近日，我校网安学院青年教师杨旭副教授及其团队在隐私增强联邦学习、多模态情感智能、工业异常检测、个性化联邦元学习以及低功耗物联网安全等方向取得系列研究进展。相关研究成果分别发表于《IEEE Transactions on Services Computing》《CVPR 2026》《Information Fusion》《IEEE Transactions on Computers》和《Computer Standards & Interfaces》等国际期刊，体现了学院在可信人工智能、数据安全与智能系统安全等交叉研究方向的持续积累。
研究成果一：针对联邦多任务学习中任务异质性与系统通信异质性并存的问题，提出了一种由语义通信驱动的隐私增强联邦多任务学习框架FedAtlas。传统联邦多任务学习方法往往难以充分刻画不同任务之间复杂的非线性关系，在异构客户端环境下还容易受到通信开销和训练效率的限制。该研究通过构建全局非线性任务关系图谱，设计结构感知的双层聚合机制，以同时优化共享编码器和个性化解码器，从而缓解负迁移问题并保持任务个性化能力。同时，框架引入语义通信机制，通过紧凑语义特征传输降低通信负担，并在不显式注入噪声的情况下增强隐私保护能力。实验结果表明，该方法在模型性能、通信效率和隐私保护之间取得了较好的平衡。该工作以“FedAtlas: a Privacy-Enhanced Federated Multi-Task Learning Framework Driven by Semantic Communication for Dual Heterogeneity”为题发表在CCF-A类期刊《IEEE Transactions on Services Computing》上。
FedAtlas 框架技术路线
研究成果二：面向多模态情感智能中感知、理解与交互能力割裂的问题，提出了一种从情绪感知到共情交互的统一多模态情感智能框架Nano-EmoX。现有情感计算模型通常面向单一任务或单一层次能力，难以同时覆盖基础情绪识别、情感理解、意图推理和共情回应等不同层次的情感智能任务。针对这一问题，该研究构建了感知、理解与交互三个层次的认知式情感任务体系，并提出紧凑型多任务多模态语言模型Nano-EmoX以及P2E（Perception-to-Empathy）课程式训练框架。Nano-EmoX 融合视觉、语音、面部表情和多模态融合编码器，通过异构适配器将不同模态特征映射到统一语言空间，使轻量级语言模型能够处理多类情感任务。该方法在较小模型规模下统一支持多模态情感分析、多模态情绪识别、开放词汇情绪识别、多模态意图识别、情绪原因推理和共情回应生成等六类核心任务，在多个基准测试中取得了具有竞争力的性能，体现出较好的效率和泛化能力。该工作以“Nano-EmoX: Unifying Multimodal Emotional Intelligence from Perception to Empathy”为题被CCF-A类会议CVPR 2026接收。
Nano-EmoX 多模态情感智能框架
研究成果三：面向工业场景中少样本异常检测任务，提出了一种用于多模态融合的生成式多智能体框架 MALM-CLIP。现有基于视觉-语言模型的工业异常检测方法通常依赖人工设计文本提示，难以适应真实生产环境中不断变化的产品类型和缺陷形态。针对这一问题，该研究将大语言模型的生成能力与CLIP的视觉语义理解能力相结合，构建由图像标注、描述生成和异常评估等模块组成的多智能体协同机制，实现从提示生成、语义增强到异常判断的自动化流程。该方法减少了人工提示工程依赖，提升了模型在少样本场景下的泛化能力和检测效率。实验结果表明，MALM-CLIP在MVTec、VisA等工业异常检测数据集上取得了优于现有方法的图像级异常检测表现。该工作以“MALM-CLIP: A generative multi-agent framework for multimodal fusion in few-shot industrial anomaly detection”为题发表在CCF-B类期刊《Information Fusion》上。
MALM-CLIP 多智能体异常检测框架
研究成果四：针对非独立同分布数据环境下个性化联邦学习模型泛化能力不足的问题，提出了一种基于约束超网络的个性化联邦元学习框架。个性化联邦学习旨在为不同客户端学习适配其本地数据分布的模型，而联邦元学习则强调模型在少量本地数据上的快速适应能力。然而，在高度异构的数据环境中，单一全局元模型往往难以兼顾不同客户端需求，现有方法也难以同时保证个性化能力、泛化性能与收敛性。该研究将联邦元学习与超网络机制结合，利用约束超网络捕获不同客户端微调模型之间的差异，为各客户端生成个性化元模型，并从理论上分析了该框架对收敛性和泛化边界的影响。实验结果表明，该方法能够显著提升跨客户端分布迁移场景下的模型泛化能力，并优于多种代表性个性化联邦学习算法。该工作以“Toward Personalized Federated Meta-learning with Constrained Hypernetwork on Non-IID Data”为题发表在CCF-A类期刊《IEEE Transactions on Computers》上。
个性化联邦元学习框架技术路线
研究成果五：针对低功耗物联网设备在入侵检测中面临的训练样本不足和计算资源受限问题，提出了一种基于对比学习的无监督入侵检测方法CLU-ID。随着物联网设备规模不断扩大，边缘网关和低功耗设备需要在有限算力条件下识别未知攻击，但传统异常检测方法往往依赖大量训练样本，且模型参数量较大，难以适应资源受限场景。该研究首先通过流量样本分布分析发现，不同设备之间的正常流量特征与目标设备攻击样本之间存在可利用的差异关系；在此基础上，设计了对比预训练和中心约束训练两个阶段，通过对比学习提取设备特异性特征，再利用中心向量建模正常流量分布，将偏离正常分布的样本识别为异常。实验结果表明，CLU-ID在有限训练样本条件下具有较好的检测性能，并能显著降低模型参数量，适用于低功耗物联网网关等资源受限环境。该工作以“CLU-ID: Contrastive learning based unsupervised intrusion detection for low-power IoT devices”为题发表在SCI2区期刊《Computer Standards & Interfaces》上。
CLU-ID 无监督入侵检测系统模型
上述系列成果均以闽江大学为通讯单位，杨旭副教授为通讯作者。成果围绕可信人工智能与网络空间安全中的关键问题展开，涵盖隐私增强联邦学习、多模态情感智能、工业异常检测、个性化模型协同训练以及轻量级物联网安全检测等多个方向。一方面，这些研究面向数据异构、任务异构、情感智能建模、样本稀缺和设备资源受限等现实挑战，提出了具有针对性的算法框架与系统方法；另一方面，也体现了人工智能技术与隐私保护、人机交互、工业检测和网络安全应用场景的深度融合。相关成果的发表有助于进一步提升学校在可信智能、安全计算、多模态学习与物联网安全等领域的学术影响力，并为后续开展跨学科合作和高水平科研攻关奠定良好基础。
（网安学院 通讯员 黄焯）
【责任编辑 罗晓华】