Scalable and Efficient Multimodal Deep Learning Models for Real-World Applications 征稿
2025-03-13
358
Scalable and Efficient Multimodal Deep Learning Models for Real-World Applications 征稿，本特刊开设于Computers Materials & Continua（ISSN: 1546-2218, SCIE）期刊。Computers Materials & Continua是一本计算机领域的开放获取期刊，由Tech Science Press出版发行，同时，此刊涉及的研究方向还包含材料科学。
客编信息：
Dr. Dilbag Singh, New York University, USA
Dr. Vijay Kumar, NIT Jalandhar, India
Dr. Manjit Kaur, SR University, India
特刊背景：
随着人工智能（AI）技术的飞速发展，多模态深度学习模型已经能够处理和融合来自文本、图像、音频和视频等多种类型的数据。这些模型在各种应用场景中展现出了卓越的性能。然而，随着这些模型在现实世界环境中的应用需求日益增长，特别是在处理能力、内存和能源受限的边缘设备（如智能手机、可穿戴设备和物联网设备）上，如何在保证性能的同时提高模型的可扩展性和效率，成为了亟待解决的问题。
本特刊旨在强调，在保证多模态深度学习模型性能的同时，提高其可扩展性和效率的重要性。我们期待展示最新的研究成果和进展，这些成果和进展关于如何在保持高性能的同时，降低计算复杂性、内存使用和能源消耗，使多模态深度学习模型能够部署在轻量级设备上，满足现实世界的应用需求。我们欢迎有关开发可大规模部署模型的研究，这些研究应重点关注降低计算复杂性、内存使用和能源消耗，同时保持高性能。本特刊将汇总各种创新方法，使多模态深度学习模型在实际应用中更加实用和有效。
截稿日期：
2025年6月1日
征稿主题（包括但不限于）：
● 多模态深度学习的可扩展架构
● 针对边缘和物联网设备设计的轻量级多模态深度学习模型
● 模型压缩技术
● 多模态深度学习的高效训练策略
● 多模态数据融合技术
● 针对多模态学习的自动化模型优化（AutoML）
● 实时多模态处理
● 多模态深度学习的基准测试和评估
● 多模态模型中的安全性和隐私问题
● 真实世界部署中的案例研究
期刊分析：
CAR指数
CAR指数是一种评价期刊学术诚信风险的指数，CAR指数低于5%设定为低风险，处于5-10%被认为是中风险，大于10%为高风险。从网站（www.jcarindex.com）的检索结果来看，Computers Materials & Continua在2022-2024年的CAR指数均为0%，这些数据表明该期刊目前处于低风险水平。
中科院预警情况
近五年，Computers Materials & Continua均未进入中国科学院《国际期刊预警名单（试行）》名单。
影响因子发展趋势
在JCR的影响因子变化趋势图中可以了解到，从2019年至今，Computers Materials & Continua的影响因子水平相对稳定，说明期刊出版物质量管理较好。
期刊年发文趋势
通过在WoS数据库检查期刊近五年的发文数据，可以了解到Computers Materials & Continua近五年发文数量持续增长，在2022年达到1469篇。近五年的发文中，国内学者发文数量位于第二位，表明国内学者比较倾向于把文章发表到该刊，且该刊比较认可中国学者的学术成果。
