文章1：《自适应特征融合的多模态实体对齐研究》

概述：多模态数据间交互式任务的兴起对于综合利用不同模态的知识提出了更高的要求，因此融合不同模态知识的多模态知识图谱应运而生。然而，现有多模态知识图谱存在图谱知识不完整的问题，严重阻碍对信息的有效利用。缓解此问题的有效方法是通过实体对齐进行知识图谱补全。当前多模态实体对齐方法以固定权重融合多种模态信息，在融合过程中忽略不同模态信息贡献的差异性。为解决上述问题，设计一套自适应特征融合机制，根据不同模态数据质量动态融合实体结构信息和视觉信息。此外，考虑到视觉信息质量不高、知识图谱之间的结构差异也影响实体对齐的效果，本文分别设计提升视觉信息有效利用率的视觉特征处理模块以及缓和结构差异性的三元组筛选模块。在多模态实体对齐任务上的实验结果表明，提出的多模态实体对齐方法的性能优于当前最好的方法。

作者简介：郭浩，国防科技大学博士研究生，主要研究方向为知识图谱构建与融合技术。 E-mail: guo_hao@nudt.edu.cn。

李欣奕，博士, 国防科技大学讲师。主要研究方向为自然语言处理和信息检索，本文通信作者。E-mail: lixinyimichael@163.com。

引用：郭浩,李欣奕,唐九阳,郭延明,赵翔. 自适应特征融合的多模态实体对齐研究[J]. 自动化学报, 2024,50(4):758−770.

全文：点击下载

文章2：《基于多目标PSO混合优化的虚拟样本生成》

概述：受限于检测技术难度、高时间与经济成本等原因,难测参数的软测量模型建模样本存在数量少、分布稀疏与不平衡等问题，严重制约了数据驱动模型的泛化性能。针对以上问题，提出一种基于多目标粒子群优化(Multi-objective particle swarm optimization, MOPSO)混合优化的虚拟样本生成(Virtual sample generation, VSG)方法。首先，设计综合学习粒子群优化算法的种群表征机制，使其能够同时编码用于连续变量和离散变量；然后，定义具有多阶段多目标特性的综合学习粒子群优化算法适应度函数，使其能够在确保模型泛化性能的同时最小化虚拟样本数量；最后，提出面向虚拟样本生成的多目标混合优化任务以改进综合学习粒子群优化算法，使其能够适应虚拟样本优选过程的变维特性并提高收敛速度。同时，首次借鉴度量学习提出用于评价虚拟样本质量的综合评价指标和分布相似指标，利用基准数据集和真实工业数据集验证了所提方法的有效性和优越性。

作者简介：王丹丹，北京工业大学信息学部硕士研究生，主要研究方向为基于虚拟样本生成的小样本数据建模。 E-mail: wangdandan@emails.bjut.edu.cn。

汤健，北京工业大学信息学部教授，主要研究方向为小样本数据建模、城市固废处理过程智能控制。E-mail: freeflytang@bjut.edu.cn

引用：王丹丹,汤健,夏恒,乔俊飞. 基于多目标PSO混合优化的虚拟样本生成[J]. 自动化学报, 2024,50(4):790−811.

全文：点击下载

文章3：《基于大语言模型的复杂任务自主规划处理框架》

概述：随着深度学习和自然语言处理技术的进步，大语言模型(Large language models, LLMs)展现出巨大潜力。尽管如此，它们在处理复杂任务时仍存在局限性，特别是在任务需要结合规划及外部工具调用的场合。面向这一挑战，提出国内首个以军事游戏为背景的中文的复杂任务规划与执行数据集(Complex task planning and execution dataset, CTPaE)，以及一个基于LLMs的自主复杂任务规划 (Complex task planning, CTP) 处理框架AutoPlan。该框架可以对复杂任务进行自主规划得到元任务序列，并使用递进式ReAct提示 (Progressive ReAct prompting, PRP) 方法对已规划的元任务逐步执行。该框架的有效性通过在CTPaE上的实验及与其他经典算法的比较分析得到了验证。

作者简介：秦龙，国防科技大学系统工程学院副研究员，2014年获得国防科技大学博士学位。主要研究方向为复杂系统建模与仿真，E-mail: qldbx2007@sina.com。

武万森，国防科技大学系统工程学院博士研究生，2018年获得国防科技大学学士学位。主要研究方向为视觉语言多模态，本文通信作者。E-mail: wuwansen14@nudt.edu.cn。

引用：秦龙,武万森,刘丹,胡越,尹全军,阳东升,王飞跃. 基于大语言模型的复杂任务自主规划处理框架[J] . 自动化学报,2024,50(4): 862−872.

全文：点击下载