数据库与信息系统研究室

近日，数据库与信息系统研究室师生多项最新科研工作发表在IEEE汇刊，其中包括IEEE Transactions on Neural Networks and Learning Systems，IEEE Transactions on Intelligent Transportation Systems，IEEE Transactions on Industrial Informatics，均为SCI一区，涵盖多模态情感分析、位置推荐、联邦学习等研究领域。

论文列表

• 张宇豪，张莹，郭文雅，蔡祥睿，袁晓洁，Learning Disentangled Representation for Multimodal Cross-Domain Sentiment Analysis，IEEE Transactions on Neural Networks and Learning Systems，2022。

• 潘璇，蔡祥睿，宋珂慧，Thar Baker，Thippa Reddy Gadekallu，袁晓洁，Location Recommendation Based on Mobility Graph With Individual and Group Influences，IEEE Transactions on Intelligent Transportation Systems，2022。

• 侯博禹，高继强，郭晓杰，Thar Baker，张莹，温延龙，刘哲理，Mitigating the Backdoor Attack by Federated Filters for Industrial IoT Applications，IEEE Transactions on Industrial Informatics，2022。

论文简介

1.论文题目：Learning Disentangled Representation for Multimodal Cross-Domain Sentiment Analysis

作者：张宇豪，张莹，郭文雅，蔡祥睿，袁晓洁

通讯作者：张莹

录用会议/期刊：IEEE Transactions on Neural Networks and Learning Systems 2022

论文概述：多模态跨领域情感分析的目的是在不同的数据集之间转移领域不变的情感信息，以解决标记数据不足的问题。现有的适应性方法通过消除多种模态特征的差异而取得良好的性能。然而不同数据集的表达方式也包含领域特定的信息，这阻碍了适应性的表现。在这篇文章中，我们提出了一个分散的情感表征对抗网络（DiSRAN），以减少多模态跨领域情感分析中表达风格的领域转移。具体来说，我们首先对齐多种模态，并通过跨模态注意力层获得联合表示。然后，我们通过对抗训练将情感信息从多模态联合表征中分离出来，该表征含有领域特定的表达风格。获得的情感表征是领域不变的，这可以更好地促进不同领域之间的情感信息转移。在两个多模态跨领域情感分析任务上的实验结果表明，所提出的方法与最先进的方法相比表现良好。

2.论文题目：Location Recommendation Based on Mobility Graph With Individual and Group Influences

作者：潘璇，蔡祥睿，宋珂慧，Thar Baker，Thippa Reddy Gadekallu，袁晓洁

通讯作者：蔡祥睿，Thar Baker

录用会议/期刊：IEEE Transactions on Intelligent Transportation Systems

论文概述：位置推荐通过用户历史签到记录，捕捉多种多样的移动行为模式和个体偏好，以此判断用户未来可能访问的位置。针对时空数据的多源异构性、分布稀疏性以及个体移动模式中的复杂性，本文提出了一种位置推荐模型，相比以往将签到记录以离散形式或序列形式建模位置预测模型的输入，本文通过构建移动图表示时空数据并生成位置偏好，进一步强化了用户签到记录之间的时空关联性。针对移动图的表示，提出了利用一种时空交互增强的图神经网络对图节点进行编码，实现移动图的时空信息交换。推荐结果结合了个体和群体的移动行为，并使用加权堆叠评分方法模拟动态偏好。结果表明，移动图有效地融合了时空上下文，提高了位置推荐效果。

3.论文题目：Mitigating the Backdoor Attack by Federated Filters for Industrial IoT Applications

作者：侯博禹，高继强，郭晓杰，Thar Baker，张莹，温延龙，刘哲理

通讯作者：温延龙

录用会议/期刊：IEEE Transactions on Industrial Informatics 2022

论文概述：联邦学习提供了一个有效的解决方案，在全球服务器的帮助下，在大规模参与的工业物联网（IIoT）应用中训练协作模型，构建智能生活。然而，联邦学习很容易受到来自强大的恶意参与者的后门攻击。后门攻击是不明显的，可能会导致毁灭性的后果。为了抵御对IIoT应用的攻击，我们提出了联邦后门过滤器的防御，它可以识别后门输入，并通过模糊-标签翻转策略恢复数据的可用性。我们在服务器上建立了多个具有可解释的人工智能模型的过滤器，并将其随机发送给客户，防止高级攻击者逃避防御。我们的后门过滤器显示出明显的后门识别，准确率高达99%。在实施模糊-标签翻转策略后，受害者的本地模型对可疑后门样本的识别准确率可达到88%。