题目：Research on a Multilayer Network Community Detection Algorithm Based on Local Information Expansion（基于局部信息扩展的多层网络社区检测算法研究）

作者：X. Li, N. N. Xiong, W. Yu, L. Chen, H. Bai and H. Jin

来源：Big Data Mining and Analytics（大数据挖掘与分析）, vol. 8, no. 6, pp. 1282-1306.

摘要：Multilayer networks, as an important branch of network science, have become a powerful tool for revealing and analyzing the internal structures of complex systems. Within these networks, community detection is particularly crucial, as it assists in uncovering hidden patterns within the network. We construct a seed node selection method based on the local structural characteristics of network nodes and, by integrating deep learning methods, establish a local information expansion strategy. This approach effectively identifies and expands community boundaries, developing a novel multilayer network community detection algorithm-the Layered Information Expansion Detection Algorithm (LIEDA). Its exceptional performance has been experimentally verified using multiple real-world datasets. Compared with existing technologies, the LIEDA has considerable accuracy, stability, and adaptability advantages. Compared with various popular benchmark algorithms, the model has substantially improved multiple evaluation metrics across several authoritative public and synthetic datasets.

编者译：多层网络作为网络科学的重要分支，已成为揭示和分析复杂系统内部结构的有力工具。在这些网络中，社区检测尤为重要，有助于发现网络内隐藏的模式。本文基于网络节点局部结构特征的种子节点选择方法，结合深度学习方法，建立局部了信息扩展策略。该方法能有效地识别和扩展社区边界，进而开发出一种新型的多层网络社区检测算法——分层信息扩展检测算法（LIEDA）。其卓越的性能已在多个真实数据集进行了实验验证。与现有技术相比，LIEDA在准确性、稳定性和适应性方面具有显著优势。与多种主流基准算法相比，该模型在多个权威公开数据集及合成数据集上均实现了多项评价指标的大幅提升。

题目：深度伪造音频生成与鉴伪技术综述

作者：曾志平、张旭龙、瞿晓阳、肖春光、王健宗

来源：大数据,2025,11(05):130-151.

摘要：本文讨论了深度伪造音频生成技术的发展及其对社会的影响。随着人工智能技术的进步，特别是深度学习和生成对抗网络的应用，深度伪造技术能够生成逼真的音频和视频内容，这在娱乐、电影制作和营销等领域具有巨大潜力。然而，这种技术也存在被滥用的风险，如伪造公众人物语音进行诈骗或政治操纵，对社会信任和信息安全构成威胁。文本转语音（TTS）和语音转换（VC）技术的发展使得生成的语音越来越接近真实人类语音，但同时也带来了分辨真伪的挑战。鉴伪技术的发展，包括声学特征分析和基于深度学习的检测系统，对于保护个人和社会免受伪造音频的危害至关重要。尽管如此，鉴伪领域仍面临数据集有限、模型更新和实时检测等挑战。未来的研究方向包括多模态融合鉴伪、提高模型可解释性以及增强模型泛化能力。文章旨在为研究人员和从业者提供全面视角，促进技术发展，并提出了对未来发展趋势的展望和建议。

题目：面向教育场景的视觉大模型优化与应用

作者：许跃蓬、徐柴迪、郭晋军、姜云桥、王仕嘉、刘垚

来源：大数据,2025,11(05):67-85.

摘要：本文讨论了大语言模型在教育领域的应用挑战，包括多模态数据处理和适应多样化任务需求的问题。提出了视觉教育大模型VELM，具有多模态数据处理能力，通过微调和优化提高教育场景适应性，降低计算资源消耗。VELM结合RAG技术生成适合教育场景的提示词，提高复杂任务适应性。主要贡献包括构建多模态教育数据集、基于数据集的模型微调和优化、基于RAG技术的智能化部署。

题目：CLTDA: Identifying Associations Between tsRNAs and Diseases Based on Contrastive Learning（CLTDA：基于对比学习识别tsRNA与疾病关联关系）

作者：W. Lan et al

来源：Big Data Mining and Analytics（大数据挖掘与分析）, vol. 8, no. 6, pp. 1324-1334.

摘要：Increasing evidences have highlighted the significant association between tsRNAs and diseases. Predicting potential tsRNA-disease associations based on computational methods can effectively reduce human and resource consumption. However, there is a scarcity of computational methods for predicting tsRNA-disease associations. Therefore, we propose Contrastive Learning-based prediction of tsRNA-Disease Associations (CLTDA). It reconstructs known associations between tsRNAs and diseases based on adaptive Singular Value Decomposition (SVD). Then, we employ Graph Convolutional Networks (GCNs) for feature extraction from both the original and reconstructed tsRNA-disease associations, and optimize the GCNs by using contrastive learning loss and Bayesian Personalized Ranking (BPR) loss. In addition, the Bayesian negative sampling method is used to select high-quality negative samples for learning the features of tsRNA and disease. Finally, a Multi-Layer Perceptron (MLP) is utilized to calculates the score of potential association. We conduct five-fold cross-validation and denovo experiments on a manually collected tsRNA-disease association dataset, and the experimental results show that CLTDA outperforms the other six state-of-the-art methods. We also perform a case study on lung cancer and experimental results show that CLTDA is an effective tool for predicting potential associations between tsRNAs and diseases.

编者译：越来越多的证据强调了tsRNA与疾病之间存在显著关联。基于计算方法预测潜在的tsRNA-疾病关联，可有效节省人力与资源。然而，目前用于预测tsRNA与疾病关联的计算方法十分匮乏。因此，本文提出了一种基于对比学习的tsRNA-疾病关联预测模型（CLTDA）。该方法首先利用自适应奇异值分解（SVD）重构已知的tsRNA-疾病关联；随后，采用图卷积网络（GCN）分别从原始和重建后的tsRNA-疾病关联数据中提取特征，并以对比学习损失和贝叶斯个性化排名（BPR）损失联合来优化GCN。此外，引入贝叶斯负采样策略，筛选高质量的负样本以学习tsRNA与疾病的特征。最后，通过多层感知机（MLP）计算潜在关联得分。与此同时，本文对手动收集的tsRNA-疾病关联数据集进行了五倍交叉验证和denovo实验，实验结果表明CLTDA优于其他六种最先进的方法。肺癌案例研究进一步证实，CLTDA是预测tsRNA与疾病潜在关联的有效工具。

题目：行星探测特征信息提取与知识挖掘关键技术及应用研究

作者：周文泓、熊小芳、叶雅寒

来源：信息资源管理学报, 2025, 15(4): 87-98.

摘要：本文基于国内外行星探测获取的海量遥感数据，开展了行星探测特征信息提取与知识挖掘的关键技术及其应用研究。突破了多源、异构的行星数据的重构融合和可视化技术，克服了单一传感器成像信息不足的问题，可生成具有丰富空间和光谱信息的高质量遥感图像。建立了基于可见近红外光谱探测数据的物质成分反演模型，可提取月球及火星矿物光谱特征参量并反演月表元素、矿物的含量与分布。开发了融合多源数据的月壤厚度反演与次表层结构反演算法，利用微波和雷达数据获取月壤厚度及其物理性质，可对次表层结构和地层信息进行分析。利用月球和火星的影像及高程数据，实现了表面多尺度地形因子计算和基于深度学习的典型形貌特征自动提取、绝对模式年龄计算和地质要素制图功能。在此基础上，实现形貌要素、物质成分信息、次表层结构的集成平台展示和互操作分析，研制了具有自主知识产权的行星数据分析挖掘软件工具。该工具将在国家空间科学数据中心公开部署，并在山东大学威海行星数据系统实验室镜像发布。