Archives

实验室在人体姿态分析方向的研究工作被人工智能领域国际顶级会议AAAI2026（CCF-A类）录用（Oral），论文题目为“Breaking the Passive Learning Trap: An Active Perception Strategy for Human Motion Prediction”。在主技术赛道第一阶段总审稿量为23,680篇，被接受量为4,167篇（总体接受率为17.6%）。该论文第一作者为实验室负责人吉林大学副教授胡俊成，通讯作者为吉林大学助理研究员吕克敌，主要合作者包括吉林大学助理教授张子健、助理研究员李莹姬、实验室21级博士生王国毓和大连民族大学王泽宇老师。 研究背景[]!(p1.png) 3D人体运动预测旨在通过高维、高随机性的历史姿态观测，精准推断未来人体运动轨迹，是人工智能对人类行为实现细粒度理解与认知的核心任务之一。然而，现有方法过度依赖时空关系与运动特征的隐式网络建模，普遍陷入 “被动学习陷阱”—— 不仅在 3D 坐标信息获取中存在冗余与单一化问题，更因缺乏主动引导的显式学习机制，严重制约预测精度。这类局限主要源于两方面： 1）数据感知局限：现有方法多直接在 3D 姿态空间进行动态建模，继承了人体运动固有的高维性与随机性等复杂特性，导致有效运动特征常处于耦合状态，且诸多隐式运动学特性难以在刚性 3D 表征中实现有效编码，网络被迫学习冗余的坐标系信息； 2）网络感知局限：当前方法多依赖静态架构进行被动信息聚合，缺乏显式、主动引导的学习机制，难以动态适配复杂的时空依赖关系，最终削弱了对复杂运动模式的建模能力，进而导致模型泛化能力不足，难以应对多样化运动模式。 为突破上述难题，研究团队提出面向人体运动预测的主动感知策略：一方面借助商空间表征对运动特性进行显式编码，另一方面引入辅助学习目标强化时空建模，通过这双重创新实现运动信息的主动解耦与时空依赖的动态学习，成功将传统“黑箱端到端拟合”范式升级为主动学习范式，有效规避被动学习陷阱的负面影响。 实验设计 为突破 3D 人体运动预测（HMP）领域的被动学习陷阱，论文提出主动感知策略（APS） ，该策略为模型无关框架，可集成于不同预测模型以增强主动感知能力，核心通过两大模块协同实现运动信息的高效处理与时空依赖的主动学习，同时设计复合损失函数保障训练效果。 核心框架设计APS 整体遵循 “数据预处理 - 主动学习 - 预测输出” 逻辑，先通过数据感知模块（DPM）优化输入数据质量，再由网络感知模块（NPM）强化模型学习能力，最终输出精准的未来运动轨迹预测结果，两大模块功能互补，共同解决传统方法的数据与网络感知局限。 DPM 旨在解决数据感知局限，通过商空间表征将高维 3D 姿态序列映射至低维空间：先借助切空间算子计算关节相邻帧间的速度向量并构建速度矩阵，将其转化为切向量以捕捉局部运动动态；再通过格拉斯曼流形算子将切向量投影至三个固定的 2 维子空间，计算切向量与投影的正交余弦以量化分布特征，最终形成包含姿态、切向量及正交余弦的商空间表征，实现运动几何与坐标冗余的解耦，同时完成几何降维、语义解耦与动态约束。 NPM 则用于突破网络感知局限，通过主动学习机制强化时空依赖建模：其时空增强组件（SEC）通过随机掩码关节坐标或注入高斯噪声生成扰动数据，设计坐标重构与噪声去除的辅助学习任务，迫使网络理解内在运动模式；时空学习组件（SLC）采用生成对抗 Transformer 架构，通过分离式的空间注意力与时间注意力机制，分别捕捉关节间的空间关联与关节运动的时间动态，动态整合局部关系与全局语义；同时搭配基于 WGAN-GP 的运动判别器，通过保真度判别器与连续性判别器分别保障预测姿态的真实性与时间连贯性，进一步提升模型对复杂运动模式的适配能力。 实验结果 方法在 H3.6M 等数据集上以平均关节位置误差（MPJPE）为核心指标，将 APS 与 AMHGCN、HMR、FDU、GA-MIN、SAGGB 等现有 SOTA 方法展开对比，实验基于 PyTorch 框架与 NVIDIA 3090Ti GPU，训练参数设置为15 个epoch、批次大小16，评估了80ms、160ms、320ms、400ms、560ms、1000ms等不同时效的预测性能。结果显示，APS 在短时效（80-400ms）和长时效（400-1000ms）预测中均显著优于对比方法：短时效预测平均较基线方法提升 7.3%-46.2%，对 SAGGB 的优势达 12.8%-39.5%，复杂动作场景下误差降低 29.8%-73.8%；长时效预测平均误差降低 17.1%-59.8%，1000ms 时平均误差降至 92.4mm，其中 “Directions” 动作误差仅 59.8mm（SAGGB 为 101.8mm），“Walking Dog” 动作误差 109.2mm（SAGGB 为 137.3mm），且在非周期性与周期性动作中均保持稳定优势，验证了其在建模长时时空依赖与复杂运动模式上的有效性。 AAAI 2026是人工智能领域的顶级学术会议，全称为Association for the Advancement of Artificial Intelligence。该会议将于2026年1月20日至27日在新加坡举行。AAAI是人工智能领域最具影响力的国际会议之一，与IJCAI和NeurIPS并列，是发表人工智能领域前沿研究的重要平台，也是中国计算机学会（CCF）推荐的A类国际学术会议。会议涵盖多个重要方向，包括机器人技术、知识表示与推理、多智能体系统等。

实验室在计算成像方向的研究工作被被信号处理领域顶级刊物JSTSP录用，论文题目为“Efficient Video Representation via Hybrid Key Frame Reconstruction: A Test-time Data Augmentation Approach”。该论文第一作者为实验室负责人吉林大学副教授胡俊成，通讯作者为吉林大学助理研究员吕克敌，主要合作者包括清华大学电子系教授陈宏伟、北京清智元视科技有限公司黄泓皓博士和实验室22级卓班本科生冯玉琪。 研究背景动态编码时域压缩成像中的视频重建，是计算成像与计算机视觉交叉领域的核心任务，广泛应用于安防监控、自动驾驶等安全关键场景。其核心目标是通过压缩测量数据精准还原高质量视频，同时保障结果的可信度与可靠性。然而，现有方法存在两大关键瓶颈：1）数据获取局限：传统单模态采样架构难以平衡时间分辨率与空间细节，长曝光压缩帧易丢失静态特征，短曝光帧则难以捕捉运动信息，导致重建视频存在细节模糊或运动失真问题；2）不确定性缺失：深度学习模型的确定性输出缺乏置信度量化机制，在复杂纹理区域（如边缘过渡、文本元素）易产生未知误差，给高风险场景应用带来安全隐患。为破解上述难题，团队提出融合测试时数据增强的混合关键帧辅助压缩视频重建方案，通过采样架构创新与网络设计优化，实现视频重建质量与不确定性量化的双重提升。 实验设计 论文提出的 KH-TTA（Key Frames Assisted Hybrid Compressive Video Reconstruction with Test-time Data Augmentation）框架，是一套模型无关的高效视频重建解决方案，核心通过三大创新模块协同突破传统方法局限：1）双模态采样架构：同步捕捉长曝光压缩帧与短曝光关键帧，前者提供完整运动信息，后者保留高精度空间细节，通过互补数据输入解决单模态采样的固有 trade-off；2）时空变换测试时增强：设计符合成像物理约束的时空变换策略（包括空间翻转、90°整数倍旋转等），通过蒙特卡洛近似对后验分布采样，实现重建结果的统计融合与不确定性量化，无需修改原有模型结构；3）深度展开重建网络：基于8阶段迭代优化框架，集成特征共享去噪先验与时空对齐机制，增强模型对不同编码方案的适应性，提升跨场景泛化能力。同时，框架通过亮度线性缩放与双阶段融合策略，进一步优化关键帧与压缩帧的信息协同，有效抑制重建伪影。 实验结果 团队在模拟数据集与真实硬件系统中，将 KH-TTA 与 GAP-TV、RevSCI、ELP 等当前主流 SOTA 方法展开全面对比，实验基于 PyTorch 框架与高性能计算硬件，以 PSNR（峰值信噪比）、SSIM（结构相似性）、LPIPS（感知相似度）为核心评估指标，覆盖道路标识、车辆、生物等多类场景。结果显示，KH-TTA 在各项指标上均实现显著突破：平均 PSNR 较现有最优方法提升0.45-1.01 dB，SSIM提升0.0074，LPIPS降低12.9%，在复杂纹理区域的重建细节更清晰、伪影更少。同时，其不确定性量化机制表现出极高可靠性，重建误差与标准差的相关系数达0.85，硬件实验验证 R² 值为0.7194，可精准映射视觉误差分布。在长时效重建任务中，该方法仍能保持稳定性能，为动态场景下的高质量视频还原提供了有效解决方案。 JSTSP全称为IEEE Journal on Selected Topics in Signal Processing，是IEEE信号处理学会（IEEE Signal Processing Society）旗下的旗舰期刊，专注于发表信号处理领域的前沿研究。其最新影响因子为13.7，在信号处理领域长期保持顶尖学术影响力。

2025年10月23日，第22届中国计算机大会（CNCC2025）在哈尔滨开幕。本届大会注册人数突破1.2万人，汇聚了来自全球计算机领域的顶尖学者、产业领袖、青年学子及国际组织代表，盛况空前。大会以“数智赋能、无限可能”为主题，旨在深度探讨数字智能技术的前沿进展与未来趋势，积极响应国家“人工智能+”行动计划，为推动计算技术与经济社会深度融合贡献智慧。 开幕式上，CCF理事长、中国工程院院士孙凝晖，黑龙江省人民政府副省长张起翔，哈尔滨市副市长杨淑鹏，哈尔滨工业大学校长、中国科学院院士韩杰才，哈尔滨工程大学党委书记宋迎东等主办方、地方政府及承办单位领导出席开幕式并致辞。CCF理事长孙凝晖在开幕致辞中，首先代表学会向全体与会嘉宾表示热烈欢迎。他指出，CNCC作为CCF的旗舰会议，始终致力于搭建高水平学术交流平台。本届大会选址哈尔滨，得到了黑龙江省、哈尔滨市政府及哈尔滨工程大学、哈尔滨工业大学等承办单位的大力支持。他特别提到，大会主题“数智赋能、无限可能”是对国家人工智能发展战略的积极响应，大会精心策划了包括主旨报告、专题论坛、技术研讨以及首次打造的超万平方米计算机展览会在内的丰富活动，并新增了支持青年学者成长的“专题研习班（Tutorial）”环节，力求让每一位参会者都能有所收获。他鼓励与会者在承载着“哈军工”红色基因与科技创新精神的哈尔滨，深入交流，激荡思想，收获友谊与新知。 实验室成员参会在本次中国计算机大会（CNCC）上，我实验室师生集体参会。由实验室负责人胡俊成老师带队，成员包括实验室全体博士生及研一、研二硕士生（部分合影），共同参与了大会的各项学术活动。此次参会不仅加强了实验室与国内外顶尖学者及行业专家的深度交流，拓展了团队的国际化学术视野，更充分展现了实验室在创新型人才培养、前沿科研攻关以及学科交叉融合方面的特色与成果，进一步提升了实验室在相关领域的学术影响力与知名度。 实验室部分参会成员合照 论坛深入在本次CNCC会议上，实验室师生积极参与了多个前沿技术论坛，收获颇丰。在系统方向，我们深入参与了”大模型时代机密计算如何筑牢安全防线？”、”面向超大规模智算集群的新型存算技术”以及”从数据库到大模型”等专题论坛；在量子与AI方向，重点参加了”国盾超导量子计算专项合作计划开题交流会”、”基座模型驱动下的智能体边界与应用落地”和”数据库与AI技术创新”等论坛。通过参与这些高水平学术论坛，实验室团队不仅与领域顶尖专家建立了深入交流，更精准把握了各研究方向的最新进展和未来趋势。通过与产业界和学术界的直接对话，我们进一步明确了实验室现有研究工作的创新点和突破方向。这些宝贵的交流经验，将为实验室后续的科研攻关、技术转化和人才培养提供重要参考，同时也为建立更广泛的产学研合作奠定了坚实基础。此次参会也显著提升了实验室在相关领域的学术影响力，展现了我们团队在前沿技术探索中的活力和潜力。 我实验室论坛在本次CNCC会议上，我实验室胡俊成老师作为共同主席，与CCF杰出会员、浙江大学长聘教授、之江实验室副主任何水兵教授共同组织了”面向超大规模智算集群的新型存算技术”专题论坛。该论坛聚焦于面向超大规模智算集群的新型存算技术，围绕计算、存储和可靠性等关键要素展开深入讨论，探索大规模计算框架、新型存储架构以及高效容错技术等多个领域的最新进展与未来趋势。论坛汇聚了该领域顶尖学者和企业技术专家，围绕大规模计算框架优化、新型存储架构设计以及高效容错技术等前沿方向，分享了最新研究成果和技术突破。作为论坛组织方，我们不仅促进了学术界与产业界的深度对话，更为超大规模智算系统的技术创新提供了重要交流平台。此次论坛的成功举办，既彰显了我实验室在该领域的研究实力，也为相关技术的产学研合作创造了新的契机。 与会专家合影

第二届 CCF ChinaStorage 2025 大会于2025年8月28日-30日在湖北省武汉市召开。大会指导委员会由陈左宁教授、何友教授、王恩东研究员、孙凝晖研究员、郑纬民教授、蒋昌俊教授、钱德沛教授、金海教授、肖侬教授等顶级专家组成，复旦大学刘明研究员与华中科技大学冯丹教授共同担任大会主席。 大会以“智存·智算·智能”为主题，围绕智能存储与计算技术前沿发展方向，针对新型存储器件与体系结构、网存算融合、大模型存算、内存池化、存储芯粒、数据缩减、存储编码与安全、EB级存储等问题展开研讨，并组织中小企业产学对接会、业界新兴产品展览、顶会论文和学术海报分享等活动，面向前沿技术进展、市场趋势和创新应用展开广泛交流和思想碰撞，为领域内的专家学者、学生、从业者提供一场学术产业交流盛会。 JLU智能计算与系统实验室负责人胡俊成老师带领21级博士生王国毓、25级博士生裴辰举、25级博士生张程和24级硕士生周璨参加本次存储大会。 在“新介质与新场景下的存储顶会论坛”（论坛主席为中国科学技术大学袁龙教授、武汉理工大学杜亚娟副教授）上，实验室博士生王国毓汇报了其发表于存储领域顶级学术会议FAST’25的研究成果：“Boosting File Systems Elegantly: A Transparent NVM Write-ahead Log for Disk File Systems”。该研究提出了NVLog，旨在利用NVM透明加速传统磁盘文件系统。 此外，在大会的学术海报展示环节，实验室荣获“最佳论文海报奖”。该奖项旨在表彰在展示内容上具有创新性和学术价值的海报作品。该海报系统性地可视化了发表在FAST’25上的研究成果，其设计的简洁理念与实用性吸引了与会专家的关注与交流。 2025年CCF中国存储大会最佳论文海报奖获奖情况 实验室博士生王国毓上台领奖 会议之后，由华中科技大学周游老师和大普微电子吕涛博士共同组织、大普微电子赞助的足球友谊赛成功举办。这项活动为与会学者和产业界人士提供了一个在紧张学术交流之余，以球会友、增进了解、促进合作的轻松平台。 另外，IJCAI25（The 34th International Joint Conference on Artificial Intelligence）作为人工智能领域最具影响力的顶级国际会议之一（中国计算机学会CCF推荐A类），与AAAI、NeurIPS并列，是发表全球人工智能前沿研究的重要平台,其内容涵盖人工智能理论与架构、机器学习、自然语言处理、计算机视觉、机器人科学等几乎所有核心领域。为促进更广泛的学术交流，本次IJCAI大会在广州设立了分会场。 实验室2023级博士生马琳参加了IJCAI25广州分会场的活动，并在会上作了题目为“MCF-Spouse: A Multi-Label Causal Feature Selection Method with Optimal Spouses Discovery”的报告。该报告展示了实验室在多标签因果特征选择方向取得的最新研究进展。借助IJCAI这一顶级国际平台，实验室团队与来自全球的人工智能学者进行了深入交流和研讨，积极汲取前沿知识，探讨潜在合作机会，为进一步提升实验室在该领域的研究水平拓宽了思路。 实验室博士生马琳在IJCAI25广州分会场上进行成果汇报分享 实验室博士生马琳与其论文海报合影 实验室博士生马琳与其他参会者合影 通过深度参与本次CCF中国存储大会与IJCAI25会议，实验室团队在存储系统与人工智能双领域实现了成果展示与前沿洞察的双向收获。团队成员不仅通过大会报告、海报展示、学术研讨等多种形式，向国内外同行分享了最新的研究进展，也广泛汲取了智能存储、大模型存算、机器学习、特征选择等方向的前沿动态与产业趋势。这些宝贵的交流成果，为实验室凝练研究方向、拓展合作网络、提升科研水平注入了新的动能，也进一步彰显了团队在相关领域的活跃度与贡献力。

实验室量子计算方向工作被FGCS（中科院二区）接收，论文题目为“Denoising Diffusion Models with Optimized Quantum Implicit Neural Networks for Image Generation”。该论文提出了一种名为Optimized Quantum Implicit Denoising Diffusion Model (OQIDDM)的创新性框架，结合优化的量子隐式神经网络（OQINNs）与一致性模型（Consistency Models），显著提升了量子图像生成的质量与效率，为量子生成任务开辟了新路径。该论文第一作者为实验室2022级博士张嘉乐，通讯作者为实验室负责人胡俊成老师，主要合作者包括吉林大学车喜龙教授、实验室2024级硕士樊宇哲、吉林大学软件学院本科生彭顺、电子科技大学博士生陈庚和信息工程大学博士生马权公。 研究背景图像生成是计算机视觉领域的核心研究方向，广泛应用于数据合成、艺术创作等领域。传统去噪扩散模型（DDMs）在生成高质量图像方面表现出色，但量子扩散模型常依赖复杂的混合U-net架构或混合态操作，需频繁的量子-经典数据转换，导致训练效率低、噪声中间尺度量子（NISQ）设备兼容性差。如何在减少参数量、提升图像质量的同时，适配NISQ设备，成为亟待解决的挑战。OQIDDM通过优化量子隐式神经网络结构，结合一致性模型的单步采样优势，为高效量子图像生成提供了全新解决方案。 实验设计 如图1所示，OQIDDM通过经典正向扩散过程和量子逆向去噪过程实现高效图像生成。其核心设计包括： 正向扩散：采用经典高斯噪声逐步扰动输入数据，生成完全高斯分布的噪声样本，节省量子资源。 逆向去噪：利用OQINNs拟合一致性模型的映射函数，通过单步去噪直接从噪声样本生成干净图像，降低多步迭代需求。 OQINNs架构：优化传统量子隐式神经网络（QINNs），仅使用两个经典线性层进行维度处理，核心网络为全量子模块，减少量子-经典数据交换，提升NISQ设备兼容性。 OQINNs通过N层数据重上传模块（data re-uploading）实现高效特征提取，每层包含旋转门（Rz）和强纠缠层（CNOT），理论证明其可作为任意平方可积函数的通用逼近器。OQIDDM的训练复杂度显著降低，采样过程仅需O(1)步，优于传统量子扩散模型的O(T)步。 实验结果实验在MNIST、Fashion-MNIST、E-MNIST以及复杂人脸数据集CelebA上进行，并在IBM量子平台的模拟器（qasm）及三台超导量子计算机（ibm_sherbrooke、ibm_kyiv、ibm_brisbane）上验证。关键结果包括： 图像质量：在MNIST数据集上，OQIDDM的PSNR值达10.44-14.18，优于Qdense（7.14-7.99）和QNN（10.32-13.03），接近经典U-net（8.06-14.34），且参数量仅为576。 复杂数据集：在CelebA 64×64人脸生成任务中，OQIDDM首次实现量子去噪扩散模型在复杂数据集上的应用，成功捕捉人脸结构，优于Qdense等模型。 噪声鲁棒性：OQIDDM对退极化噪声和旋转角度误差表现出更强鲁棒性，SSIM和PSNR值在噪声强度0.05-0.1下下降较慢。 硬件表现：在ibm_sherbrooke上，OQIDDM生成图像的量子态分布更接近模拟结果，优于ibm_kyiv和ibm_brisbane，展现出更高的NISQ设备适应性。 OQIDDM通过优化量子隐式神经网络与一致性模型的结合，不仅显著降低了量子参数量和采样复杂度，还提升了图像生成质量与噪声鲁棒性。实验验证了其在标准及复杂数据集上的优越性，以及在NISQ设备上的适用性。未来，实验室将探索OQIDDM在人体姿态预测等下游任务中的应用潜力。 FGCS全称为Future Generation Computer Systems，是计算机科学领域的重要国际期刊，专注于未来计算机系统与技术的理论方法研究及实践应用。该期刊由Elsevier出版，在JCR和中科院分区中均具有较高评价，影响因子稳定在6.2以上，自引率低至4.8%，审稿周期约2个月，是混合开放获取期刊。其核心研究领域覆盖分布式计算、云计算、物联网等前沿技术，尤其注重系统架构与理论创新。

实验室量子计算方向工作被Euro-Par2025（CCF B类）接收，论文题目为“Quantum Delta Encoding: Optimizing DataStorage on Quantum Computers with Resource Eficiency”。本次Euro-Par25共收到264篇投稿，最终录用78篇论文，录用率为29.5%。该论文提出了一种名为**Quantum Delta Encoding (QDE)**的创新性框架，通过结合经典Delta编码和量子基态编码，显著优化了量子数据存储的资源效率，为量子计算中的数据处理提供了全新解决方案。该论文第一作者为实验室2022级博士张嘉乐，通讯作者为实验室负责人胡俊成老师，主要合作者包括实验室2024级硕士樊宇哲和吉林大学车喜龙教授。 研究背景随着信息技术的迅猛发展，数据量的爆炸式增长对存储和处理能力提出了巨大挑战。传统经典压缩算法在处理大规模数据集时，往往需要O(N)比特的存储空间，难以满足实时处理需求。量子计算凭借其独特的并行性和纠缠特性，为高效数据存储和处理开辟了新路径。然而，现有量子数据编码方法依赖复杂的多量子比特控制非门（CNOT），导致量子资源消耗高、电路分解复杂，且在噪声中间尺度量子（NISQ）设备上鲁棒性不足。如何在保证无损数据恢复的同时，降低量子比特和量子门的使用，成为亟待解决的难题。 实验设计 如图1所示，QDE受经典Delta编码启发，提出了一种资源高效的无损量子数据编码模型。QDE通过设定一个基准值γ，将数据集的大部分信息存储在非纠缠寄存器中，仅对偏差值δ通过纠缠进行编码，从而显著减少纠缠量子比特和量子门的需求。QDE的核心设计包括： 基准存储：使用简单的量子X门存储基准值γ，无需纠缠资源。 偏差编码：通过H门和多量子比特控制非门（CNOT）对偏差值δ和位置索引i进行纠缠编码，生成QDE状态|QDE⟩。3.QRAM兼容性：QDE状态可直接与量子随机存取存储器（QRAM）集成，支持后续量子数据处理任务，如图像处理和数据加密。 理论分析表明，对于大小为2ⁿ×2ⁿ的数据集，QDE仅需log N + log k + 1个纠缠量子比特（k为最大偏差δ的比特数），远低于现有模型。此外，QDE将运行时复杂度从O(n·2²ⁿ)优化至最优情况下的O(n)，展现出显著的资源效率优势。 实验结果文章的实验部分在IBM Quantum平台的模拟器（qasm）以及两台超导量子计算机（ibm_sherbrooke和ibm_kyiv）上进行了验证。实验结果表明： 存储效率：在存储4元素数据集（如{2024, 2025, 2026, 2027}）时，QDE仅需4个量子比特，量子电路构造仅涉及3个H门和4个CNOT门，远低于传统方法。 噪声鲁棒性：QDE对相位移噪声表现出较强的鲁棒性，相较于BRQI和PE-NGQR等模型，QDE状态在噪声影响下的保真度下降速率更慢。 图像处理能力：在2×2彩色图像上，QDE支持R、B通道交换和水平翻转等操作，时间复杂度从O(n²)优化至接近常数级别，实验结果在模拟器（50,000次采样）和真实量子硬件（20,000次采样）上均与理论状态一致。 真实数据集测试：在纽约证券交易所开盘价、摩洛哥电力消耗和美国沃尔玛价格指数等数据集上，QDE的量子比特消耗低至10-12个，优于经典Delta编码及其他量子模型。 QDE通过创新性地结合经典Delta编码与量子基态编码，不仅实现了量子数据存储的资源优化，还为量子图像处理和数据加密等后续任务提供了高效支持。实验结果验证了QDE在NISQ设备上的适用性和噪声鲁棒性。未来，实验室将进一步探索QDE在量子机器学习和量子通信中的应用潜力。 论文代码和数据已开源，欢迎访问： https://github.com/kennyZhangsky/Quantum-Delta-Encoding Euro-Par25 全称为The 31st European Conference on Parallel and Distributed Computing，涵盖并行和分布式处理的各个方面，涵盖从理论到实践、从小型到大型并行和分布式系统及基础设施、从基础计算问题到应用、从架构、编译器、语言和接口设计与实现，到工具、支持基础设施以及应用程序性能等各个方面。Euro-Par 的参与者来自学术机构、政府实验室和工业组织的研究人员。Euro-Par 旨在成为这些专业人士在其特定领域展示新成果的首选平台。Euro-Par 为集中技术讨论以及与众多、广泛且多元化的受众互动提供了一个绝佳的平台。

实验室分布式存储安全方向工作被 CCF A类期刊ACM Transactions on Storage 接收，论文题目为“BLA: Byzantine-Tolerant Lazy Auditing Framework for Decentralized Storage Data Integrity”。本文提出了一种名为BLA的远程数据完整性审计框架，通过结合区组设计策略与分层架构，在去中心化存储场景中实现了支持拜占庭容错的高效数据完整性审计。该论文的第一作者为东北师范大学李腾飞博士，通信作者为吉林大学讲师胡俊成，共同通信作者为东北师范大学信息科学与技术学院殷明浩教授。 研究背景随着区块链技术的发展，去中心化存储成为一种有前景的模型，具有开放公平访问、减少对中介依赖和强隐私保护等特性。但与中心化存储一样，去中心化存储也面临数据所有权和控制权分离以及外部管理数据完整性审计的挑战。现有的集中式审计模型不能直接用于去中心化存储环境，基于同态验证标签（HVT）的审计模型也存在计算成本高和审计过程效率低等问题。 实验设计 图1 如图1所示，我们以(7,3,1)—design为例，将用户数据以冗余形式分别存储至各存储节点。如图2所示，当进行完整性审计时，我们使用PBFT协议中的思想并进行简化，通过对存储网络进行分层，并添加懒审计的思想实现分布式存储节点间的协同审计。 图2 实验结果为了近似模拟现实世界中的场景，我们在共识层选择了两种设置：f=1和f=2，分别模拟在由4个集群组成的系统中1个节点失效和在由7个集群组成的系统中2个节点失效的最坏情况。此外，在所有未发生故障的节点中，我们最大限度地减少了数据损坏的节点数量。通过这种设置，我们可以测试系统在重大节点故障和数据损坏情况下的恢复能力，确保我们的解决方案即使在不利情况下也能保持数据完整性和运行可靠性。 每个云产品中存储集群内部的区组设计配置（设置1：f=1，即3f+1=4） 云产品 区组设计 存储节点数 每节点组件数 失效 损坏 ECS1 (7,3,1)-design 7 3 √ - ECS2 (7,3,1)-design 7 3 × √ CVM (13,4,1)-design 13 4 × × BCC (31,6,1)-design 31 6 × × 每个云产品中存储集群内部的区组设计配置（设置2：f=2，即3f+1=7） 云产品 区组设计 存储节点数 每节点组件数 失效 损坏 ECS1 (7,3,1)-design 7 3 √ - ECS2 (7,3,1)-design 7 3 × √ ECS3 (7,3,1)-design 7 3 × × CVM1 (13,4,1)-design 13 4 √ - CVM2 (13,4,1)-design 13 4 × √ CVM3 (13,4,1)-design 13 4 × × BCC (31,6,1)-design 31 6 × × 为了更直观地比较它们的通信开销及其随系统节点数的变化情况，我们将每个集群内的节点数量标准化。图3描述了 PBFT 和 BLA（ d分别配置为 3、4 和 5）中通信开销随节点数变化的进展情况。如图3所示，随着系统节点数的增加，PBFT 的通信复杂度急剧上升，仅 28 个节点就达到了 1512。与此形成鲜明对比的是，代表 BLA 的三条线的增长速度要慢得多，而且它们之间的差异微乎其微。这种差异凸显了 BLA 在管理通信开销方面比 PBFT 更优越的可扩展性和效率，尤其是当网络规模变大时。 图3 ACM Transactions on Storage是发表数据存储研究与实践进展的顶级期刊，据不完全统计，本工作为吉林省首篇在该期刊上发表的科研论文。存储系统对于管理世界上的数据至关重要，并推动计算技术的进步。存储是一个广泛、不断演变且多学科的领域，设计、开发和部署存储系统仍然具有挑战，因为软件和硬件的变化、新的更复杂的工作负载、指数级的数据增长以及性能、成本、可靠性和安全性的相互冲突都对其有深刻影响。

实验室在多标签因果特征选择方向的研究工作被人工智能领域国际顶级会议IJCAI 2025（CCF A类）录用，论文题目为“MCF-Spouse: A Multi-label Causal Feature Selection Method With Optimal Spouses Discovery”。本次IJCAI共收到5404篇投稿（不含desk reject），最终录用1042篇，接收率为19.3%。该论文第一作者为实验室2023级博士生马琳，通讯作者为吉林大学讲师胡俊成，主要合作者包括MBZUAI博士后黄强和东北师范大学讲师郝娉婷。 研究背景在现实世界的诸多应用场景中，如文本多标签分类、图像多目标识别、生物医学疾病预测等，每个样本往往对应多个相关联的标签。这类问题被统称为多标签学习（Multi-label Learning），其关键挑战之一是如何在特征空间中选择对多个标签都具有影响的信息。然而，传统的特征选择方法忽略了标签之间潜在的因果依赖关系，影响模型的泛化性能与可解释性。 近年来，因果发现方法逐渐引入到特征选择中，因果特征选择（Causal Feature Selection）开始被研究者关注。虽然已有方法在单标签场景下取得一定成果，但其在多标签场景下的适应性仍面临挑战： 标签之间的因果结构更复杂，即存在特征-标签，特征-特征，标签-标签之间的因果结构； 单独对每个标签建模容易产生特征冗余或遗漏； 多标签场景下因果发现的“忠实性”假设不再成立，即存在多个等价信息； 配偶节点的发现过程容易导致大量冗余的条件独立性测试（Conditional Independence tests，CI tests）。 为解决上述问题，我们提出了一种新型的多标签因果特征选择方法——MCF-Spouse。该方法使用互信息比较标签与特征节点对目标节点的贡献度，以此解决等价信息问题，并通过对节点的“V-structure”分析讨论，发现多标签场景下，需要保存的配偶形式，大幅缩短配偶发现所需要的条件独立性测试数量。 实验设计 第一阶段：PC（父子节点）发现。 本阶段采用HITON-PC算法进行目标标签Li的候选PC集CPC的发现，如算法第3行所示。HITON-PC在减少假阳性和假阴性方面表现优异，能够有效提升因果结构发现的准确性。 第二阶段：恢复由标签相关性过强被阻塞的特征。 由于多标签间存在强相关性以及等价信息问题，某些重要特征可能在第一阶段中未被选入Li的CPC。为此，算法第5–10行重新评估了这些被忽略的特征。具体来说： 第5–7行：如果特征Fj不在Li的CPC中，则说明其可能因其他标签而被阻断。 第8–10行：通过判断Fj与标签Yi是否独立，构建得分序列Fere。从中选取前k1%的特征，作为最有可能被忽略的重要特征。 算法第11–17行进一步识别阻断路径： 第11–14行：若在不包含标签Lk的条件下，特征Fj与标签Li依赖，而一旦加入Lk后两者变得独立，则说明Lk阻断了Fj→Li的路径。 第15–17行：通过比较互信息I(Li;Fj)与I(Li;Lk)，我们量化两者对Li的贡献度。若Fj贡献更大，则纳入Li的CPC；反之，保留Lk。 第三阶段：配偶节点发现。 配偶节点的识别依赖于V结构，根据论文中第三章的讨论，最优的配偶节点仅可能在即Li→Fj←Fk结构中出现。 第19–21行：遍历Li的候选PC集中的每个特征Fj。 第22–23行：若Fj 同时也是其他特征的PC，则可能为碰撞节点。 第24行：候选配偶节点集合为所有不在Li的CPC中的特征。 第25行：若将Fj作为条件变量后，发现某特征Fk与Li 产生依赖，说明三者构成V结构，Fk即为Li的配偶节点。 实验结果在本实验中，我们将所提出的MCF-Spouse方法与9种多标签方法进行了对比。采用ML-kNN进行评估，最近邻数k设置为10。 我们选取了八个来自不同实际应用领域的多标签数据集，分别为： 所有数据可从多标签分类数据集库中下载：http://www.uco.es/kdis/mllresources/#3sourcesDesc 。 我们选用以下四项常见的多标签特征选择指标来评估特征子集的性能： Hamming Loss（越小越好），Ranking Loss（越小越好），F-micro（越大越好），F-macro（越大越好）。 结果分析： 图1 从图1可见，MCF-Spouse方法通过引入配偶变量搜索机制，相较于未考虑配偶变量的MB-MCF和M2LC，选取了更多的相关特征，从而在四个数据集的所有指标上实现了显著性能提升。这表明，配偶变量在提升模型预测能力和准确性中起到了关键作用。 与通过逐步调整特征比例（每次1%）来寻优的非BN方法相比，MCF-Spouse不仅在大多数数据集上表现更优（仅在VirusGO上F-macro稍弱），而且具有更强的稳定性和更高的效率。相反，非BN方法通常表现不稳定，且需要大量时间完成搜索。 图2 为了进一步验证MCF-Spouse在不同指标和数据集上的稳定性，我们将各方法结果归一化到[0,0.5]区间，并赋值最优方法为0.5。对于HammingLoss等越小越优的指标，归一化最小值为0.5；对于F-Macro等越大越优的指标，归一化最大值为0.5。如图2所示，MCF-Spouse呈现出近似正八边形的表现，说明其在多个数据集和多个指标下均具有稳定性。 运行时间分析： 我们在Flags与Image数据集上对这10种算法进行了运行时间评估，计时从算法开始执行到使用ML-kNN完成分类为止。为保证公平性，对于非BN类方法，我们将运行时间取其在1%到20%特征比例下的平均值。 如表所示，MCF-Spouse在运行效率上表现优越。在Flags数据集上，其运行时间与MCMFS、ENM相当；而在更大的Image数据集上，相较于MB-MCF、MCMFS等方法，MCF-Spouse显著缩短了运行时间。这表明MCF-Spouse能在保持高质量特征选择的同时，兼顾计算效率，适用于高维复杂任务。 IJCAI 2025全称为The 34th International Joint Conference on Artificial Intelligence，将于2025年8月16日至22日在加拿大蒙特利尔举行。IJCAI是人工智能领域最具影响力的国际会议之一，与 AAAI+ 和 NeurIPS 并列，是发表人工智能领域前沿研究的重要平台，也是中国计算机学会（CCF）推荐的A类国际学术会议。会议内容涵盖了人工智能理论与架构、机器学习、自然语言处理、计算机视觉、机器人科学等几乎人工智能的所有核心领域。

实验室存内计算方向工作被SCI检索的国际期刊JSA（Journal of Systems Architecture）接收，该期刊属于CCF B类/中科院2区。论文第一作者为胡俊成博士，通讯作者为车喜龙教授。其他合作者包括22级硕士生陈硕、23级硕士生魏皓阳、21级博士生王国毓、吉林大学计算机科学与技术学院21级本科生裴辰举。本论文提出的StorStack 是一个全栈、高度可配置的存储文件系统框架和模拟器，在确保了可靠性、灵活性和兼容性基础上，实现了性能优化。 研究背景数据移动的成本日益提高，存内计算（In-storage Computing）在学术界引起了相当大的关注。虽然大多数存内计算研究允许直接处理数据，但这些方法并不能完全消除 CPU 在文件访问过程中的参与，数据仍然需要从文件系统移动到内存中进行处理。尽管有人尝试将文件系统放入存储设备中来解决这一问题，但由于绕过了内核且缺乏页面缓存，在面对高延迟存储设备时，系统的性能并不理想。为解决上述问题，我们提出了StorStack，一个全栈、高度可配置的存储文件系统框架和模拟器，以促进架构和系统级研究。通过将文件系统卸载到存储设备中，文件系统可以更接近数据，减少数据移动的开销。同时，它还避免了内核陷阱，减少了通信开销。更重要的是，这种设计使存储计算应用完全不需要 CPU 的参与。StorStack 还设计了用户级缓存，以便在存储设备访问延迟较高时保持性能。 实验设计本文提出的StorStack设计包括三个主要组成部分，分别部署在主机端和设备端，如图1所示。主机端包括用户空间的用户库U-lib和内核空间的内核驱动模块K-lib，设备端包括文件系统运行时环境Firm-RT。并将工作流程分成数据平面（红色）和控制平面（蓝色），分别负责用户数据访问和系统功能的维护、可靠性及安全性保障。 图1 虽然我们的设计位于存储设备，但与一般的Firm-FS不同，我们实现了文件系统与存储设备的解耦。文件系统会动态地加载到Firm-RT上，并可根据用户需求选择不同的文件系统，从而实现了文件系统的可替换功能。这种组织方式如图2所示。 图2 为了确保文件系统的基本保障（如权限检查等），StorStack将控制平面置于可信区域中。与此同时，为了提升系统性能，本文提出了一种令牌机制，以避免在数据平面访问过程中，StorStack不必要地进入内核空间，进而减少内核陷阱的开销。具体工作流程如下图。 图3 实验结果StorStack的主机端和设备端都运行在Linux 5.15上，Firm-RT由QEMU及其主机上运行的系统模拟实现。本文测试了StorStack在不同设置下的表现，涵盖不同的缓存选项、设备访问延迟、线程数量和读写比例等因素。具体表现如下： 随机读写测试： 图4 绕过内核的性能提升： 图5 延迟的影响： 图6 多线程性能： 图7 JSA全称Journal of Systems Architecture，是被SCI检索的国际期刊，同时也是中国计算机学会（CCF）推荐国际学术刊物（计算机体系结构/并行与分布式计算/存储系统）B类。其范围从微体系结构级、系统软件级直至特定应用体系结构级。实时系统、操作系统、编程语言、通信（仅限于分析和软件栈）、移动系统、并行和分布式架构等方面以及计算机和系统架构领域的其他主题都属于本期刊的范围。

实验室量子计算方向工作被CCF B类会议IEEE ICASSP2025接收。该论文第一作者为实验室在读博士生张嘉乐，通讯作者为胡俊成博士。其他合作者包括车喜龙教授、哈尔滨工程大学本科生金世泳、中国科学院大学硕士生潘凯幡、吉林大学软件学院本科生彭顺。本文提出了一种名为QRLE的创新性框架，通过结合经典游程编码和量子基态编码，实现了相较于现有量子态编码方式的指数级资源优化。 研究背景随着信息技术的飞速发展，数据量的指数级增长给存储和处理能力提出了巨大的挑战，尤其是在面对需要实时恢复的数据时，经典压缩算法的复杂度往往难以适应这种需求。而量子计算因其独特的超越经典的能力，为高效的数据压缩提供了新的可能性。现有量子数据压缩方法存在量子资源消耗较高的问题，难以满足量子计算机硬件限制。 实验设计 如上图所示，QRLE通过一个index量子比特将数据值和游程长度区分，并对两个二进制字符串进行基态编码，通过与位置索引字符串纠缠，实现属无损量子编码。通过理论分析，QRLE及其图像处理应用的资源优化总结如下表格： 实验结果文章的实验部分在IBM Quantum平台上进行了模拟仿真和量子计算机真机验证。实验结果显示，与现有量子压缩和图像处理模型相比，QRLE的资源占用率最低。QRLE在图像变换场景下（如通道交换、几何变换等）的时间复杂度从O(n²)优化到常数级别（O(1)）。 ICASSP2025全称为The 5th IEEE International Conference on Acoustics, Speech, and Signal Processing。作为IEEE信号处理学会的旗舰会议，此次大会将提供全面的技术议程，展示信号处理研究和应用的最新进展。大会将举办口头报告、海报展示、主题演讲、展览、演示、教程和短期课程，吸引顶尖研究人员和全球业界人士，为与会者提供绝佳的交流机会。