一、基于张量的知识图谱推理

知识推理是大规模知识图谱构建和知识驱动的上层应用的核心技术，面对现有知识推理方法在邻域结构信息捕获、复杂关系语义学习、时序相邻模式构建等方面存在挑战，提出了基于张量运算的多关系图注意力网络，基于张量神经网络的时序交互嵌入学习方法，增量式布尔张量分解方法及增量知识推理，赋能知识图谱突破自身局限，促进人工智能向认知智能形态迈进。在IEEE TII、IEEE IoTJ高质量学术期刊上发表学术论文多篇，其中中科院1区论文3篇。

二、基于张量的轻量级神经网络

目前神经网络模型过于庞大，导致无法在资源有限的边缘设备上进行部署，需要云端进行决策再下发给边缘设备，存在潜在安全隐患。为降低模型的复杂度，以使其部署到边缘设备上，提出了新型的高效张量分解算法；提出了新型紧凑耦合的张量神经网络基本模块；提出了低计算复杂度和低空间复杂度的的轻量级张量神经网络模型，为在边缘设备上部署神经网络提供了新思路，实现了端的智能决策。在TITS、TOMM学术期刊上发表学术论文2篇。

三、基于张量的安全联邦学习

出于对数据隐私和安全的担忧，传统数据集中式深度学习往往面临着数据孤岛和数据饥荒等问题。为实现在打破数据孤岛、保护数据隐私的同时协同多个客户端训练高质量深度学习模型的目标，提出了新型张量分解算法；提出了轻量型通信高效的联邦学习模型；提出了基于同态加密的轻量型张量联邦学习模型保护方法，在保护数据隐私和保证模型安全的同时，为智慧医疗、智能交通等领域提供了协同训练高质量联邦学习模型的新方法。在TITS高质量学术期刊上发表学术论文1篇。

四、小样本人机物数据分析

针对人-机-物三元智慧空间在复杂应用场景下面临可用标注数据匮乏的难题，为实现在小样本甚至零样本困境下仍能进行人机物数据有效分析，提出面向小样本数据的张量原型图网络分析模型；提出面向零样本数据的张量对偶图网络分析模型；提出面向广义零样本数据的张量变分生成网络分析模型，有效缓解现有人工智能方法依赖大规模标注数据的问题，实现更加通用的人机物智能分析方法。在TNNLS等高质量学术期刊上发表学术论文2篇，其中SCI/EI检索论文2篇。

五、基于张量的可信图研究方法

图神经网络近年来得到了迅速的发展，其中就包含了很多高风险场景，如财务分析、流量预测和药物发现。虽然图神经网络能够复杂的图结构数据进行建模分析，但是缺乏相应的安全性保障。针对隐私性提出基于张量的图联邦学习；针对鲁棒性提出基于张量的对抗训练与基于张量分解的图去噪等；针对公平性提出基于张量的对抗去偏的公平性约束等针对可解释性提出基于张量知识图的实例级解释、模型级解释等，为可信图学习的方法研究提供了新的思路，实现了基于张量的多类别可信图学习的总体框架。