Information Fusion-2026年11月最新论文10篇(1)

SCMoE-PFL：用于个性化联邦学习的软聚类专家混合框架

原标题：SCMoE-PFL: A soft-clustering mixture-of-experts framework for personalized federated learning

作者：Gongli Li；Xianzhong Jia；Weichen Liu；En Zhang；Zidong Wang

期刊：Information Fusion

出版时间：2026/11/01

摘要：传统的联邦学习（FL）方法依赖于单一的全局模型，在异构且非独立同分布（non-IID）的客户端数据分布下常常崩溃。个性化联邦学习(PFL)缓解了这一限制，但现有方法要么过度拟合本地数据，要么无法有效利用共享知识。为了解决这些挑战，本文提出了SCMoE-PFL，一个集成软聚类和专家混合（MoE）机制的个性化联邦学习框架，以调和全局泛化与局部个性化的矛盾。首先，我们介绍了一种多中心阈值基软聚类（MCTC）方法，使客户端能够参与多个聚类，提高数据利用率和聚类质量。其次，簇内聚合产生一组专家模型，而每个客户端分别在其高敏感性数据上训练一个私有模型，确保隐私保护。最后，一个轻量级的能量感知门控网络自适应地融合了专家模型和私有模型。通过用基于能量的预测置信度校准初始特征匹配权重，这一双重检查机制有效防止了对不确定专家的过度依赖，从而产生了高度可靠的个性化预测。四个基准数据集上的实验表明，SCMoE-PFL在中等和极端异构性下显著提高了准确率、收敛性和公平性，分别比FedAvg的最大准确率提升了24.71个百分点和26.01个百分点。理论分析进一步确立了性能下限，并阐明了该框架在隐私保护、计算效率和系统可靠性方面的优势。这些结果表明SCMoE-PFL为异构环境中个性化联邦学习提供了一个稳健且灵活的解决方案。

原文链接

仅最深集成视觉与文本语义的期望最大化空间中的通用医学图像分割

原标题：Deepest-only integration of vision and textual semantics in expectation-maximization space for generalizable medical image segmentation

作者：Wenjun Yu；Yinchen Zhou；Jia-Xuan Jiang；Shubin Zeng；Yuee Li；Zhong Wang

期刊：Information Fusion

出版时间：2026/11/01

摘要：单源领域泛化（SDG）是医学图像分割中的一个关键而又具有挑战性的任务，主要是由于临床中心之间存在严重的领域偏移。然而，现有的方法，甚至那些利用视觉基础模型（VFMs）的方法，缺乏足够的泛化能力来处理成像协议不同的未见领域。鉴于这一问题，我们专注于研究不变的文本先验的作用，并提出了一种新的框架，名为期望最大化空间中仅深度视觉与文本语义集成（DIVE），旨在弥合医学影像中的跨模态差距。至关重要的是，我们的调查揭示了当前基于VFM的方法失败的原因在于两个基本的不匹配：特征分布的分散，其中松散的特征簇表现出模糊的类别边界和大量的噪声。此外，层次语义差异，其中抽象文本无法匹配细粒度的视觉细节。因此，我们的DIVE由两个协同设计驱动：(1)期望最大化语义聚合(EMSA)，它结构化地将松散的多模态特征精炼成紧凑的语义中心，有效缓解了特征分散问题，以及(2)仅最深层语义融合解码(DSFD)，在最深层次建立了一个专属的融合接口，明确解决了层次差异问题。因此，语义紧凑性增强了对领域噪声的鲁棒性，而深层对齐确保了精确的语义指导。在公共心脏和眼底数据集上进行的大量实验表明，我们的方法在多个领域泛化基准测试中优于现有的最先进方法。我们的代码可在https://github.com/SsVarin/DIVE-Medical-Segmentation获取

原文链接

AdaCycle：基于异构小波分解的全局统计自适应多周期检测与融合的时间序列预测

原标题：AdaCycle: Global statistical adaptive multi-cycle detection and fusion with heterogeneous wavelet decomposition for time series forecasting

作者：Jinze Du；Songmao Jiang

期刊：Information Fusion

出版时间：2026/11/01

摘要：准确检测和建模多尺度周期结构对于时间序列预测至关重要。现有的显式周期建模方法存在关键限制：样本级检测方法在单个序列上操作，观察有限，导致统计证据不足和跨样本不一致；手动指定方法缺乏适应性和跨数据集泛化能力；此外，现有方法对残差成分进行统一处理，未考虑低频和高频成分的根本不同特性，并且缺乏有效的机制来整合多个检测周期的特征。我们提出AdaCycle，一个全局统计自适应多周期检测与融合框架。具体来说，我们在完整的训练集上执行改进的频谱分析，自动识别多个主导周期（包括超出典型输入长度的长周期），并基于1/k准则引入自适应阈值策略，动态确定周期数和频谱权重。对于每个检测到的周期，我们采用可学习的循环周期进行显式建模，对去趋势残差应用平稳小波变换（低频趋势使用线性处理以保持平滑度，高频模式使用非线性处理以捕捉复杂动态），并通过轻量级压缩注意力高效融合多周期特征，从而在降低计算复杂度的情况下实现有效的跨周期交互。广泛的实验证明，AdaCycle在12个真实世界的数据集上显著优于现有方法，在有限的训练场景中实现了更高的准确率和跨样本一致性以及强大的数据效率。代码可在以下地址获取:https://github.com/Jsmcnhyk/AdaCycle.

原文链接

分而治之：多通道不一致性学习网络用于多模态讽刺检测

原标题：Divide and conquer: Multi-channel inconsistency learning network for multimodal sarcasm detection

作者：Lisong Ou；Zhixin Li

期刊：Information Fusion

出版时间：2026/11/01

摘要：多模态讽刺检测（MSD）旨在建模文本和图像之间的不一致。尽管在这个领域取得了重大进展，现有方法往往局限于关注单一粒度的不一致，而忽视了不同讽刺类型中固有的多粒度语义矛盾。此外，如何灵活整合多项任务以实现可靠决策仍然是一个亟待探索的关键问题。为了解决这些问题，我们提出了一种新颖的多通道不一致性学习网络，该网络利用了分而治之策略，能够在多个渠道内精细处理各种讽刺类型。具体来说，我们首先从CLIP引入跨模态先验知识来丰富和指导单模态特征的学习。随后，我们构建了多粒度通道以适应不同类型的讽刺表达，从而全面捕捉不一致信息。此外，我们专门设计了质量感知多通道融合方法，进一步增强讽刺检测结果的可靠性。广泛的实验和深入的分析表明了所提出的方法在公开可用的多模态讽刺检测基准数据集上的有效性。

原文链接

TOPan: 基于均值流的令牌正交投影快速融合技术

原标题：TOPan: Token-wise orthogonal projection with mean flows for fast pansharpening

作者：Pengyu Chen；Zi-Han Cao；Liang-Jian Deng；Jun Liu；Jianing Sun；Tieyong Zeng

期刊：Information Fusion

出版时间：2026/11/01

摘要：多光谱融合旨在通过融合低分辨率多光谱(LRMS)图像与全色(PAN)图像来合成高分辨率多光谱(HRMS)图像。尽管最近基于Transformer的生成模型表现出色，它们面临着两个平行的挑战。一方面，依赖黑盒融合阻碍了有效的光谱空间解耦。另一方面，迭代采样的沉重计算负担使得快速推理无法实现。为了应对这些限制，我们提出了一种快速的融合方法TOPan，该方法受到正交投影的启发。TOPan 利用一个 MeanFlow 加速的框架来实现高效的一步生成而不牺牲重建质量。具体来说，TOPan 使用了一种新颖的逐令牌正交投影仪（TOP），这是一个数学驱动的模块。它利用了令牌冗余以及信道空间的低秩结构来构建频谱和空间子空间以分离共享和模式特定的表示。此外，我们通过一个高度高效的交替注入骨干网络利用了这种解耦表示，并融合了一个跨通道分散损失，以增强表征能力。大量的实验表明，TOPan在重建质量和推理效率方面都超过了最先进的（SOTA）方法。

原文链接

INNA：一种基于可逆神经网络的鲁棒图像水印攻击框架

原标题：INNA: An invertible neural network-based attack framework for robust image watermarking

作者：Yanchun Peng；Na Wang；Chuan Qin；Guorui Feng；Xinpeng Zhang

期刊：Information Fusion

出版时间：2026/11/01

摘要：近年来，鲁棒的图像水印算法取得了显著进展。然而，现有的水印去除攻击仍然面临视觉保真度、攻击有效性以及计算效率之间的基本权衡。为了解决这一挑战，本文提出了INNA，首个基于可逆神经网络的水印去除框架，该框架利用了可逆潜在分解和目标潜在空间清理。具体来说，它将带水印的图像分解为低分辨率结构成分和隐含表示，这些隐含表示编码了水印残差。基于变压器的模块随后被用于选择性地清理这些潜在特征，之后通过可逆网络的共享逆映射重构受损图像。大量的实验结果证实了我们的INNA的有效性。它将水印提取准确率降低到大约0.583，这显著低于现有攻击方法平均达到的0.734。此外，INNA 达到了更高的视觉保真度，峰值信噪比 (PSNR) 为 39.49 dB，结构相似性 (SSIM) 为 0.9984，感知线性判别器 (LPIPS) 为 0.0144。此外，我们的INNA表现出更高的计算效率，仅包含1.01百万参数，并且每张图像的平均运行时间为64.35毫秒。

原文链接

基于多源知识融合和LLM推理的工业控制专有协议逆向工程

原标题：Reverse engineering for industrial control proprietary protocols based on multi-source knowledge fusion and LLM inference

作者：Yahui Yang；Yangyang Geng；Mufeng Wang；Qiang Wei

期刊：Information Fusion

出版时间：2026/11/01

摘要：工业控制系统（ICSs）构成了国家关键基础设施的核心，因此其安全性至关重要。然而，缺乏公开规范的专有二进制通信协议在ICS设备中的广泛采用对安全评估和漏洞发现构成了重大挑战。现有的协议逆向工程(PRE)方法常常由于语义理解有限以及在各种协议之间泛化能力差而受困，主要是因为它们孤立地对待每个协议，并未能利用工业控制协议(ICPs)内在的结构和语义共性。为了解决这个问题，我们引入了ICPPRAG，一个新颖的框架，它通过检索增强生成（RAG）将PRE转化为一个多源信息融合问题。我们设计了一种结构感知的分割策略来维护协议字段在知识融合期间的完整性，一个两阶段检索机制来增强融合信息的相关性，并且结构化的提示模板来引导大规模语言模型（LLMs）实现精确的字段级推理。对六个真实世界的专有协议（Delta_P, Hollysys_P, Melsoft, UMAS-A, UMAS-B, Wago_P）的评估表明，ICPPRAG 在字段分割方面实现了F1得分为0.67，在语义推理方面实现了F1得分为0.73，显著优于最先进的基准。此外，我们通过将推理结果集成到Boofuzz模糊测试框架中来验证融合知识的实际效用，成功生成了能够被目标可编程逻辑控制器（PLCs）正确解析的测试案例。本研究强调了多源知识融合在应对由不透明工业通信协议带来的安全挑战中的价值。

原文链接

可解释的时间图注意力网络和跨模态融合用于早期谣言检测

原标题：Interpretable temporal graph attention network and cross-modal fusion for early rumor detection

作者：Kuiyuan Ding；Shuhua Mao；Yingjie Yang

期刊：Information Fusion

出版时间：2026/11/01

摘要：在社交媒体广泛流行的情况下，谣言的迅速传播对社会稳定构成了严重威胁。因此，开发高效且准确的自动化谣言检测系统已成为一项关键任务。现有方法常常忽视传播的动态时间特征，采用简单的跨模态融合机制，并缺乏决策可解释性。解决这些挑战，我们提出了一种可解释的跨模态融合时序图注意力网络（TGA-CMF），用于早期谣言检测，在此中“跨模态”明确指异构融合文本语义、传播结构和时间动态。该模型的核心创新在于一个自适应的时间衰减图注意力网络（Temporal Decay GAT），它将“节点相对发布时间”作为动态属性来捕捉传播生命周期。同时，我们设计了一种全局结构引导的跨模态融合机制，利用全局图结构表示作为查询来选择性地过滤和聚合最具判别性的文本证据。得益于其时间感知能力以及支持双通道决策分析的透明架构，我们的模型在早期检测方面取得了优越的表现，如在PHEME等数据集上的实验所示。此外，在关键指标包括准确率和F1分数上，它显著优于基线模型。

原文链接

随机排列集理论中的一种新型组合规则

原标题：A novel combination rule in random permutation set theory

作者：Xiaoyan Su；Lei Wang；Zhihui Xu；Huiqun Yu

期刊：Information Fusion

出版时间：2026/11/01

摘要：随机置换集理论（RPST）通过用置换信息替换Dempster-Shafer理论（DST）中焦元的组合信息，建立了一个处理不确定信息的新理论框架，从而使其能够应用于更广泛的多源信息融合场景。如何高效融合随机置换集(RPSs)是该理论的核心问题。大多数现有的RPS融合方法采用正交和框架（该框架源自Dempster规则），并且具有良好的数学性质。然而，在计算冲突系数时，当前的融合方法仅处理置换事件元素之间的冲突，而未充分考虑其排序引起的冲突。此外，现有的融合方法也可能受到诸如不合理信念分布和融合后原始顺序信息丢失等限制。为解决这些问题，提出了一种新的RPS组合规则：首先，定义了一个新的RPS冲突系数，该系数全面考虑了排列事件之间的元素冲突和元素顺序冲突。基于此，提出了一种新的RPS组合规则。新的组合规则通过左右交集的联合操作保持原始顺序信息，满足交换律，并在忽略排列事件内部元素顺序时退化为德姆斯特特规则。最后，数值例子验证了所提出方法的优越性，并且一个航空威胁评估案例进一步证实了其可行性和应用前景。

原文链接

跨域图融合：通过双分支GNN连接肾脏点云和肠道微生物特征进行疾病预测

原标题：Cross-domain graph fusion: Bridging kidney point clouds and gut microbiome features via dual-branch GNNs for disease prediction

作者：Minjie Zhou；Jing Wang；Yugui Zhang

期刊：Information Fusion

出版时间：2026/11/01

摘要：为了应对肠道-肾脏轴失调在慢性肾脏病(CKD)进展中的关键作用以及有效融合空间三维肾脏几何数据与非欧几里得微生物组数据的挑战，本文提出了Point-BioGNN，一种新的跨域图神经网络框架。采用双流架构，该框架利用动态图卷积网络（DGCNN）从肾脏点云中捕获细粒度形态特征，并通过图注意力网络（GAT）提取微生物群落的高阶结构特征。利用一个专门的跨域注意力融合模块，该模型实现了几何特征和生物特征在潜在空间中的自适应对齐，有效地弥合了‘形态学和微生态’之间的语义鸿沟。在临床数据集上的实验表明，Point-BioGNN 在疾病预测任务中显著优于现有的基准模型。此外，可视化分析成功揭示了特定致病属与肾皮质形态变化之间的深层关联。本研究不仅验证了多模态融合的有效性，还提供了一种可解释的非侵入式AI分析工具，用于解析肠-肾轴相互作用机制。

原文链接