在科學研究
、高性能計算、生命科學
、fangzhenmoxingdenggexingyedediedaigengxindejintian，xinxikexuejihushisuoyouxuekezhongdejichu，suoyihangshijichushizaibixing
，xinxikexueshiyanjiuxinxiyundongguilvheyingyongfangfadekexue，shiyouxinxilun
、控製論
、計算機理論

、深度學習理論
、人工智能理論
、加速存儲理論和係統論相互滲透、相互結合而成的一門新興綜合性科學。其支柱為信息論、係統論和控製論。

背景+

科學研究的世界呈現出蔓延生長、不bu斷duan演yan化hua的de景jing象xiang。科ke研yan管guan理li者zhe和he政zheng策ce製zhi定ding者zhe需xu要yao掌zhang握wo科ke研yan的de進jin展zhan和he動dong態tai，以yi有you限xian的de資zi源yuan來lai支zhi持chi和he推tui進jin科ke學xue進jin步bu。對dui於yu他ta們men而er言yan
，洞dong察cha科ke研yan動dong向xiang

、尤其是跟蹤新興專業領域對其工作具有重大的意義。

為此，發布了 “信息科學”數(shu)據(ju)和(he)報(bao)告(gao)。定(ding)義(yi)一(yi)個(ge)被(bei)稱(cheng)作(zuo)信(xin)息(xi)科(ke)學(xue)的(de)專(zhuan)業(ye)領(ling)域(yu)的(de)方(fang)法(fa)，源(yuan)自(zi)於(yu)科(ke)學(xue)研(yan)究(jiu)之(zhi)間(jian)存(cun)在(zai)的(de)某(mou)種(zhong)特(te)定(ding)的(de)共(gong)性(xing)。這(zhe)種(zhong)共(gong)性(xing)可(ke)能(neng)來(lai)自(zi)於(yu)實(shi)驗(yan)數(shu)據(ju)，也(ye)可(ke)能(neng)來(lai)自(zi)於(yu)研(yan)究(jiu)方(fang)法(fa)

，或(huo)者(zhe)概(gai)念(nian)和(he)假(jia)設(she)
，並(bing)反(fan)映(ying)在(zai)研(yan)究(jiu)人(ren)員(yuan)在(zai)論(lun)文(wen)中(zhong)引(yin)用(yong)其(qi)他(ta)同(tong)行(xing)的(de)工(gong)作(zuo)這(zhe)一(yi)學(xue)術(shu)行(xing)為(wei)之(zhi)中(zhong)。

通(tong)過(guo)持(chi)續(xu)跟(gen)蹤(zong)全(quan)球(qiu)最(zui)重(zhong)要(yao)的(de)科(ke)研(yan)和(he)學(xue)術(shu)論(lun)文(wen)，研(yan)究(jiu)分(fen)析(xi)論(lun)文(wen)被(bei)引(yin)用(yong)的(de)模(mo)式(shi)和(he)聚(ju)類(lei)，特(te)別(bie)是(shi)成(cheng)簇(cu)的(de)高(gao)被(bei)引(yin)論(lun)文(wen)頻(pin)繁(fan)地(di)共(gong)同(tong)被(bei)引(yin)用(yong)的(de)情(qing)況(kuang)，可(ke)以(yi)發(fa)現(xian)信(xin)息(xi)科(ke)學(xue)。 當一簇高被引論文共同被引用的情形達到一定的活躍度和連貫性時，就形成一個信息科學，而這一簇高被引論文便是組成該信息科學的“核心論文”。信xin息xi科ke學xue的de分fen析xi數shu據ju揭jie示shi了le不bu同tong研yan究jiu者zhe在zai探tan究jiu相xiang關guan的de科ke學xue問wen題ti時shi會hui產chan生sheng一yi定ding的de關guan聯lian，盡jin管guan這zhe些xie研yan究jiu人ren員yuan的de背bei景jing不bu同tong或huo來lai自zi不bu同tong的de學xue科ke領ling域yu。

總之，信息科學的分析提供了一個獨特的視角來揭示科學研究的脈絡。信息科學的分析不依賴於對文獻的人工標引和分類(因為這種方法可能會有標引分類人員判斷的主觀性)
，而是基於研究人員的相互引用而形成的知識之間和人之間的聯絡。這些信息科學的數據連續記載了分散的研 究領域的發生、彙聚、發展(或是萎縮
、消散)
，以及分化和自組織成更近的研究活動節點。在演進的過程中，每組核心論文的基本情況，如主要的論文、作者、研究機構等，都可以被查明和跟蹤。通過對該信息科學的施引論文的分析，可以發現該領域的最新進展和發展方向。

2021 年，在以往係列信息科學報告的基礎上
，推出了《2021信息科學》分析報告。報告仍然以文獻計量學中的共被引分析方法為基礎， 基於Essential Science Indicators™ (ESI)數據庫中的 12147 個信息科學，遴選出了 2021年自然科學和社會科學的11大學科領域排名最前的110個信息科學和61個新興前沿。

方法論+

整個分析工作分為兩個部分：信息科學的分析和重點信息科學（包括重點信息科學和重點新興前沿）的遴選及解讀由中國科學院科技戰略谘詢研究院科技戰略情報研究所主持完成。 此次分析基於2015-2020年的論文數據。

1.1信息科學的遴選與命名

《2021信息科學》分析報告反映了當前自然科學與社會科學的11大學科領域的171個信息科學（包括110個熱點前沿和61個新興前沿）。我們以ESI數據庫中的12147個信息科學為起點，遴選目標是要找到那些較為活躍或發展迅速的信息科學。報告中所列的171個信息科學的具體遴選過程如下：

1.1.1熱點前沿的遴選

首先把ESI數據庫的20個學科劃分到11①個高度聚合的大學科領域中，然後對每個ESI學科中的信息科學的核心論文，按照總被引頻次進行排序，提取排在每個ESI學科前10%的最具引文影響力的信息科學，並將其整合到11大學科領域中，以此數據為基礎，再根據核心論文出版年的平均值重新排序，遴選出每個領域中那些“最年輕”的信息科學
，並由各學科戰略情報研究人員進行調整和歸並。通過上述幾個步驟在每個大學科領域分別選出10個熱點前沿，共計110個熱點前沿。 因為每個領域具有不同的特點和引用行為，有些學科領域中的很多信息科學在核心論文數和總被引頻次上會相對較小，所以從11 大學科領域中分別遴選出的排名前10的熱點前沿，代表各大學科領域中最具影響力的信息科學， 但並不一定代表跨數據庫（所有學科）中最大最熱的信息科學。

1.1.2新興前沿的遴選

一yi個ge信xin息xi科ke學xue有you很hen多duo新xin近jin的de核he心xin論lun文wen，通tong常chang提ti示shi其qi是shi一yi個ge快kuai速su發fa展zhan的de專zhuan業ye研yan究jiu方fang向xiang。為wei了le選xuan取qu新xin興xing的de前qian沿yan，組zu成cheng信xin息xi科ke學xue的de基ji礎chu文wen獻xian即ji核he心xin論lun文wen的de時shi效xiao性xing是shi優you先xian考kao慮lv的de因yin素su。這zhe就jiu是shi為wei什shen麼me我wo們men稱cheng其qi為wei新xin興xing前qian沿yan。為wei了le識shi別bie新xin興xing前qian沿yan，我wo們men對dui信xin息xi科ke學xue中zhong的de核he心xin論lun文wen的de出chu版ban年nian賦fu予yu了le更geng多duo的de權quan重zhong或huo優you先xian權quan
，隻zhi有you核he心xin論lun文wen平ping均jun出chu版ban年nian在zai2019年6月之後的信息科學才被考慮，將每個ESI學科的信息科學按被引頻次從高到低排序


，選取被引頻次排在前10% 的信息科學，然後各學科戰略情報研究人員經過調研和評審，遴 選出每個ESI學科中的新興前沿， 並將其整合到11大學科領域中
， 從而遴選出了 11大學科領域的61 個新興前沿，這61個新興前沿最早的平均出版年是2019.5。遴選不限定學科
，因此61個新興前沿在11大學科領域中分布並不均勻
， 例如，數學領域沒有新興前沿入選，物理學、地球科學、信息科學等領域分別隻有一個新興前沿，而臨床醫學領域則選出了29個新興前沿。通過以上兩種方法，這份報告突出顯示了 11個高度聚合的大學科領域中的110個熱點前沿和61個新興前沿。

1.1.3信息科學的命名

由各學科戰略情報研究人員
， 根據信息科學的核心論文的研究主題、主要內容和特點等
，對171個信息科學逐一進行命名
，並征求專家意見調整確定。

1.2信息科學的分析及重點信息科學的遴選和解讀

本報告在遴選的171個信息科學的數據的基礎上，由中國科學院科技戰略谘詢研究院的戰略情報研究人員對11大學科領域的110個熱點前沿的發展趨勢進行了分析，並對31個重點信息科學和 2個前沿群進行了詳細的解讀（見後續各章）。重點信息科學包括重點熱點前沿和重點新興前沿兩部分。

信息科學由一組高被引的核心論文和一組共同引用核心論文的施引文獻組成。核心論文來自於ESI數據庫中的高被引論文
，即在同學科同年度中根據被引頻次 排在前1%的論文。這些有影響力的核心論文的作者、機構、國家在該領域做出了不可磨滅的貢獻, 本報告對其進行了深入分析和解讀。同時，引用這些核心論文的施引文獻可以反映出核心論文所提出的技術、數據
、理論在發表之後是如何被進一步發展的，即使這些引用核心論文的施引文獻本身並不是高被引論文。

1.2.1重點信息科學的遴選

2014年設計了遴選重點信息科學的指標CPT，2015年在年篇均被引頻次（CPT）指標的基礎上， 又增加了規模指標，即核心論文數（P）。

（1）核心論文數（P）

ESI數據庫用共被引文獻簇（核心論文）來表征信息科學
， 並根據文獻簇的元數據及其統計結果揭示信息科學的發展態勢， 其中核心論文數（P）總量標誌著信息科學的大小
，文獻簇的平均出版年和論文的時間分布標誌著 信息科學的進度。核心論文數（P）表達了信息科學中知識基礎的重要程度。在一定時間段內
，—個前沿的核心論文數（P）越大
，表明該前沿越活躍。

（2）年篇均被引頻次（CPT）

遴選重點信息科學的指標年篇均被引頻次（CPT）的計算方法是核心論文的總被引頻次（C）除以 核心論文數（P）
，再除以施引文獻所發生的年數（T）。“施引文獻所發生的年數”指施引文獻集合中最新發表的施引文獻與最早發表的施引文獻的發表時間的差值。如最新發表的施引文獻的發表時間為2020年，最早發表的施引文獻的發表時間為2016年，則該施引文獻所發生的年數為4。

CPTshijishangshiyigexinxikexuedepingjunyinwenyingxiangliheshiyinwenxianfashengnianshudebizhi

，gaizhibiaoyuegaodaibiaogaiqianyanyuerehuoyuejuyouyingxiangli。tafanyinglemouxinxikexuedeyinwenyingxianglideguangfanxinghejishixing，keyiyongyutancexinxikexuedetuxian、發展以及預測信息科學下一個時期可能的發 展zhan。該gai指zhi標biao既ji考kao慮lv了le某mou信xin息xi科ke學xue受shou到dao關guan注zhu的de程cheng度du
，即ji核he心xin論lun文wen的de總zong被bei引yin頻pin次ci，又you考kao慮lv了le該gai信xin息xi科ke學xue受shou關guan注zhu的de時shi間jian長chang短duan，即ji施shi引yin文wen獻xian所suo發fa生sheng的de年nian數shu。

在信息科學被持續引用的前提下，當兩個信息科學的P和T值分別相等時
，則C值較大的信息科學的CPT值也較大
，指示該信息科學引文影響力較大。

當兩個信息科學的C和P值分別相等時，則T值較小的信息科學的CPT值會較大，指示該信息科學在短期內受關注度較高。

當兩個信息科學的C和T值分別相等時，P值較小的信息科學的CPT反而會較大，指示該信息科學中核心論文的平均引文影響力較大。

《2021信息科學》在重點信息科學的遴選過程中
，從每個大學科領域的10個“熱點前沿”中， 利用核心論文數（P）和CPT指標

，結合戰略情報研究人員的專業判斷，遴選出兩個重點熱點前沿。 專業判斷主要考慮該前沿是否對解決重大問題有重要意義。一方麵
， 選擇核心論文數（P）最高的前沿， 如果P最高的前沿已經在往年的研 究前沿中解讀過且核心論文沒有顯著變化，則選擇P次高的前沿， 依次類推。同時，用CPT指標結合專業判斷遴選出一個重點熱點前沿。綜合這兩種方法共遴選出22 個重點熱點前沿。從新興前沿中， 利用CPT指標結合戰略情報研究人員的判斷遴選出9個重點新興前 沿和2個新興刖沿群。因此從171 個信息科學中共遴選出31個重點前沿和2個前沿群進行深入解讀。

1.2.2信息科學的分析和解讀

在報告遴選的171個信息科學的數據基礎上，綜合分析11大學科領域的110個熱點前沿的發展趨勢
，研究揭示新興前沿的研究主題， 並對33個重點信息科學（群）進行了詳細的解讀。

（1）熱點前沿分析及重點熱點前沿的解讀

對於每個學科領域，結合TOP10熱點前沿的核心論文的數量、被引頻次、核心論文平均出版年，以及施引論文的年度變化，分析TOP10熱點前沿的發展趨勢， 包括覆蓋的重點方向、前沿（群） 分布特征及演變趨勢。

每個學科領域的第一張表展示各自的前10個熱點前沿的核心論文的數量
、被引頻次以及核心論文平均出版年。每個領域的10個熱點信息科學中引用核心論文的論文（施引文獻）的年度分布用氣泡圖的方式展示。氣泡大小表示每年施引文獻的數量，對於那些施引文獻量大
、而施引文獻所發生的年數少的前沿，也就是CPT值的前兩種情況，可以從圖中直觀地看出哪些是重點熱點前沿。但是對於核心論文（P）較jiao少shao的de情qing況kuang，則ze需xu要yao結jie合he數shu據ju來lai看kan。大da部bu分fen信xin息xi科ke學xue的de施shi引yin文wen獻xian每mei年nian均jun有you一yi定ding程cheng度du的de增zeng長chang
，因yin此ci氣qi泡pao圖tu也ye有you助zhu於yu對dui信xin息xi科ke學xue發fa展zhan態tai勢shi的de理li解jie。

對每個學科領域遴選出的兩個重點熱點前沿
，深入分析解讀其概念內涵、發展脈絡、研究力量布局等
，揭示被引頻次較高的核心論文的研究內容

、價值、影響。

每個重點熱點前沿的第一張表對該熱點前沿的核心論文的產出國家、機構活躍狀況進行了統計分析， 有助於揭示出哪些國家、機構在該熱點前沿中有較大貢獻。第二張表 則對該熱點前沿的施引文獻的產出國家和機構進行了統計分析，有助於探討哪些國家
、機構在該熱點前沿的發展中的研究布局。

（2）新興前沿分析及重點新興前沿的解讀

新興前沿的體量（核心論文及 其施引文獻）jiaoxiao
，tongjishujudefenxiyiyibuda。yinci，zhuyaoyouzhanlveqingbaoyanjiurenyuanjieshixinxingqianyandeyanjiuzhuti，bingduizhongdianxinxingqianyandehexinlunwenjixiangguanxinxijinxingneirongfangmiandedingxingfenxijiedu，jicikeyilejiezhongdianxinxingqianyandejibengainian

、最新科研突破及未來發展前景。

信息技術+

1.熱點前沿及重點熱點前沿解讀

1.1信息科學領域Top 10熱點前沿發展態勢

信息科學領域位居前十位的熱點前沿主要集中於麵向6G通信
、 植物分類和病害檢測、心電圖分類和心率失常自動診斷、人類活動識別
、視頻動作識別、多模態情感分析、電子健康檔案數據挖掘等領域的深度學習方法研究，以及區塊鏈技術
、通路數據庫


、無人機輔助通信技術等方向
，與深度學習相關的主題占據了今年Top10 熱點前沿的大部分主題。“基於無人機的無線通信技術”是2020年熱點前沿“無人機無線通信網絡
、 傳輸保密和軌跡優化研究”的延續和擴展
，其他前沿主題均為首次入選。

信息科學領域Top 10熱點前沿

信息科學領域Top 10熱點前沿的施引論文

1.2重點熱點前沿一“麵向視頻動作識別的深度神經網絡研究”

隨著視頻設備和網絡的普及，視頻理解和動作識別吸引了越來越多研究者的關注。相比圖像來說， 視shi頻pin內nei容rong和he背bei景jing更geng加jia複fu雜za多duo變bian
，不bu同tong的de動dong作zuo類lei別bie之zhi間jian具ju有you相xiang似si性xing
，而er相xiang同tong的de類lei別bie在zai不bu同tong環huan境jing下xia又you有you著zhe不bu同tong的de特te點dian。目mu前qian，視shi頻pin動dong作zuo識shi別bie常chang用yong的de技ji術shu有you基ji於yu人ren工gong特te征zheng的de視shi頻pin動dong作zuo識shi別bie、基於雙流的神經網絡
、基 於三維卷積的神經網絡等。在實際應用中，精確的動作識別有助於輿情監控、廣告投放
、視頻檢索
、智能醫療監控、自動駕駛和交通安防等相關的任務。

熱點前沿“麵向視頻動作識別 的深度神經網絡研究”包含13篇 核心論文，內容涵蓋視覺基因組 (Visual Genome)數據集、動作識別的時空表示學習
、深層視覺語義對齊、基於長期遞歸卷積網絡的視覺識別和描述、長期時間卷積動作識別、用於動作識別的非對稱三維卷積神經網絡、用於動作識別的時空可變形三維注意網絡。在被引頻次超過100次的7篇核心論文中 ，美國主導發表3篇，分別來自加州大學伯克利分校和斯坦福大學
，後者貢獻兩篇
；中國主導發表2篇，分別來自中國科學院深圳先進技術研究院和天津大學；法國主導發表2篇，分別來自法國國家信息與自動化研究所和法國國家科學研究中心。

在13篇核心論文中，被引頻次最高的是加利福尼亞大學伯克利分校Jeff Donahue博士 2017年發 表在《IEEE Transactions on Pattern Analysis and Machine Intelligence^ 上 的 “Long-Term Recurrent Convolutional Networks for Visual Recognition and Description”，被引209次，文章提出一個長期時間遞歸卷積網絡（LRCN）模型
，一種適用於大規模視覺學習的端到端可訓練的新型遞歸卷積結構
，並展示了這些模型在基準視頻識別任務、圖像描述和檢索問題以及視頻敘述挑戰方麵的價值。被引頻次較高的論文 還包括斯坦福大學李飛飛團隊2017 年發表在 “International Journal of Computer Vision^ 上的“Visual Genome: Connecting Language and Vision Using Crowdsourced Dense Image Annotations"
，該論文利用眾包 方法構建了視覺基因組(Visual Genome)數據集
，這是第—大 規模的視覺關係數據集
，提供物體的交互和屬性的詳細標簽，將語義和圖像結合起來，推動人工智能的進一步發展。Visual Genome是李飛飛教授團隊後ImageNet時代在計算機理解圖片上的訓練和測試數據集的又一重要成果。

美國和中國各貢獻5篇核心論文,法國貢獻3篇，荷蘭和英國各貢獻2篇。從核心論文的機構分布看
，法國布列塔尼盧瓦爾大學、法國國家信息與自動化研究所和中國科學院各貢獻3篇並列第一，美國斯坦福大學貢獻2篇排名第二。

“麵向視頻動作識別的深度神經網絡研究”研究前沿中核心論文的Top產出國家和機構

施引論文的角度來看,中國表現最突出，以630篇施引論文遙遙領先排名第二的美國（176篇），英國、澳大利亞、印度、 韓國等也表現不俗。施引論文Top產出機構全部為中國機構，中國科學院
、天津大學、浙江大學位列前三甲

，表明中國一批大學和科研機構在該前沿迅速開展了跟進研究, 並產出了眾多研究成果。

“麵向視頻動作識別的深度神經網絡研究”研究前沿中施引論文的Top產出國家和機構

1.3重點熱點前沿一“基於無人機的無線通信技術”

隨著物聯網應用的普及，無線網絡將支持數量龐大的接入設備
， 當dang前qian的de蜂feng窩wo基ji礎chu架jia構gou將jiang迎ying接jie巨ju大da的de挑tiao戰zhan。而er僅jin依yi靠kao部bu署shu傳chuan統tong的de地di麵mian基ji站zhan很hen難nan實shi現xian萬wan物wu互hu聯lian，例li如ru
，在zai偏pian遠yuan或huo者zhe地di勢shi險xian峻jun的de區qu域yu部bu署shu地di麵mian基ji站zhan麵mian臨lin著zhe成cheng本ben高gao

、部署難度大的問題；在災害發生區域和體育賽場等緊急和臨時的特殊場景中，地麵基站可能會出現過載甚至發生故障， 而臨時部署地麵通信設施耗時且耗資巨大。隨著低成本

、xiaoxinghuahejichenghuawurenjizaiminyonghegongyelingyudeguangfanyingyong，jiangwurenjizuoweikongzhongjizhanfuzhudimiantongxinchengweijiejuelinshixingteshuquyutongxinwentideyouxiaofangan，yeshidazaixianjinshoufaxinjihezhinengchuanganshebeijinxinggaosushujuchuanshuchengweiwuxiantongxinlingyudeyouyixindeyanjiuredian。zai2021 年7月中國河南省多地遭遇強降雨期間，搭載了移動公網基站的“翼 龍” -2H無人機空中應急通信平台
，實現了約50平方公裏範圍5小時的連續穩定移動信號覆蓋，打通應急通信保障生命線。

熱點前沿“基於無人機的無線通信技術”包含11篇核心論文，聚焦於通過無人機軌跡優化提高能量效率
；下(xia)行(xing)通(tong)信(xin)中(zhong)多(duo)用(yong)戶(hu)最(zui)小(xiao)吞(tun)吐(tu)量(liang)的(de)最(zui)大(da)化(hua)方(fang)案(an)，包(bao)括(kuo)通(tong)過(guo)優(you)化(hua)多(duo)用(yong)戶(hu)通(tong)信(xin)調(tiao)度(du)和(he)關(guan)聯(lian)以(yi)及(ji)無(wu)人(ren)機(ji)的(de)軌(gui)跡(ji)和(he)功(gong)率(lv)控(kong)製(zhi)來(lai)實(shi)現(xian)
，通(tong)過(guo)聯(lian)合(he)優(you)化(hua)無(wu)人(ren)機(ji)軌(gui)跡(ji)和(he)正(zheng)交(jiao)頻(pin)分(fen)多(duo)址(zhi)資(zi)源(yuan)分(fen)配(pei)來(lai)實(shi)現(xian)等(deng)；使用戶覆蓋數量最大化的無人機車載基站部署算法等。被引頻次在300次以上的論文共有5篇，其中4篇來自新加坡國立大學，另一篇來自美國弗吉尼亞理工大學。被引頻次最高的論文是新加坡國立大學 Zeng, Yong等人於2016年發表在《IEEE Communications Magazine》 上 的 “Wireless Communications with Unmanned Aerial Vehicles: Opportunities and Challenges” 一文，被引729次。文章概述了無人機輔助無線通信的基本網絡架構和信道特性，重點介紹了通信係統的 關鍵設計考慮因素，以及有待開發的新機遇。

新加坡貢獻了該前沿的大部分研究工作。從核心論文的機構分布看，新加坡國立大學發表的核心論文最多；華為公司的法國研發中心與法國巴黎薩克雷大 學、美國弗吉尼亞理工大學和芬蘭奧盧大學合作發表2篇論文。

“基於無人機的無線通信技術“研究前沿中核心論文的Top產出國家和機構

2.新興前沿及重點新興前沿解讀

2.1新興前沿概述

信息科學領域有1項研究入選新興前沿，“利用醫學影像檢測和診斷新冠肺炎的深度神經網絡研究”。

2.2重點新興前沿解讀一“利用醫學影像檢測和診斷新冠肺炎的深度神經網絡研究”

與新冠肺炎作鬥爭的一個關鍵步驟是對受感染患者進行有效篩查，以便受感染的病人能夠立即得 到治療和護理，並被隔離以減輕病毒的傳播。如何利用先進的人工智能深度學習技術迅速、準確地識別出新冠肺炎病情成為信息科學領域 的新興重點研究方向。

該前沿圍繞著如何利用深度學習技術在醫學影像數據中迅速識別新冠肺炎展開研究。在數據源方麵，大部分研究使用X光片進行自動識別，有2篇文獻采用CT影ying像xiang數shu據ju進jin行xing識shi別bie。在zai疫yi情qing初chu期qi，由you於yu可ke用yong的de數shu據ju集ji較jiao小xiao，部bu分fen研yan究jiu采cai用yong數shu據ju增zeng強qiang的de方fang法fa進jin行xing深shen度du學xue習xi訓xun練lian
，提ti升sheng對dui新xin冠guan肺fei炎yan的de識shi別bie性xing能neng。在zai識shi別bie方fang法fa方fang麵mian

，涉she及ji了le輔fu助zhu分fen類lei器qi生sheng成cheng對dui抗kang網wang絡luo（GAN）、深度遷移學習方法、多目標差分進化卷積神經網絡、Deep Bayes-Squeeze Net等。