近年来，后量子密码与人工智能技术的快速发展，正在重塑信息技术的安全基础与智能能力。面对传统密码体制在量子计算环境下的潜在安全挑战，后量子密码已成为国际研究前沿；多模态大模型的持续演进则对训练数据质量与计算效率提出了更高要求。围绕安全、可信与高效开展关键基础研究，不仅有助于筑牢未来数字系统的安全底座，也为人工智能技术的低成本发展开辟了新的路径。

近日，华东师范大学软件工程学院（滴水湖国际软件学院）研究生在网络与信息安全、多模态人工智能两个前沿方向取得新进展，两项研究成果分别获网络与信息安全领域国际顶级会议USENIX Security 2026和多媒体领域国际顶级会议ACM Multimedia 2026（ACM MM 2026）录用。华东师范大学均为论文的第一作者和通讯作者单位。

两项工作分别聚焦面向后量子安全的非交互密钥交换与面向视觉指令微调的高效数据选择，从数字系统的安全底座和多模态模型的训练效率两个层面，为构建更加可信、高效的智能信息系统提供了新的研究思路。

研究成果：面向后量子安全的格上非交互密钥交换Non-Interactive Key Exchange from Lattices in the Standard Model

该成果在网络与信息安全领域国际顶级会议USENIX Security 2026（35th USENIX Security Symposium）发表。论文第一作者为学院2023级博士研究生李英，导师为张磊研究员，其他合作者来自陕西师范大学。

非交互密钥交换（Non-Interactive Key Exchange，NIKE）允许通信双方利用公开信息直接建立共享密钥，无需同时在线，适用于大规模分布式系统、安全群组通信和异步密钥建立。然而，现有方案往往难以同时兼顾抗量子安全、非交互性、标准模型安全与紧致归约，部分方案的安全损失还会随用户规模快速增长。

针对上述问题，该研究提出解耦密钥封装机制（Decoupled KEM），将密文生成与面向特定接收方的密钥派生解耦，并建立多用户安全模型MU-IND-wCCACorr+，为构造满足CKS-heavy安全性的NIKE协议提供通用框架。进一步地，该研究利用哈希证明系统（Hash Proof System，HPS）对解耦密钥封装机制进行了实例化，并针对格密码中噪声会影响协议正确性的关键难题，设计了基于Module-LWE困难问题和协调机制的格上HPS，在标准模型下同时满足正确性与平滑性要求。由此构造得到的格上非交互密钥交换协议。该协议无需依赖随机预言机即可获得后量子安全性，并在允许自适应用户腐化的CKS-heavy安全模型下实现关于系统用户数量的线性安全归约损失。相比已有格上方案在相同安全模型下可能产生的二次安全损失，该成果使安全归约达到接近已知最优界的水平，在理论安全性与实际参数效率之间取得了更好的平衡。

研究成果：面向视觉指令微调的可扩展免训练数据选择ScalSelect: Scalable Training-Free Multimodal Data Selection for Efficient Visual Instruction Tuning

该成果被多媒体领域国际顶级会议ACM Multimedia 2026（ACM MM 2026）录用。论文第一作者为学院2024级博士研究生邬长倜，由学院张磊研究员和北京中关村学院/中关村人工智能研究院陈凯研究员联合指导，其他合作者来自北京中关村学院、香港理工大学、哈尔滨工业大学、华中科技大学、香港科技大学（广州）及北京中关村人工智能研究院。

视觉指令微调数据规模持续增长，但其中大量冗余样本使全量训练成本高昂。现有数据选择方法常需额外训练、梯度计算或代理模型，部分免训练方法仍依赖外部模型、辅助数据集或忽略指令的视觉表征，并受制于样本两两比较的二次复杂度，难以兼顾选择质量与计算效率。

针对上述问题，该研究提出可扩展的免训练的多模态数据选择方法ScalSelect，首先从目标模型语言模块的第一层Transformer中提取“指令条件化早期表征”：根据用户指令词元对视觉词元的注意力，聚合与当前指令最相关的视觉信息，从而减少无关视觉内容的干扰。随后，方法从全局视角估计完整数据表征空间的主导低秩子空间，并依据每个样本对该主子空间的贡献进行重要性评分，选择能够有效保留整体数据结构的紧凑子集。该设计摆脱了样本两两比较，使选择过程相对于样本数量具有线性时间复杂度，能够更好地适应大规模多模态数据。在多个视觉语言模型、数据集、选择比例和评测基准上的实验表明，ScalSelect在显著压缩训练数据的同时仍能保持有竞争力的模型性能。在仅使用16%训练数据的情况下，ScalSelect在两个数据集上的LLaVA-Vicuna-7B实验中达到全量训练性能的97.5%以上，并在相关Qwen3-VL实验中超过全量数据训练。

此次两项成果分别面向后量子密码与多模态人工智能中的关键基础问题：一项通过新的密码学原语与紧致安全归约提升未来网络环境中的安全保障能力，另一项通过指令感知、全局结构保持的数据选择降低大模型训练的数据与算力负担。两项研究虽分属不同领域，却共同体现了学院围绕“安全、可信、高效”开展基础研究与技术创新的持续探索，也展现了学院研究生在国际学术前沿中的创新活力。