CCF 2023中國計算機科學技術(shù)發(fā)展報告

前言
時序大數(shù)據(jù)計算技術(shù)的研究進展與趨勢
CCF大數(shù)據(jù)專業(yè)委員會
1　引言2
2　時序大數(shù)據(jù)管理4
2.1　時序數(shù)據(jù)存儲4
2.2　時序數(shù)據(jù)查詢10
2.3　時序數(shù)據(jù)治理14
3　時序大數(shù)據(jù)分析17
3.1　通用時序數(shù)據(jù)建模17
3.2　時空序列數(shù)據(jù)建模20
3.3　長時序數(shù)據(jù)建模24
3.4　多模態(tài)時序數(shù)據(jù)建模27
4　時序大數(shù)據(jù)典型應(yīng)用29
4.1　教育領(lǐng)域的應(yīng)用29
4.2　醫(yī)療領(lǐng)域的應(yīng)用32
4.3　工業(yè)領(lǐng)域的應(yīng)用35
4.4　交通領(lǐng)域的應(yīng)用38
5　發(fā)展趨勢與展望40
5.1　時序大數(shù)據(jù)管理40
5.2　時序數(shù)據(jù)預(yù)訓練41
5.3　時序數(shù)據(jù)的泛化41
5.4　時序數(shù)據(jù)的因果學習42
5.5　時序數(shù)據(jù)的可解釋性43
5.6　時間序列的固有屬性挖掘43
參考文獻45
作者簡介57
多模態(tài)大模型的研究進展與趨勢
CCF多媒體技術(shù)專業(yè)委員會
1　引言60
2　國外研究現(xiàn)狀62
2.1　多模態(tài)數(shù)據(jù)集62
2.2　多模態(tài)預(yù)訓練模型65
2.3　下游任務(wù)85
3　國內(nèi)研究現(xiàn)狀100
3.1　多模態(tài)數(shù)據(jù)集100
3.2　預(yù)訓練模型102
3.3　下游任務(wù)112
4　國內(nèi)外研究進展比較123
4.1　多模態(tài)數(shù)據(jù)集123
4.2　預(yù)訓練模型124
4.3　下游任務(wù)126
5　發(fā)展趨勢與展望128
5.1　多模態(tài)數(shù)據(jù)集128
5.2　預(yù)訓練模型129
5.3　下游任務(wù)130
6　結(jié)束語131
參考文獻131
作者簡介142
智能網(wǎng)絡(luò)技術(shù)的研究進展與趨勢
CCF互聯(lián)網(wǎng)專業(yè)委員會
1　引言144
2　智能網(wǎng)絡(luò)及其體系結(jié)構(gòu)技術(shù)145
2.1　AI for Science概述145
2.2　互聯(lián)網(wǎng)技術(shù)階段特征146
2.3　智能網(wǎng)絡(luò)體系結(jié)構(gòu)147
3　AI計算的網(wǎng)絡(luò)技術(shù)152
3.1　高性能AI計算的網(wǎng)絡(luò)技術(shù)152
3.2　分布式大模型訓練的網(wǎng)絡(luò)優(yōu)化技術(shù)153
4　智能路由技術(shù)155
4.1　基于監(jiān)督學習的智能路由算法156
4.2　基于強化學習的智能路由算法156
4.3　智能路由算法的訓練與部署157
5　智能傳輸技術(shù)158
5.1　智能擁塞控制技術(shù)159
5.2　智能報文調(diào)度技術(shù)161
5.3　網(wǎng)絡(luò)側(cè)智能流量控制技術(shù)163
6　網(wǎng)絡(luò)智能運維164
6.1　網(wǎng)絡(luò)建模164
6.2　故障預(yù)測165
6.3　故障定位167
6.4　因果推斷168
7　總結(jié)與未來發(fā)展展望169
參考文獻170
作者簡介175
三維數(shù)字人體重建與生成的研究進展
CCF計算機輔助設(shè)計與圖形學專業(yè)委員會
1　引言179
1.1　三維人體建模研究的問題179
1.2　本文的組織結(jié)構(gòu)180
2　三維人體表征概述181
2.1　模板表征181
2.2　隱式表面場184
2.3　神經(jīng)輻射場185
3　國內(nèi)外研究進展186
3.1　運動捕捉186
3.2　重建與渲染193
3.3　化身建模205
3.4　多模態(tài)數(shù)字人生成215
4　發(fā)展趨勢與展望229
4.1　稀疏視點高精度重建229
4.2　實時高質(zhì)量渲染229
4.3　高效動態(tài)建模230
4.4　大模型帶來的機遇和挑戰(zhàn)230
5　結(jié)束語230
參考文獻231
作者簡介264
視覺Transformer的研究進展與發(fā)展趨勢
CCF計算機視覺專委會
1　引言267
2　視覺Transformer模型設(shè)計268
2.1　經(jīng)典視覺Transformer模型設(shè)計268
2.2　局部信息的引入271
2.3　視覺Transformer大模型273
3　Transformer模型在自監(jiān)督學習中的應(yīng)用274
3.1　CNN時代的自監(jiān)督學習方法274
3.2　基于對比學習的方法276
3.3　基于掩碼圖像建模的方法277
3.4　掩碼圖像建模方法的拓展280
4　多模態(tài)任務(wù)中的Transformer模型282
4.1　多模態(tài)Transformer架構(gòu)282
4.2　基于預(yù)訓練的多模態(tài)Transformer285
4.3　基于大語言模型的多模態(tài)Transformer模型286
4.4　超越雙模態(tài)的多模態(tài)Transformer架構(gòu)287
5　國內(nèi)外研究進展比較288
6　發(fā)展趨勢與展望290
7　結(jié)束語291
參考文獻291
作者簡介301
可信賴人工智能的研究進展與發(fā)展趨勢
CCF容錯計算專委
1　引言304
1.1　可信賴人工智能發(fā)展背景304
1.2　可信賴人工智能的含義305
1.3　可信賴人工智能研究熱點305
2　可信賴人工智能國際研究現(xiàn)狀309
2.1　人工智能系統(tǒng)對抗攻擊與防御熱點技術(shù)309
2.2　可信賴人工智能測試與評估315
2.3　可信賴人工智能相關(guān)標準325
3　可信賴人工智能國內(nèi)研究進展329
3.1　人工智能系統(tǒng)對抗攻擊與防御熱點技術(shù)329
3.2　可信賴人工智能測試與評估334
3.3　可信賴性度量337
3.4　可信賴人工智能相關(guān)標準337
4　可信賴人工智能國內(nèi)外研究進展比較339
4.1　人工智能系統(tǒng)對抗攻擊與防御熱點技術(shù)339
4.2　可信賴人工智能測試與評估341
4.3　可信賴人工智能相關(guān)標準342
5　可信賴人工智能發(fā)展趨勢343
6　結(jié)束語344
參考文獻344
作者簡介358
機密計算的研究進展與產(chǎn)業(yè)