题目：Multimodal Representation Learning Based on Personalized Graph-Based Fusion for Mortality Prediction Using Electronic Medical Records（用于电子病历的死亡风险预测的基于个性化图融合方法的多模态表示学习框架）

作者：A. Al-Dailami, H. Kuang and J. Wang

来源：Big Data Mining and Analytics（大数据挖掘与分析）, vol. 8, no. 4, pp. 933-950.

摘要：Predicting mortality risk in the Intensive Care Unit (ICU) using Electronic Medical Records (EMR) is crucial for identifying patients in need of immediate attention. However, the incompleteness and the variability of EMR features for each patient make mortality prediction challenging. This study proposes a multimodal representation learning framework based on a novel personalized graph-based fusion approach to address these challenges. The proposed approach involves constructing patient-specific modality aggregation graphs to provide information about the features associated with each patient from incomplete multimodal data, enabling the effective and explainable fusion of the incomplete features. Modality-specific encoders are employed to encode each modality feature separately. To tackle the variability and incompleteness of input features among patients, a novel personalized graph-based fusion method is proposed to fuse patient-specific multimodal feature representations based on the constructed modality aggregation graphs. Furthermore, a MultiModal Gated Contrastive Representation Learning (MMGCRL) method is proposed to facilitate capturing adequate complementary information from multimodal representations and improve model performance. We evaluate the proposed framework using the large-scale ICU dataset, MIMIC-III. Experimental results demonstrate its effectiveness in mortality prediction, outperforming several state-of-the-art methods.

编者译：利用电子病历（EMR）预测重症监护病房患者的死亡风险，对于识别需要立即关注的患者至关重要。然而，每个患者的电子病历特征的不完整性和变异性使得死亡风险预测面临挑战。本研究提出了一种基于个性化图融合方法的多模态表示学习框架，以应对这些挑战。该方法涉及构建患者特定的模态聚合图，以从不完整的多模态数据中提供与每位患者相关的特征信息，从而实现不完整特征的有效且可解释的融合。采用特定模态的编码器分别对每种模态特征进行编码。为应对患者间输入特征的变异性和不完整性，提出了一种个性化图融合方法，基于所构建的模态聚合图对患者特定的多模态特征表示进行融合。此外，本文还提出了一种多模态门控对比表示学习（MMGCRL）方法，以促进从多模态表示中捕获足够的互补信息并提高模型性能。本文使用大规模ICU数据集MIMIC-III对所提出的框架进行了评估。实验结果证明了该方法在死亡风险预测方面的有效性，优于目前几种最先进的方法。

题目：基于多模态大模型的具身智能体研究进展与展望

作者：赵博涛、亢祖衡、瞿晓阳、彭俊清、张旭龙、王健宗

来源：大数据,2025,11(03):108-138.

摘要：具身智能体是跨学科领域的重要研究方向，具备与物理环境交互的能力，通过传感器、执行器和物理形态与环境互动。具身智能体的研究范畴包括自主机器人、多模态感知、强化学习等，具有在服务机器人、智能教育和医疗辅助等领域的应用潜力。其发展历史从人工智能早期探索至今，早期研究集中在虚拟世界的计算推理能力，而近期多模态大模型（MLLM）的出现为具身智能体的发展带来新突破。MLLM能处理多种数据类型，实现深层次语义理解和跨模态推理，提升模型在多模态任务中的表现。MLLM的代表模型包括CLIP、DALL-E等，展现出环境感知、指令理解和推理判断能力，为具身智能体发展注入新动力。具身智能体需具备环境感知、长程任务规划和短程动作控制能力，MLLM在这些方面展现出优势，推动具身智能体在复杂现实场景中的应用。本文全面综述基于MLLM的具身智能体，包括多模态大模型发展现状、具身智能体数据集、物理载体、最新研究进展、高级任务规划应用、低级动作控制研究，以及面临的挑战和未来发展趋势。

题目：Cooperative Communication Resources Scheduling of Satellite Network Using a Mixed Vector Encoding Heuristic Algorithm（基于混合向量编码启发式算法的卫星网络协同通信资源调度）

作者：J. Xie, L. Kuang and S. Gao

来源：Intelligent and Converged Networks（智能与融合网络）, vol. 6, no. 2, pp. 129-140.

摘要：The communication resources scheduling problem of the satellite network contains the user-satellite association problem, the user-beam matching problem, and the beam power allocation problem. Different optimization problems contain different types of variables. Mult-type variables and three coupling problems cause the cooperative scheduling problem to be complex. In this paper, we propose a mixed vector encoding heuristic algorithm (MVEHA) to optimize the joint resources allocation problem of the multiple beams satellite network. Specifically, we use the 0–1 encoding vector to represent the user-satellite association scheme, the user-beam matching scheme is denoted by the continuous vector with priority, and a normalization vector is designed to encoded the beam power allocation scheme. Due to the mixed vector encoding method, we design two optimization operators to guide the search direction of the population. Compared to the conventional optimization algorithm, the simulation experiment shows MVEHA has better solution performance and robustness to solve the communication resources allocation problem of the satellite network.

编者译：卫星网络通信资源调度涉及用户与卫星关联、用户与波束匹配以及波束功率分配等问题。多类型变量以及上述三个耦合问题使得协同调度问题变得复杂。本文提出了一种混合向量编码启发式算法（MVEHA），以优化多波束卫星网络的联合资源分配问题。具体而言，本文使用0-1编码向量来表示用户与卫星的关联方案，通过带有优先级的连续向量来表示用户与波束的匹配方案，同时还设计了一个归一化向量以编码波束功率分配方案。由于采用了混合向量编码方法，本文设计了两个优化算子以引导种群的搜索方向。实验表明，与传统优化算法相比，MVEHA在解决卫星网络通信资源分配问题时具有更好的求解性能和鲁棒性。

题目：我国科学数据发展回顾与思考

作者：胡良霖、马宗文、朱艳华、高瑜蔚

来源：数据与计算发展前沿, 2025, 7(3): 3-14.

摘要：本文旨在回顾我国科学数据发展历程，剖析现状，提出发展建议。通过梳理科技部与中国科学院共同推进科学数据工作的历程、典型特征，分析当前新需求与面临挑战，并从促供、提质、重用、创牌四个方面提出针对性策略。明确我国科学数据发展的阶段成果、现存问题以及未来发展方向，为科学数据工作相关方提供系统认识。通过实施促供、提质、重用、创牌等举措，有望突破困境，提升我国科学数据发展水平，增强在国际数据领域的影响力，为科技创新提供有力支撑。

题目：面向云边端协同的数据库预聚合方法研究

作者：崔双双、马若尧、王宏志

来源：大数据,2025,11(03):33-48.

摘要：本文讨论了云边端协同的新计算模式对数据管理提出的新要求，强调了云边端一体化在资源管理、数据流通、业务应用和安全保障方面的重要性；介绍了云边端协同架构的组成，包括云计算中心节点、边缘计算部分和终端设备；指出了云边端协同场景下数据管理面临的挑战，如数据类型多样、工作负载复杂，以及直接上传原始数据到云侧造成的资源浪费和实时性需求对快速响应和高效决策的要求；提出了在边缘设备或节点上进行数据预处理和聚合的重要性，并介绍了本文研究的数据库预聚合方法，包括候选物化视图生成器和物化视图自动选择器。