题目：Reliable and Secure Anomaly Detection in Heterogeneous Federated Learning: A Comprehensive Review（异构联邦学习中的可靠与安全异常检测：全面综述）

作者：H. Xiang et al

来源：Big Data Mining and Analytics（大数据挖掘与分析）, vol. 9, no. 3, pp. 821-840.

摘要：Anomaly detection plays a critical role in ensuring the security of data and systems across diverse real-world applications. Traditional anomaly detection relies on collecting large datasets on a central server, but in reality, data are often spread across different clients and cannot be directly shared due to privacy concerns. Federated learning (FL) has thus emerged as a promising framework for privacy-preserving anomaly detection by enabling collaborative model training without exposing raw data. However, a major challenge in FL-based anomaly detection (FLAD) is heterogeneity, i.e., clients often have data with different distributions, feature spaces, and resource constraints. This makes it difficult to build accurate and reliable anomaly detection models. While some surveys have explored aspects, such as privacy protection, anomaly detection techniques, or FL methodologies, a comprehensive review of privacy-preserving anomaly detection within heterogeneous FL settings remains lacking. This paper systematically review and categorize anomaly detection methods designed for secure and reliable use in heterogeneous FL, considering both data and client heterogeneity. Finally, we highlight future research directions, aiming to guide further progress and support the wider adoption of FLAD in real-world scenarios.

编者译：异常检测在保障各类现实应用中数据与系统的安全方面发挥着至关重要的作用。传统的异常检测方法通常需要将大规模数据集集中至中央服务器，但现实中数据往往分散在不同客户端，且因隐私顾虑而无法直接共享。联邦学习（FL）作为一种隐私保护异常检测框架应运而生，能够在不暴露原始数据的情况下实现协同模型训练。然而，基于联邦学习的异常检测（FLAD）面临的主要挑战在于异构性，即客户端数据通常具有不同的分布、特征空间及资源限制，导致难以构建准确且可靠的异常检测模型。尽管已有综述涵盖了隐私保护、异常检测或联邦学习等独立领域，但针对异构联邦学习环境下隐私保护异常检测的全面综述依然缺失。本文系统梳理与分类了面向异构联邦学习安全可靠应用的异常检测方法，兼顾数据异构性与客户端异构性。最后重点指出未来研究方向，旨在为进一步研究提供指引，推动FLAD在现实场景中的广泛应用。

题目：开源社区AI智能化运维探索

作者：任旭东、孟广浩、张乐天、齐宝玮、王意明

来源：数据与计算发展前沿, 2026, 8(2): 141-153.

摘要：文旨在构建并验证一套面向OpenHarmony开源社区的AI智能化运维体系，以应对日益激增的代码提交与多模态运维需求，提升代码编译与静态检查的定位-修复效率。系统采用Qwen大语言模型，融合对抗性协作检索增强（AC RAG）与思维链微调（RA CoT）策略；通过流水线日志多模态采集-清洗-标注构建训练数据，辅以增量预训练与LoRA微调实现领域适配，并在DevOps流程中嵌入AI助手提供实时问答与修复建议。线上部署表明，该体系显著缩短了问题定位-修复周期，减少了大量人工介入；在保持代码质量的同时，大幅提升社区协作效率，每年可为社区节约数百人月的运维成本。

题目：Graph-Based Multimodal Fusion Framework with Correlation-Aware Learning for Alzheimer's Disease Prediction（用于阿尔茨海默病预测的基于图与相关性感知学习的多模态融合框架）

作者：C. Li et al

来源：Big Data Mining and Analytics（大数据挖掘与分析）, vol. 9, no. 3, pp. 687-704.

摘要：Accurate diagnosis of Alzheimer's Disease (AD) is essential for early intervention. Traditional methods relying on single-modality data often fail to capture the complexity of the disease, limiting diagnostic accuracy. Integrating multimodal data, such as structural Magnetic Resonance Imaging (sMRI) and Single Nucleotide Polymorphism (SNP) data, can provide a more comprehensive understanding of AD. However, existing multimodal fusion methods often overlook the intricate relationships among different data types, resulting in suboptimal performance. To address these challenges, we propose a novel graph-based multimodal fusion framework for AD prediction. The framework constructs brain and gene ontology networks using domain-specific prior knowledge from sMRI and SNP data. It leverages Graph Convolutional Networks (GCN) to extract deep features from each modality and employs a cross-attention mechanism to dynamically weigh feature importance across modalities. Additionally, a Correlation-Aware Learning (CAL) module explicitly models inter-modal correlations, enhancing the interpretability and robustness of the fusion. We validate the effectiveness of our framework using the Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset. Results show that our framework significantly outperforms traditional methods in classification accuracy and feature representation. Our method enables accurate AD diagnosis by integrating multimodal data and explicitly modeling inter-modal correlations. It enhances the interpretability of multimodal integration and provides new insights into the genetic and structural mechanisms underlying AD, serving as a valuable tool for clinical diagnosis and research in neurodegenerative diseases.

编者译：阿尔茨海默病（AD）的准确诊断对于早期干预至关重要。依赖单模态数据的传统方法往往无法捕捉该疾病的复杂性，从而限制了诊断的准确性。整合结构磁共振成像和单核苷酸多态性（SNP）等多模态数据，有助于更全面地理解AD。然而，现有的多模态融合方法往往忽略了不同数据类型之间错综复杂的关联关系，导致性能欠佳。为应对上述挑战，本文提出了一种用于AD预测的新型基于图的多模态融合框架。该框架利用源自sMRI和SNP数据的领域特定先验知识，构建了脑网络和基因本体网络，利用图卷积网络（GCN）从每种模态中提取深度特征，并采用交叉注意力机制动态调整跨模态特征的重要性权重。此外，相关性感知学习（CAL）模块对模态间的关联关系进行了显式建模，从而增强了融合过程的可解释性与鲁棒性。本文使用阿尔茨海默病神经影像学计划（ADNI）数据集验证了该框架的有效性。结果表明，该框架在分类准确率和特征表示能力上均显著优于传统方法。其通过整合多模态数据并显式建模模态间关联，不仅实现了AD的精准诊断、提升了融合的可解释性，还为了解AD背后的遗传与结构机制提供了新见解，可作为神经退行性疾病临床诊断与研究的宝贵工具。

题目：人工智能驱动的分子生成方法与数据资源综述

作者：许黄超、张宝花、刘倩、金钟

来源：数据与计算发展前沿, 2026, 8(2): 184-203.

摘要：在人工智能技术与海量分子数据的双重驱动下，AI赋能的分子生成已成为药物设计与化学创新的关键技术。本文聚焦于小分子设计，旨在系统综述AI驱动的小分子生成方法及在药物研发中的应用。梳理了国内外支持小分子生成的主要数据资源、生成方法与应用研究。围绕变分自编码器、生成对抗网络、Transformer、扩散模型及大语言模型等技术路线，介绍当前主流模型及其核心机制，结合靶点引导、结构约束与语言建模等策略展开归纳。AI小分子生成方法在多个应用场景中展现出显著优势，但对数据质量、算法复杂度和计算资源提出更高要求。受篇幅限制，本文未能全面涵盖该领域的所有分支和最新进展。AI驱动的小分子生成方法正在加速分子发现和药物设计创新进程，构建AI-ready的高质量数据集，提升小分子生成模型的可控性和泛化能力，完善生成评价体系将是未来重要的研究方向。

题目：我国一体化数据市场发展水平评价指标体系构建与实证研究

作者：高铭、张瑾、叶雅珍

来源：大数据,2026,12(03):44-56.

摘要：为评估我国一体化数据市场发展现状与区域差异，聚焦“一体化”核心特征，基于“五统一、一开放”政策框架，构建涵盖统一市场基础制度、统一市场基础设施、统一政府监管治理、统一要素资源市场、持续扩大对外开放5个维度的评价指标体系，采用层次分析法（AHP）赋权，对京津冀等九大重点战略区域18个代表城市2025年一体化数据市场发展水平进行实证测度。结果显示：我国一体化数据市场整体处于由“行政牵引”向“市场驱动”转型初期，呈现“基础制度超前引领、市场内生动力不足、对外开放差异化布局”的三层结构特征；空间上呈现“东高西低、南快北缓”格局，上海、北京、深圳构成核心引领极，几大城市群形成“多极异构、优势互补”的协同发展模式。基于此，建议从场景定价、分类施策、规则技术固化等方面推进数据市场系统性转型。

题目：Transformer语言模型下无线网云数据伪造攻击自适应检测

作者：王峰

来源：数据与计算发展前沿, 2026, 8(2): 241-249.

摘要：在无线网云数据应用过程中，根据单一邻域信息的注意力，整合的检测路径云数据序列较为单一，检测矩阵输出值具有单一性。在多步伪造攻击中，导致MSE值、MAE值、GAME值异常波动。为满足自适应检测需求，设计了Transformer语言模型下的无线网云数据伪造攻击自适应检测方法。分析可疑路径中多跳逆向邻域信息的注意力，将多个节点的邻域信息整合，得到无线网云数据多步伪造攻击检测路径。利用Transformer模型，将检测路径输入序列映射到多个子空间，每个子空间中应用独立的注意力机制，建立路径输入数据序列检测矩阵，并生成云数据攻击检测矩阵自适应语言学习字典，从而实现无线网云数据伪造攻击的精准检测。实验结果表明：在聚合的检测路径中，文献[3]方法的检测MAE值最大值高于0.009，MSE值达到了0.09以上，GAME值达到了0.07以上，检测误差较大，而所提方法的MSE值仅在0.002以内变化，MAE值在0.02以内变化，GAME值在0.01以内变化，伪造攻击自适应检测误差更小，攻击检测准确性更高。该方法需要高性能硬件支持，同时具备跨平台兼容性。伪造攻击自适应检测准确性较高，对于提升无线网数据安全性具有重要作用。