文章总结： 成电数据与智能实验室3篇论文被CCF-A类会议WWW2026录用。首篇提出CHARGE方法解决高维时序预测效率瓶颈；次篇提出VisionST模型融合视觉信息优化交通预测；第三篇提出DESS框架解决流式数据漂移下的异常检测难题。这些成果在效率、精度与泛化能力上均取得显著突破。 综合评分： 50 文章分类： AI安全,数据安全

成电数据与智能实验室师生三篇文章获WWW 2026录用

信息网络安全杂志

2026年2月24日 17:00 上海

近日，成电数据与智能实验室师生有3篇论文成功入选人工智能与万维网交叉领域顶级会议 The Web Conference 2026（WWW 2026）。WWW是万维网领域历史悠久、学术影响力广泛的顶级国际会议之一，聚焦网络科学、信息检索、数据挖掘、自然语言处理、推荐系统等方向的前沿研究，同时也是中国计算机学会（CCF）推荐的A类国际学术会议。WWW 2026将于4月13日至4月17日在迪拜举办。

WWW 2026论文Research Track的录用率为20.1%，Industry Track的录用率为19.4%。入选论文如下：

01

论文题目：Efficient High-Dimensional Time Series Forecasting with Transformers: A Channel Reordering Perspective

作者：Yuchen Fang, Shiyu Wang, Yuxuan Liang, Zhou Ye, Yang Xiang, Yan Zhao, Kai Zheng*

简介：在现代Web 系统中，时间序列预测是支撑智能资源调度、在线服务优化和用户行为分析的关键技术。大规模 Web 平台持续产生来自用户交互、服务日志和基础设施监控的海量时序数据，这些数据通常具有维度高、相关关系复杂等特点。随着 Web 应用规模和复杂度不断提升，高维时间序列预测逐渐成为数据驱动 Web 服务中的核心挑战之一。然而，当通道数量从数百扩展到数千甚至上万时，传统时间序列预测方法在建模效率和系统可扩展性方面面临严峻瓶颈。近年来，显式建模变量（通道）间依赖关系的方法在预测精度上取得了显著进展，但这类方法通常依赖于全通道交互，其计算和存储复杂度随通道数量呈平方增长，难以满足 Web 场景中对低延迟和高吞吐的实际需求。同时，现有方法在建模通道依赖时往往采用统一的建模策略，忽略了高维时间序列中依赖结构的异质性。实际数据表明，部分通道之间呈现出强局部相关性，而另一些通道则表现为更为分散的全局依赖。未能有效区分并建模这两类依赖结构，会导致不同模式之间的相互干扰，从而限制预测性能的进一步提升。针对上述问题，本文提出了一种新的高维时间序列预测方法CHARGE（CHAnnel Reordering-guided Group TransformEr）。该方法通过自适应优化通道组织结构来提升模型的效率与表达能力。不同于传统基于静态通道顺序或显式聚类的方法，CHARGE 引入了一种能量引导的通道重排机制，将通道重新组织为低能量结构，从而自然暴露潜在的局部—全局依赖模式。在此基础上，本文设计了一种分组 Transformer，通过在组内建模局部依赖、在组间捕获全局关系，实现对异质通道依赖的解耦建模。

在高维时序数据集上的实验结果表明，CHARGE 能够扩展至包含上万通道的极高维场景，在显著降低计算复杂度和内存开销的同时，稳定提升预测精度，验证了其在 Web 场景下高维时间序列预测任务中的有效性与实用价值。

02

论文题目：VisionST: Coordinating Cross-modal Traffic Prediction with Interactive Geo-image Encoding

作者：Jinwen Chen, Hao Miao, Chenxi Liu, Yan Zhao*, Kai Zheng*

简介：交通预测是现代Web 技术和智慧城市应用中的关键基础任务，广泛服务于路径规划、交通调度与远程交通管理等智能服务。然而，现有多数方法主要依赖历史交通数据进行建模，忽略了道路结构、周边环境及社会事件等多种影响因素，难以全面刻画真实交通模式，导致预测性能受限。针对这一问题，论文指出 Web 来源的地理图像（如卫星影像）蕴含丰富的上下文语义信息，是表征多模态交通因素的重要载体。从多模态分析的角度出发，该论文提出了 VisionST，一种融合视觉信息的时空神经网络模型，实现了交通数据与地理图像之间的跨模态协同建模。VisionST 通过交互式地理图像编码机制，引入视觉语义来辅助交通预测，并设计了视觉语义提取机制与模式引导聚合机制，以增强模型对复杂、重叠交通模式的刻画能力。其中，视觉语义提取机制从地理图像中抽取节点级视觉特征及节点间视觉关系模式；模式引导聚合机制则融合视觉、空间与时间关系，引导交通节点在多维关系约束下进行信息交互。在多个真实大规模交通数据集上的实验结果表明，VisionST 在预测精度与稳定性方面均显著优于现有主流方法，验证了视觉增强时空建模在交通预测任务中的有效性与泛化能力，为多模态交通预测提供了一种通用且可扩展的解决方案。

VisionST流程图

03

论文题目：Evolving Proxy Kills Drift: Data-Efficient Streaming Time Series Anomaly Detection

作者：Qing Wei, Hao Miao, Yan Zhao, Kai Zheng*, Bin Yang, Volker Markl, Christian S. Jensen

简介：时间序列异常检测是各类 Web 系统中支撑监控告警、业务风控、在线运维与故障定位等场景的基础能力，其核心目标是识别时间序列中偏离正常样本分布的异常样本。然而，现实中的线上数据往往以流式方式持续更新，这导致数据分布会随时间漂移，异常形态也会不断变化。现有多数方法通常针对预定义异常类型离线训练，往往依赖较完整的历史数据反复迭代，难以在内存和资源受限的在线环境下兼顾稳定性与效率。针对这一痛点，论文提出了面向数据与资源约束的流式时间序列异常检测框架DESS，以不断演化的代理生成机制合成小规模但信息密集的proxy，实现了对历史数据的概括及持续更新。DESS通过异构时间特征提取机制显式建模多层语义间的相关性，以准确捕捉跨尺度模式与异常结构，并采用参数高效的训练策略在更新时仅激活少量轻量参数，以实现快速适配。在多个真实大规模数据集上的实验结果表明，DESS相比最佳基线获得17.53%的性能提升，同时训练时间最高降低64.88%，证明了其在分布漂移与异常演化并存的流式场景下兼顾效果与效率的有效性与可扩展性。

DESS流程图

来源：成电数据与智能实验室

往期精彩回顾

从竞赛“练兵场”到人才“孵化器”: 湖南大学、复旦大学、四川大学、西安邮电大学引领塑造网络安全新生力

守护语音安全: 华中科技大学CPSS团队如何打造Anti-Deepfake系统斩获创意作品赛冠军？

信息网络安全

《信息网络安全》创刊于2001年，是由公安部主管，公安部第三研究所、中国计算机学会主办，面向国内外公开发行的国内首批信息安全类期刊之一，于2015年成为中国科技核心期刊，2017年成为中国科学引文数据库来源期刊，2018年成为中文核心期刊，2022年入选CCF计算领域高质量科技期刊分级目录。

中文核心期刊

中国科技核心期刊

中国科学引文数据库来源期刊

CCF计算领域高质量科技期刊

我们在不断努力和完善中，期待您的关注和支持！

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：信息网络安全杂志 《成电数据与智能实验室师生三篇文章获WWW 2026录用》