时间：2025 年 6 月 8 日（星期日）13:30-16:30
地点：南京信息工程大学临江楼A907-908
召集人：许小龙
1. 报告题目：AI增强的视频分析系统研究
讲者简介：
戴海鹏，南京大学计算机学院副教授，博导，国家级青年人才计划入选者。获ACM中国新星奖、IEEE可扩展计算技术委员会职业中期卓越研究成就奖、中国电子学会优秀科技工作者等荣誉。研究方向为物联网、数据挖掘、移动计算等。发表国际著名会议期刊论文270余篇，含CCF A类110余篇，包括SIGMOD、VLDB、ICDE、WWW、EuroSys、ATC、NSDI、UbiComp、INFOCOM等国际一流会议。曾获CCF A类会议INFOCOM最佳论文提名奖，CCF A类会议UbiComp杰出论文奖等。Google Scholar引用5600余次。担任国家重点研发计划项目课题负责人，主持和承担国自科面上、联合基金重点等项目十余项。荣获江苏省计算机学会科学技术奖一等奖（第一完成人）。担任ACM SIGCOMM China秘书长、中国计算机学会物联网专委会常委、网络与数据通信专委会常委等职务。担任ISPA、HPCC等十余次会议主席职务。担任国内外一流期刊COMNET领域主编、TII编委、电子学报青年编委等职务。
报告摘要：视频分析在交通监测、无人机监控等诸多领域得到了广泛的应用。现有视频分析的内容增强相关工作有效节省了带宽，并提高了分析的准确性。但现有基于内容增强的方法仍面临高计算成本、低吞吐量及复杂视觉任务表现不足等挑战。针对这些问题，首先使用深度强化学习和深度神经网络等技术，基于视频流的时间和空间相似性优化了内容增强视频分析系统，单流场景下延迟降低80%，准确性提升21%；在多流竞争环境中共同优化带宽和精度分配，使吞吐量提升9倍，带宽利用率提高52%。此外，引入低秩自适应技术，提高多模态大模型的表现能力，在零样本视觉任务中准确性提升62%，推理延迟降低89%。
2. 报告题目：面向众包标记数据的深度学习模型
讲者简介：
张静，东南大学网络空间安全学院教授，博导、IEEE高级会员。主要研究方向为安全可信人工智能、大数据分析与挖掘、机器学习等。主持国家自然科学基金项目3项，国家重点研发项目子课题1项以及江苏省自然科学基金等其它省部级和企业委托横向项目十余项。近年来在ICML、AAAI、KDD、SIGIR、CIKM、ICDM等人工智能顶级国际会议和TPAMI、JMLR、TKDE、TNNLS、TCBY等人工智能权威国际期刊上发表学术论文100余篇，授权国家发明专利4项，登记软件著作权3项。常年担任AAAI、IJCAI、ICML、NeurIPS、KDD等人工智能顶级国际学术会议领域主席和程序委员会高级成员。部分研究成果已经在电力系统、智慧医疗、安防舆情等领域获得应用。获2020年国际数据挖掘大会ICDM-2020优秀论文奖，2024年中国电力发展促进会科学技术二等奖和2024年江苏省通信学会科学技术三等奖。
报告摘要：近年来深度神经网络的兴起为构建包含复杂相关性的模型提供了新的途径。在众包学习中，标记样本、众包工作者以及噪声众包标记之间存在着密切的关联。传统众包学习通常依赖概率图建立众包标记的生成概率模型，其可扩展性受到限制。本报告初步探讨了使用图神经网络等深度学习进行众包学习的可能途径。基于图神经网络构建了一个可以描述多种相关性的众包学习模型，该模型只要引入少量专家标记即可以提升真值推断准确度。另外，通过注意力机制的引入显著提升了端到端的众包学习模型的性能。
3. 报告题目：端侧大模型的协同训练与质量保障
讲者简介：
崔光明，南京信息工程大学软件学院副教授。博士毕业于澳大利亚斯文本科技大学，研究方向包括大小模型协同、边缘计算、服务计算和移动计算。近五年，在IEEE TMC、TSC、TPDS、TDSC、JSAC等国际期刊上发表论文30余篇，其中CCF-A类论文10余篇。
报告摘要：端侧大模型通过将计算与推理下沉至终端，有效解决云端传输延迟、隐私泄露及成本过高等问题，以满足边缘场景实时性与安全性需求。但端侧设备的算力与资源有限，单靠本地难以完成高效训练。协同训练可整合端云优势，提升模型的本地数据适应性与泛化能力。此外，端侧设备通常缺乏强大的安全防护机制，如毒性内容检测、访问控制、攻击检测等，该问题将直接威胁模型训练过程中的数据质量与模型安全性。本报告初步从端云协同角度出发，讨论端侧大模型的训练方法，并通过引入质量保障机制以保证训练的性能。
4. 报告题目：从相似性哈希的角度审视隔离森林在异常检测中的应用
讲者简介：
项昊龙，2024年获澳大利亚麦考瑞大学计算机系博士学位，现就职南京信息工程大学软件学院。2024年入选江苏省科技副总。他的研究方向包括异常检测、数据挖掘、人工智能和多模态大模型。在TOIS、JSAC、TOMM、ICML、IJCAI、AAAI、SIGIR、WWW等国际会议和期刊上发表论文40余篇（包含CCF-A类论文10余篇）。担任国际期刊《International Journal of Intelligent Networks》（Q1，CiteScore=12）的管理编辑，国际会议ICPADS 2023和DSAA 2023的领域主席，KDD、NIPS、ICLR、ICML、IJCAI、WWW等国际会议的程序委员。
报告摘要：异常检测在金融风险识别、人体健康监测和网络安全入侵检测等关键任务中发挥着日益重要的作用。目前已提出多种传统及深度学习异常检测方法，其中基于隔离森林的方法因其简单、高效和鲁棒脱颖而出，例如隔离森林（iForest）常被用作实际部署中的先验检测模型。本报告主要从相似性哈希的角度出发，讨论隔离森林相关的方法在异常检测中的应用。另外，报告进一步探讨了基于图神经网络的深度学习模型在异常检测中的应用，为后续复杂的多模态异常检测开展奠定研究基础。
软件学院
2025年6月6日
