07

• 5G vRAN中的感知资源调度：一种弹性方法

  无线传感技术正在成为5G网络中一个引人注目的研究方向，它不仅能够实现高效的通信，还为用户提供了一种全新的感知能力。集成传感与通信（ISAC）技术的出现，标志着无线传感能力从传统专用设备向现有通信基础设施的转变。通过在5G基站上部署感知功能，ISAC技术能够实现更广泛的应用场景，如定位、跟踪、环境监测等。然而，随着不同感知任务对资源需求的差异性增加，传统的固定资源分配方式显得不够灵活，尤其是在资源受限的情况下，这种方法往往无法满足不同用户的需求，从而影响整体的感知质量。为此，研究者提出了ElaSe这一创新的感知技术，旨在实现资源的弹性与快速调度，提升感知效率并减少资源浪费。ElaSe的核心思想是

  来源：ACM Transactions on Internet of Things

  时间：2025-11-07

• CollabCam：基于协同推理与混合分辨率成像技术的能效高效普适视觉系统

  随着深度神经网络（DNN）在机器视觉任务中的广泛应用，其性能的显著提升推动了多摄像头系统的部署，特别是在城市、仓库、体育场和校园等场景中，用于目标跟踪、事件检测和人群管理等应用。然而，这些部署往往面临高能耗和网络传输开销的问题。为了解决这一挑战，本文提出了一种名为CollabCam的边缘计算系统，该系统利用相邻摄像头视场（FoV）之间的自然重叠区域，通过混合分辨率帧（MRF）和协作推理机制，显著降低能耗和网络流量。CollabCam结合了两个创新点：（a）每个摄像头在重叠区域以较低分辨率传输图像，从而减少传输数据量；（b）在执行推理任务时，使用其他摄像头检测到的目标边界框作为额外输入，以提高检

  来源：ACM Transactions on Internet of Things

  时间：2025-11-07

• 基于代理建模的公平性评估：解决受保护成员属性缺失问题的新方法

  引言：算法公平性评估的挑战与机遇随着算法决策变得无处不在，确保人工智能（AI）模型对所有群体（包括弱势群体）都能良好运行的公平性评估已成为负责任AI（Responsible AI）的基石。然而，所有标准的公平性度量都有一个共同的前提：必须已知个体的群体成员身份。遗憾的是，在许多实际场景中，关于种族、宗教、性别等受法律保护的敏感信息往往难以获取、有限，甚至因隐私法规限制而无法收集。这导致大多数常见的公平性度量在实际应用中无效。本文正是在这样的背景下，致力于解决当受保护成员属性缺失时，如何进行有效的公平性评估这一关键问题。概率成员问题（PMP）的定义与阐释研究首先明确了核心问题——概率成员问题（P

  来源：ACM Transactions on Evolutionary Learning and Optimization

  时间：2025-11-07

• 利用基于电影评论的情绪多样化技术来提升电影推荐系统的用户体验

  摘要多样化电影推荐是解决选择过载问题的有效方法。选择过载指的是推荐系统生成的推荐列表中内容高度相似，导致用户难以做出选择。然而，现有的多样化算法通常依赖于潜在特征，这限制了它们的可解释性，也使得难以理解为何会推荐某一组特定的电影。鉴于电影旨在引发观众的情感反应，研究人员建议利用这些情感反应来提升推荐系统的性能。本研究提出了一种新的“情感多样化”方法，该方法根据从观众评论中提取的情感信号来多样化电影推荐。我们在一项受控的用户研究（N = 115）中将该方法与基于潜在特征的推荐方法以及未采用多样化策略的基准方法进行了对比，发现该方法在提升用户对推荐内容多样性的感知以及系统满意度方面表现显著，同时并

  来源：ACM Transactions on Interactive Intelligent Systems

  时间：2025-11-07

• 在替代优化中增强批量多样性：一种行列式点过程方法

  摘要在针对昂贵的黑盒函数的替代优化问题中，探索与利用之间的权衡是一个重大挑战，尤其是在处理批量评估场景时。尽管人们努力开发了批量采样技术，但这些技术往往无法充分重视所选批次内的多样性。在本文中，我们提出了一种全新的方法，称为基于行列式点过程（DPP）的替代优化（DPPSO），它构成了一个统一的框架。DPPSO引入了一种新的离散化方案和采样算法，通过利用DPP分解的力量来融合探索和利用的目标。该项目的一个重要方面是开发有效的评分函数，以将采样点的质量纳入评估之中。我们提供了理论保证，证明了DPPSO能够实现收敛概率的下界。我们通过不同的基准测试验证了DPPSO的有效性，并将其性能与各种基线方法进

  来源：ACM Transactions on Evolutionary Learning and Optimization

  时间：2025-11-07

• 内存中的自适应计算技术与传统无电池平台相结合

  随着物联网（IoT）技术的迅速发展，电池供电设备在许多应用领域变得不可或缺。然而，电池的使用带来了维护成本高、环境影响大以及生命周期有限等挑战。因此，研究人员开始探索无需电池的系统，利用环境能量采集技术来驱动设备运行。这些电池-less 设备广泛应用于环境监测、野生动物追踪和现场机器学习等场景。例如，动物携带的传感器需要实时分类声音或图像，以检测特定物种的行为；建筑物或工厂中的无电池空气质量监测设备通常在设备上执行分类任务，使用内存密集型的卷积神经网络（CNNs）；农业传感器则需要定期处理高分辨率的视觉或声学数据，以检测植物健康或害虫活动。这些应用都面临一个共同的问题：由于输入数据和模型的规模

  来源：ACM Transactions on Embedded Computing Systems

  时间：2025-11-07

• 基于鲁棒预测与时空逻辑的自主系统实时验证方法及其在分布偏移下的统计保证

  2.1 STL for General CPS信号时序逻辑（STL）用于表达一般信息物理系统（CPS）的时序规约。STL基于谓词函数h:Rn→R构建原子命题π，其语法包含布尔运算符（¬,∧）和时序运算符（UI,FI,GI）。鲁棒语义ρϕ(x,τ0)∈R∞定量评估轨迹x在时间τ0满足公式ϕ的程度，其中正值表示满足，负值表示违反。有界STL公式的满足性可通过有限长度轨迹（Lϕ）判定。2.2 STREL for MAS时空时序逻辑（STREL）扩展STL以处理多智能体系统（MAS）的空间交互。通过权重函数w:{1,…,L}2×T×RN×T→R≥0∞描述智能体间的连接关系（如欧氏距离），并引入空间运算

  来源：ACM Transactions on Cyber-Physical Systems

  时间：2025-11-07

• 以实体为中心的中文拼写校正：数据集与方法

  摘要由于预训练语言模型具有强大的表示能力，中文拼写校正模型的性能得到了显著提升。然而，预训练语言模型主要关注上下文信息，并将所有单词平等对待，从而忽略了实体信息。在实际应用中，实体词是各种人工智能任务（如机器翻译、光学字符识别和自动语音识别）中最难处理的部分。为了解决这个问题，我们首先构建了一个以实体为中心的中文拼写校正（EFCSC）数据集，这是首个专门针对实体错误进行标注的公开拼写校正语料库。此外，我们提出了一种基于实体知识的语言模型（EKILM），该模型将实体信息注入到预训练语言模型中，从而使传统的拼写校正模型更加关注实体词。在多个基准数据集上的实验表明，我们提出的模型性能优于所有现有的强

  来源：ACM Transactions on Asian and Low-Resource Language Information Processing

  时间：2025-11-07

• 基于优先级反转有界协调的容错实时系统并行任务调度方法

  系统模型与威胁模型文章研究的是事件触发的分布式实时系统，任务为偶发任务（sporadic tasks）。每个任务τi由其最小释放间隔Ti、相对截止期Di（Di ≤ Ti）和最坏情况执行时间（WCET, Ci）表征。系统在m ≥ 2f + 1个节点（P1, P2, ..., Pm）上复制任务和实时操作系统（RTOS），以容忍最多f个拜占庭故障节点。故障节点可能表现出任意恶意行为，包括执行乱序、不执行任务、报告虚假进度数据或中断通信。文章假设通过内存隔离（如bank-aware内存分配器）和缓存分区等技术，可以防止故障节点直接干扰健康节点。通信方面，假设存在一个实时可靠广播协议，保证消息要么在最大

  来源：ACM Transactions on Cyber-Physical Systems

  时间：2025-11-07

• 用于土耳其语隐喻检测与识别的对比检索方法论

  在当前的研究中，我们提出了一种基于检索的对比学习方法，用于检测土耳其语文本中的隐喻表达。隐喻是一种常见的修辞手法，它通过将一个概念的特征应用于另一个不相关的概念来传达更深层次的意义。然而，隐喻的识别与检测通常面临一个关键挑战，即训练数据的不平衡问题。由于许多隐喻的字面含义在互联网上广泛存在，而隐喻的非字面含义则相对较少，因此构建一个平衡的训练数据集变得尤为困难。为了应对这一挑战，我们采用了一种创新的对比学习方法，该方法能够通过检索技术，从大规模语料库中找到与目标表达相关的隐喻和字面含义，从而增强模型对隐喻的识别能力。在本研究中，我们首先从土耳其语的词典中提取了隐喻表达及其含义，构建了一个用于训

  来源：ACM Transactions on Asian and Low-Resource Language Information Processing

  时间：2025-11-07

• 我们为您保驾护航：基于类型指导的不完整输入生成器的修复方法

  摘要基于属性的测试（Property-Based Testing, PBT）是一种用于自动测试程序语义属性的流行技术，这些属性被定义为前置条件和后置条件的一对。这种方法的有效性取决于能否快速生成满足前置条件的输入，从而最大化被检测的程序行为集合。对于语义复杂的前置条件，纯随机生成方法不太可能产生许多有效的输入；在这种情况下，用户不得不手动编写专门的输入生成器。手动编写生成器的一个常见问题是它们可能不完整，即无法生成某些满足目标前置条件的值。本文提出了一种新颖的程序修复技术，可以修复不完整的生成器，使其生成范围包含所有有效的输入。我们的方法采用了一种新的枚举合成算法，该算法利用了最近提出的覆盖类

  来源：Proceedings of the ACM on Programming Languages

  时间：2025-11-07

• 将量子程序验证技术嵌入到 Dafny 语言中

  摘要尽管量子程序验证技术近年来有所发展，但它仍处于起步阶段。由于量子叠加的随机性和并行性，许多量子程序难以被验证。我们提出了QafnyC这一系统，它将量子程序验证过程编译为成熟的经典程序验证工具Dafny，从而实现了量子程序的形式化验证。QafnyC的核心思想是将量子程序验证与其执行过程分离，利用经典验证工具的优势在将经过验证的量子程序编译为可执行电路之前确保其正确性。通过使用QafnyC，我们已经成功地将37个不同的量子程序的验证过程编译到了Dafny中。据我们所知，这是迄今为止形式化验证最完整的量子程序集合。

  来源：Proceedings of the ACM on Programming Languages

  时间：2025-11-07

• 高级提取与变异技术：基于模板的JavaScript引擎模糊测试方法

  摘要JavaScript（JS）引擎实现了复杂的语言语义和优化策略，以支持JS的动态特性，这使得它们难以被彻底测试，并且容易出现微妙的安全关键错误。现有的模糊测试工具往往难以生成多样且有效的测试用例。这些工具要么依赖于缺乏语义理解的语法级修改，要么对具体代码进行有限的、局部的修改，因此无法深入探索更复杂的行为。本文介绍了一种名为TemuJs的新型模糊测试框架，该框架在抽象模板上进行提取和修改操作，这些模板是从实际JS程序中派生出来的。这些模板使用语义占位符来捕捉粗粒度的程序结构，从而实现能够保留原始代码高层次意图的同时使其行为多样化的语义感知修改。通过将修改操作与具体语法解耦，并利用结构化的中

  来源：Proceedings of the ACM on Programming Languages

  时间：2025-11-07

• 适用于未来700种内存模型的组合符号执行技术

  摘要多种成功的组合符号执行（CSE）工具和平台利用分离逻辑（SL）进行组合验证，或利用不正确性分离逻辑（ISL）进行组合错误查找，其中包括VeriFast、Viper、Gillian、CN和Infer-Pulse。之前针对Gillian平台的研究表明，该平台是唯一一个在内存模型上具有参数化的CSE平台，这意味着它可以被实例化为不同的内存模型。这种参数化特性使得该平台在支持多种编程语言的分析、实现自定义自动化以及提升性能方面具有更大的灵活性。然而，目前关于内存模型参数化CSE平台的正式理论基础尚不完善。受Gillian的启发，我们在本文中为内存模型参数化CSE平台提供了新的正式理论基础。我们的理

  来源：Proceedings of the ACM on Programming Languages

  时间：2025-11-07

• CoSSJIT：在即时编译器中结合静态分析和推测技术

  摘要即时编译器（JIT）通常会为了提高效率而牺牲程序分析的精度，但它们能够根据运行时数据执行复杂的推测性优化，从而生成针对特定执行环境的优化代码。相比之下，静态编译器虽然可以进行精确的流程敏感型跨过程分析，但在某些情况下，如果通过运行时优化可以获得更高的精度，其结果可能会较为保守。在本文中，我们提出了一种前所未有的方法，该方法能够在JIT编译过程中结合推测性优化来增强静态分析的功能，并将其用于生产环境中的Java虚拟机中进行激进的堆栈分配。我们将静态分析与JIT推测相结合的方法称为CoSSJIT，主要包括三个关键贡献：首先，我们确定了那些静态分析会做出保守假设，而JIT可以通过运行时推测来实现

  来源：Proceedings of the ACM on Programming Languages

  时间：2025-11-07

• 工作包（Work Packets）：垃圾回收软件工程、优化与创新的新抽象概念

  摘要垃圾收集（GC）的实现必须同时满足效率性和可维护性的要求，而这两者往往被视为相互矛盾的。此外，对效率性的追求通常会牺牲灵活性，从而阻碍快速开发和创新，并对长期性能目标产生不良影响。以往的GC实现难以做到以下几点：i) 最大化效率、并行性和硬件利用率；ii) 正确且优雅地实现优化和调度约束。这种困境在当前的GC实现中依然存在，这些实现往往采用单体架构，并依赖粗粒度的同步机制。本文提出了一种新的GC实现设计，该设计同时强调灵活性和效率性。该设计将所有GC任务简化并统一为工作包，工作包包括：i) 需要处理的任务项；ii) 处理这些任务项的内核；以及iii) 调度约束。我们的基本观点是：执行过程主

  来源：Proceedings of the ACM on Programming Languages

  时间：2025-11-07

知名企业招聘：