IEEE信号处理学会正在为即将出版的《IEEE信号处理精选主题期刊》（JSTSP）征集论文，本期特刊聚焦于一个快速发展的前沿领域：网络化AI中的自主与进化式优化。
根据征稿通知，该主题代表了信号处理与人工智能领域的一种变革性范式，将传统信号处理技术与现代深度学习方法相结合。
主办方表示，这一方法融合了传统知识驱动的自适应信号处理技术与以数据为中心的深度神经网络模型，使系统能够在网络化AI模型的持续推理过程中动态获取高质量数据。
该概念的核心在于具备自我优化能力的网络化AI系统，其通过自适应反馈机制实现持续进化。这些系统能够通过在线自适应生成对应的奖励信号与伪标签，对每个独立模型进行优化，主办方认为这一过程与复杂组织随时间演化的方式高度相似。
征稿通知还重点强调了统一不同机器学习范式的潜力，指出此类系统能够通过自适应信号处理，将监督学习与强化学习统一于AI的网络系统之中。
多智能体系统是本次特刊的重要关注方向之一。在这类系统中，分布式AI模型之间存在动态交互，据称这种交互能够实现网络化AI的自主自我优化与进化，确保在无需人工干预的情况下，系统在时变环境中保持稳健性能。
本期特刊涵盖多个学科领域，包括信号处理、通信与工业自动化。建议的应用场景包括大语言模型、自动驾驶系统以及实时三维重建等。
主办方表示，本期特刊旨在巩固并拓展网络化AI模型自适应与在线优化的基础理论，推动智能信号处理系统领域的持续进步。
投稿截止日期为2026年6月15日，计划于2027年1月正式出版。本期特刊由复旦大学的宋亮教授牵头，联合来自加拿大、以色列、希腊和中国等多家机构的客座编辑共同主持。
A：本期JSTSP特刊聚焦于网络化AI中的自主与进化式优化，核心方向包括：将传统自适应信号处理技术与深度神经网络模型相融合，研究多智能体系统中的自主自我优化机制，以及探索如何通过自适应信号处理统一监督学习与强化学习。应用场景涵盖大语言模型、自动驾驶系统和实时三维重建等多个领域。
A：传统AI系统通常依赖固定模型和人工干预进行调整，而网络化AI自主优化系统能够通过自适应反馈机制实现自我进化，在无需人工干预的情况下，在线自动生成奖励信号与伪标签，对每个子模型进行动态优化，从而在时变环境中保持稳健性能，大幅降低对人工操作的依赖。
A：本期JSTSP特刊的投稿截止日期为2026年6月15日，预计正式出版时间为2027年1月。特刊由复旦大学宋亮教授担任主编，并联合来自加拿大、以色列、希腊和中国等国家和地区的多位客座编辑共同负责组稿工作。详细的投稿指南可通过IEEE信号处理学会官方网站获取。Pg电子平台网址Pg电子平台网址