<正>南通大学不确定性人工智能与脑认知研究团队（research team on uncertainty artificial intelligence and brain cognition,UAIBC）成立于2017年9月，依托江苏省级人工智能学院和南通市新一代人工智能与脑认知交叉研究重点实验室，长期面向人工智能发展、脑科学探索等国家战略需求，围绕不确定性人工智能与多粒度计算、多模态机器学习与脑认知、人工智能可解释性与大数据应用等核心方向开展基础与应用基础研究，致力于建设跨学科融合、产学研协同的高水平科研团队。团队聚焦人工智能与脑认知交叉领域，构建“理论突破-技术创新-场景落地”一体化研究体系，突破不确定大数据处理、粒计算优化、脑机智能交互等关键技术；支撑医疗图像智能分析、飞行区智能调度、智能交通决策等多领域应用，推动人工智能与经济社会各行业各领域广泛深度融合。
<正>学术主持：丁卫平在人工智能与知识发现深度融合、加速赋能千行百业的当下，算法的高效优化、复杂数据的语义挖掘、不确定性问题的精准建模以及多模态感知的协同融合，已成为驱动领域创新的核心议题。这些议题既关乎基础理论的突破，也决定着技术落地的实效，亟需通过集中的学术展示与深度交流，凝聚研究共识、拓宽探索视野。本期“智能科学与技术：人工智能与知识发现”专栏聚焦人工智能与知识发现的关键技术突破与跨场景应用，涵盖算法优化、自然语言处理、概念认知、多视图学习、医学影像分析、决策理论及多传感器融合等多个核心方向，集中展现了领域内的创新探索成果。
深度学习技术在糖尿病性黄斑水肿（diabetic macular edema,DME）的频域光学相干断层扫描（spectral domain optical coherence tomography,SD-OCT）影像分割中发挥着重要作用。针对数据隐私保护、计算成本控制和不确定性量化等关键挑战，本文提出一种基于联邦学习的DME分割算法（DME segmentation algorithm based on federated learning,DMESA-FL）。首先，通过在卷积神经网络（convolutional neural network,CNN）中增加尺度感知金字塔融合模块和全局金字塔引导模块来捕获多尺度上下文信息并融合全局上下文信息流和解码路径特征。接着，将改进的CNN作为联邦学习框架的预测模型并采用序列训练来更新全局模型以增强数据安全性。最后，通过为所有客户端增加特征离散化预处理模块以减少CNN的计算量并提升其泛化能力。在特征离散化的过程中，构建基于粗糙集的适应度函数以评估数据不确定性并采用遗传算法（genetic algorithm,GA）搜索SD-OCT影像的最佳特征离散化方案。此外，通过在网络的损失函数中引入不确定性约束项以将粗糙集的平均近似精度作为先验知识有效融入CNN。DMESA-FL与主流的SD-OCT眼底影像分割算法的对比结果表明，DMESA-FL能够在数据非共享的情况下高效地训练具有不同客户端的模型，从而实现DME的精确分割。
随着多视图学习的迅速发展，如何有效地整合来自不同视图的信息进行聚类分析，已成为当前学术界和工业界的重要研究课题，并推动了一系列高效方法的涌现。然而，现有的方法仍面临三大挑战。第一，现实数据往往具有不确定性和低判别性特征，因此直接从原始数据提取锚点图会导致性能欠佳；第二，现有方法大多假设视图间存在共性信息并依靠此类信息进行聚类，却忽视了各视图的特性信息；第三，如何进一步探索和利用所学锚点图来提升聚类性能仍是一个开放性的问题。对此，提出了一种新型双锚点图模糊聚类方法。针对前2个问题，设计基于矩阵分解的双锚点图学习框架，通过提取各视图的高判别性隐式表征，从中推导出共有锚点图和特定锚点图；针对第3个问题，开发具有协同学习机制的锚点图模糊聚类方法，构建双锚点图驱动的模糊隶属度结构保持机制以提升聚类质量。同时，还引入负香农熵实现视图权重的自适应调整。最后，本文在多个基准数据集上进行了广泛的实验验证。结果表明，提出的DAG＿FC方法在大多数指标和数据集上都展现出显著优势。特别是在Yale数据集上，DAG＿FC的NMI值相较于对比方法分别高出约30%和20%。此外，实验也证实基于锚点图的聚类方法在性能上普遍优于传统的基于子空间的聚类方法。通过引入潜在表征提取技术和设计专用的聚类算法，本文进一步提升了所提方法的聚类性能。
近年来，三支决策在实际应用和理论研究方面均取得了迅速发展，尤其是作为三支决策独具价值的衍生脉络，三支决策空间已成为当前研究的热门主题之一。目前，关于三支决策空间的研究主要集中在2个方面：1）基于常用聚合函数的半三支决策空间到三支决策空间的转换方法；2）基于模糊集及其衍生集的（半）三支决策空间构造方法。与此同时，copula函数作为一类重要的聚合函数，已在金融、保险等领域得到广泛应用，却尚未被引入至三支决策空间中。因此，鉴于常用聚合函数为三支决策空间发展起到的推动作用，本文旨在基于copula函数，围绕三支决策空间中前述热点问题开展拓展研究。具体而言，首先，提出3种基于copula函数的半三支决策空间到三支决策空间的转换方法；其次，借助copula函数给出一些基于模糊集的（半）三支决策空间构造方法；最后，对所提方法进行包含数据集实验、对比分析及灵敏度分析的数值实验。实验结果表明，所提方法具备可行性和有效性，且所提方法中的参数也具备有效性和稳定性。
内河无人艇在环境监测、水域救援、交通运输等领域展现出重要应用价值，但其感知系统面临水面反射、恶劣光照及多变天气等严峻挑战。目前水面感知研究主要依赖于摄像头或低分辨率毫米波雷达数据，难以满足复杂场景下的多模态感知需求。针对这一挑战，提出一种基于4D毫米波雷达-摄像头融合的解决方案：首先，构建4D毫米波雷达的多维特征表征体系，包括动态提取距离、方位、速度和反射强度等关键特征；然后，设计动态场景自适应的跨模态融合机制，利用注意力机制加权融合不同模态特征，实现实时自适应算法以应对环境变化；最后，通过深度学习模型实现异构传感器在特征层级的深度耦合。实验验证结果表明：该融合方案显著提升了感知系统的环境适应性，在低质量光照条件下和恶劣天气场景中，目标检测精度较传统视觉系统分别提升3.4和3.9个百分点。本研究不仅为水面复杂场景的智能感知提供了有效的技术解决方案，还将进一步推动内河无人艇向智能化、自主化方向发展。
金融文本分析逐渐从基于情感极性的粗粒度分类任务，转向关注句对之间逻辑关系的细粒度推理建模。针对传统方法无法捕捉“支持”“反驳”“无关”等句间语义关系、推理不可解释及类别不均衡严重等问题，提出一种结构增强型金融Prompt推理网络（financial prompt-based argumentation network,FinPromptNet）。首先，该方法基于LLaMA3-8B-Instruct大语言模型，融合任务显式化的结构化Prompt模板、链式推理提示语（chain-of-thought prompt）、部分参数微调机制与加权采样-代价敏感联合优化策略，从输入编码与参数优化2个层面提升模型对句间逻辑结构的理解能力。然后，在NTCIR-17 FinArg-1金融句对关系分类数据集上开展系统实验。实验结果显示：FinPromptNet在准确率（accuracy）、微F1(micro-F1)和宏F1(macro-F1)等多项指标上整体优于FinBERT、T5等主流模型，其中宏F1达到67.1%，较T5提升7.3个百分点，且在“反驳”类标签的F1得分上提升超过10个百分点。该研究验证了结构化Prompt与类别调节机制在金融逻辑推理任务中的有效性，为金融文档的智能分析与语义建模提供可解释、高性能的解决方案。
概念认知学习是一种新兴的交叉研究热点领域，旨在通过模仿人类的认知过程不断学习新知识。然而，现有的概念认知学习模型通常忽略了概念中对象的局部差异性、概念空间的冗余性、概念可解释性等问题，导致模型认知偏差与有效信息利用不足。因此，提出一种融合隶属度与覆盖的模糊概念认知学习（fuzzy concept-cognitive learning model integrating membership degree and coverage,IMDC）模型。首先，为了提高概念外延的表征能力，引入一种带偏移阈值的隶属度函数探讨对象与概念之间的相关性，并构造隶属度矩阵，进一步将概念空间转化为模糊覆盖；其次，通过模糊β截集筛选高相关对象，结合覆盖率探索不同概念的地位，从而构建核心概念空间，以有效降低概念空间的冗余性，提高认知学习效率；然后，基于线索与核心概念之间的相似性实现概念分类；最后，采用十折交叉验证方法，将提出的模型与4种机器学习算法和2种概念认知算法进行对比。实验结果表明，该模型在14个数据集上的平均精度均高于其他对比算法，并且在不同数据集上的性能波动范围最小，此外，在查准率、查全率、F1值方面也保持领先优势，充分验证了该模型的可行性和有效性。
动态红外调控技术在智能热管理及自适应伪装领域具有重大应用价值，但其发展面临传统电致变色器件带来的关键瓶颈。主流的金属氧化物、导电聚合物等电致变色器件普遍存在导电层依赖性强、界面阻抗高等问题；而基于碳纳米材料的新型红外调控器件又受限于复杂制备工艺和电解质泄漏风险的问题，制约其实际应用。针对这些问题，本研究提出喷涂法制备单壁碳纳米管电极与热压成型聚氨酯固态电解质的协同构筑策略，成功研制了功能层和导电层一体化的柔性固态红外调控器件。实验结果表明，优化后的器件不仅在8～14μm波段实现0.52的发射率调制幅度，还具有秒级的快速发射率切换速度。经过400次循环后，器件可保持86.3%的初始调制性能；在经历200次机械弯折后，其性能保持率达94.6%，展现出良好的循环稳定性与机械柔性。本研究为开发高集成度、耐弯折的柔性红外调控器件提供了新的思路。
温致变色材料作为一类重要的智能响应材料，其通过分子结构可逆变化实现对外界温度的动态响应，探究其变色机制与性能优化对拓展该材料在智能显示、温度传感器、建筑节能等领域的实际应用具有重要意义。本文综述了三组分温致变色材料的研究进展，首先阐明了由发色剂、显色剂和固体溶剂构成的协同变色体系的作用机理，重点分析了发色剂分子结构、显色剂电子转移特性和固体溶剂相变行为对材料变色温度、响应速度和稳定性的调控规律。针对现有材料在环境稳定性方面的不足，详细比较了界面聚合、原位聚合等微胶囊化技术的优劣。在应用方面，重点探讨了该材料在智能建筑、动态防伪和功能纺织品等领域的创新实践。最后指出当前研究在窄温域精准调控、多重响应设计等方面存在的不足，并提出未来应着力开发分子工程优化策略、光热协同响应体系以及环境友好制备工艺，为智能响应材料的性能突破和应用拓展提供理论支撑与技术路径。