主题 |
软件学院青年科技论坛 |
时间 |
2025年5月21日，周三14：00-16：00 |
地点 |
临江楼A106-107 |
报告人员 |
韩跃辉 邹鹏 王尧 陈鹏 杨乐游 田钰 |
主持人 |
许小龙 教授/副院长 |
主办单位 |
南京信息工程大学 软件学院 |
报告列表
14:00-14:20 |
报告：韩跃辉 主题：基于对比学习的自监督图表示学习方法研究 |
14:20-14:40 |
报告：邹鹏 主题：面向关联多过程的多传感器网络的信息新鲜度优化与状态误差分析 |
14:40-15:00 |
报告：王尧 主题：基于数据解析的钢铁工业生产过程建模与优化 |
15:00-15:20 |
报告：陈鹏 主题：纵向联邦学习后门风险评估与防御方法研究 |
15:20-15:40 |
报告：杨乐游 主题：无线接入网中基于学习优化的资源分配技术研究 |
15:40-16:00 |
报告：田钰 主题：面向人类与机器视觉的视觉质量评估研究 |
主讲人：韩跃辉
报告题目：基于对比学习的自监督图表示学习方法研究
个人简介：2024年11月获南京理工大学计算机科学与技术专业博士学位，研究领域为模式识别、计算机视觉，主要研究方向为自监督学习，涉及图、点云、动态点云等。目前，以第一作者在ECCV、ACM MM、TKDD等国际会议和期刊上发表论文4篇。
报告摘要：大数据时代下海量数据的涌现为人工智能的发展提供了无限动力，而自监督学习正是引领人工智能蓬勃发展的核心技术之一。作为一种高效的自监督表示学习方法，对比学习能够通过控制样本间的距离关系学习有效的数据表征，从而减轻对人工标注的依赖，为下游任务提供高效的特征表示。然而，虽然对比学习在众多领域取得了瞩目的成就，其在处理具有典型非欧几里得结构的图数据时依旧存在诸多问题。本报告将就如何针对图结构属性设计高效的对比学习问题进行探讨和研究。
主讲人：邹鹏
报告主题：面向关联多过程的多传感器网络的信息新鲜度优化与状态误差分析
个人简介：本科毕业于华东理工大学，后赴美国乔治华盛顿大学深造，先后获得理学硕士和哲学博士学位。长期致力于边缘计算、信息理论与网络性能分析等领域的研究工作，将信息年龄研究应用于物联网，边缘计算等领域，在性能评估与模型构建方面取得了一系列成果。博士期间作为核心成员参与导师Suresh Subramaniam教授主持的多项美国国家科学基金会（NSF）项目。迄今已发表多篇会议、期刊论文，包括IEEE/ACM ToN，IEEE TIT等国际知名期刊，ICC，ISIT，WCNC等国际知名会议。
报告摘要：物联网技术的快速发展使得多传感器协同监测系统在智能家居、工业自动化等领域广泛应用。这类系统通常面临协同监测效率的问题：单个动态过程可以同时被多个传感器检测到。因而，这些过程间的关联性可能影响整体传感器网络性能。我们研究多传感器系统中关联性数据更新的优化问题，通过建立信息新鲜度（AoI）与状态估计误差的联合分析模型，揭示传感器协作关系对系统性能的影响机制。研究发现，资源分配策略在特定临界参数下存在突变特性，为实际部署中的传感器组网优化提供了理论依据。
主讲人：王尧
报告题目：基于数据解析的钢铁工业生产过程建模与优化
个人简介：2016年6月获得南京信息工程大学自动化专业学士学位，2024年4月获得东北大学控制科学与工程专业博士学位（硕博连续）。主要研究方向包括演化算法及应用，机器学习及应用，基于数据驱动的工业过程建模与优化。博士期间先后参与国家级科研项目4项，以及多项国家大型企业的实际工程应用项目。目前，已在国外相关领域主流期刊和国际会议，如IEEE TEVC、IEEE TASE、Swarm Evol. Comput.、Neurocomputing等发表论文9篇。
报告摘要：钢铁工业生产过程通常具有工艺复杂、变量众多、强非线性、黑盒等特征，难以建立精确的工艺机理模型，而传统基于人工经验的生产操作容易导致能耗大、质量不稳定、生产成本高等问题。针对该问题，报告将从基于进化学习的生产过程建模、基于数据解析的多目标动态鲁棒操作优化等方面，介绍基于数据解析的钢铁工业生产过程建模与优化方法。
主讲人：陈鹏
主题：纵向联邦学习后门风险评估与防御方法研究
个人简介：讲师，中国计算机学会服务计算专委会委员。2024年6月毕业于复旦大学计算机科学与技术学院，获理学博士学位。主要研究领域为联邦学习、可信人工智能、金融科技。在IJCAI、ICDM、Computer & Secuirty等期刊和会议发表学术论文10余篇。
摘要报告：纵向联邦学习通过联合多个数据持有方进行特征建模，在本地数据不出库的情况下，实现了数据隐私保护下的决策任务性能增强。然而，纵向联邦学习固有的模型与数据分割特性，使得各参与方对其他方的特征输入、标签以及模型内部状态存在隐蔽性和不可见性。这种特性给纵向联邦学习的决策安全带来了严峻挑战，尤其体现在后门攻击的风险评估与有效防御方面。本报告旨在深入探讨和研究如何构建一个面向决策安全的纵向联邦学习框架，以应对这些挑战。
主讲人：杨乐游
报告主题：无线接入网中基于学习优化的资源分配技术研究
个人简介：数据科学与智能软件服务团队核心成员，博士毕业于东北大学计算机应用技术专业，师从贾杰教授。主要研究领域为边缘计算、无线网络、资源分配。博士期间参与国家自然科学基金重大研究计划、国家自然科学基金面上项目等多项科研项目，在TMC、TVT、VTC等国际期刊和会议上发表论文19篇。
报告摘要：随着移动通信技术的快速发展，用户对网络服务的需求持续攀升，新技术不断涌现。作为与用户距离最近的基础设施，无线接入网（Radio Access Networks，简称 RAN）承载着大量的通信资源，其性能取决于资源配置的合理性。鉴于传统算法效率低、缺乏学习能力，探索创新资源分配优化技术成为 RAN 智能化转型的必然选择。学习优化（Learning to Optimize，简称 L2O）作为近些年新兴的优化理论，借助机器学习技术可实现优化方法的智能化构建。L2O的核心理念是从优化问题的相关数据中挖掘有价值的求解信息，通过具有泛化能力的可学习优化器持续求解，最终实现求解质量的提升。这一基于数据驱动的过程可以高效地解决新的资源分配问题，训练好的模型兼具实时性和泛化性优势。
主讲人：田钰
报告主题：面向人类与机器视觉的视觉质量评估研究
个人简介：2025年2月获得香港城市大学计算机科学系博士学位，师从邝得互(Sam Tak Wu Kwong)教授。研究方向主要为针对特定应用场景下的视觉内容分析。工作涵盖针对特定应用场景，结合人类视觉系统/机器视觉系统的特性，全面评估视觉内容的质量，以此实现对视觉内容质量的监管，并优化视觉内容处理技术。目前，以第一作者在IEEE-TIP、IEEE-TCSVT、IEEE-TMM、AAAI等发表论文8篇。此外，2项发明专利获得国家正式授权。
报告摘要：视觉质量评估旨在量化视觉数据中因失真造成的质量损失，为多种以视觉为中心的系统提供质量监测标准和优化目标。随着人工智能和大模型技术的发展，视觉内容的生成方式和应用场景日益多样化，现有评估方法在泛化能力和适应性方面面临新的挑战。本报告围绕人类视觉系统和机器视觉系统的特点，重点分析了大模型、通用视觉感知和多模态交互背景下的质量评估需求与挑战，分别探讨了面向人类视觉感知和机器视觉感知的质量评估方法，提出针对不同应用场景的有效解决方案，以提升评估的针对性、实用性和可靠性。
软件学院
2025年5月19日
