beat365

信息技术研究生论坛

场次一、

时间：2022年12月12日（星期一）9:00-12:00

地点：beat365310教室

报告题目一：基于半监督学习的单模态医学图像分割方法研究

报告人：卢丽云

报告简介：深度学习技术在许多医学图像分割任务中取得了巨大的成功。全监督学习通过利用大量标记数据，取得了显著的改进和最先进的性能。然而，由于医学图像中的不同器官之间以及不同组织之间的边界很难明显区分，导致技术人员对医学图像进行标注既耗费时间又耗费精力，很难获得大量完整标注的、精确度高的医学图像数据集。半监督学习在面临标注数据不足的问题时，使用大量未标记数据参与模型算法的训练，从而高了算法模型的性能，而且在提高未标注数据使用率的同时，解决了全监督学习方法在面临标注样本较少时，泛化能力的不足以及无监督学习方法面临同样情况下准确度难以提高的问题。因此，我们将重点放在半监督分割方法上，因为它更适合于少量的标记数据和大量的未标记数据。最近，已经有很多半监督分割方法应用于医学图像分割领域。其中，最先进的半监督分割方法大致可归纳为两类，即基于一致性的正则化和伪标签学习。

报告题目二：3D医学图像分割与配准联合自训练

报告人：石华榜

报告简介：医学图像分割和配准是临床医学诊断中非常重要的相关步骤。在过去几年中，用于联合分割和配准的深度学习技术通过单向辅助学习或相互利用，在分割和配准任务中都取得了良好的效果。然而，它们通常依赖大的标记数据集进行监督训练，或者直接使用伪标记而不进行质量估计。我们提出了一个联合配准和分割自训练框架(JRSS)，旨在使用分割伪标签来促进在具有少量人工标记样本的场景中分割和配准之间的共享学习，同时提高双重任务的性能。JRSS将弱监督配准和半监督分割学习结合在一个自训练框架中。分段自训练通过注入噪声、伪标签筛选和不确定性校正，为未标记数据生成高质量的伪标签。配准利用伪标签来促进弱监督学习，并作为输入噪声以及数据扩充来促进分割自我训练。在腹部CT和脑部MRI两个公开的3D医学图像数据集上的实验表明，我们提出的方法在少量拍摄的情况下实现了分割和配准精度的同时提高。在骰子相似性系数和雅可比行列式的标准偏差的度量方面优于单任务全监督训练模型。

报告题目三：基于半监督学习的皮肤病变分类方法研究

报告人：邓绍昌

报告简介：深度学习是学习样本数据的内在规律和表示层次，让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据的一种技术。全监督学习在许多医学图像分类任务中取得了巨大的成功。然而，获取标注既耗费时间又耗费精力，难以通过人工手段进行。因此，基于半监督学习的方法更适合皮肤病变分类。半监督学习中的伪标签和一致性技术，极大的减少了对有标注数据的依赖，使得深度学习模型得以在标注数据较少的情景下也能获得较好的性能。

报告题目四： RNA甲基化位点m7G在人类疾病中的影响

报告人：吴治宏

报告简介： 目前存在多种基因表达的调控方式，其中mRNA可以通过碱基修饰对基因表达进行调节，以m7G修饰为例，m7G是一种带正电荷的重要修饰，广泛存在于生命活动的各个领域，m7G通过甲基转移酶进行甲基化影响生物进，m7G甲基转移酶的缺失导致的疾病往往严重而难以痊愈，加深对m7G与疾病的关系的理解，有助于人们从分子水平找到疾病的病因，从根本上对疾病进行预防、诊断和治疗。利用生物信息构建网络模型，是研究m7G与疾病之间的关系的有效方式。在收集到疾病信息和m7G信息后，构建异构信息网络，在此基础上采用合适的算法以解决关联预测的问题，推断出m7G与人类疾病之间的关系。

报告题目五：联邦学习在医学图像中的non-iid研究

报告人：刘方卜

报告简介： 深度学习已成功地应用于医学图像的病理检测和诊断中，它可以在没有医学专家输入的标准图像处理规则的情

况下原始图像中学习并提供高精度的输出。但这需要大量不

同的数据才能发挥作用，若数据集差异很小或者疾病数据集

很少时，神经网络是没办法有良好的泛化能力的。此外，在

训练医学影像模型中也可能依据机构偏见相关的混杂因素，

而不是将模型建立在所评估的病理基础上，该模型在检验同

一机构的保留数据时，虽然准确度较高，但对外部机构的了

解较少，不能很好地扩展到外部机构。理论上，最有效的方

法是将有关患者的所有数据集中起来共享到一个中心，并进

行训练，能够产生良好的性能。

场次二、

时间：2022年12月12日（星期一）9:00-11:00

地点：beat365601教室

报告题目一：个性化联邦学习的优化问题

报告人：何思怡

报告简介：报告介绍了个性化联邦学习的优化问题。在 AI 研究的进步推动人工智能 (AI) 迅速采用的同时，人们对数据隐私的认识和担忧也在不断增加。 最近数据监管领域的重大发展促使人们对隐私保护人工智能的兴趣发生了翻天覆地的变化。 这促成了联邦学习 (FL) 的普及，联邦学习是一种以保护隐私的方式在数据孤岛上训练机器学习模型的领先范例。个性化 FL (PFL)可以解决FL 在异构数据上的基本挑战。本报告分析PFL 的主要动机，重点介绍了此方向的主要想法、挑战和机遇，并展望了未来有希望的研究轨迹。

报告题目二：基于物联网与边缘计算的信誉环签名改进型共识方案

报告人：冯敏瑜

报告简介：报告介绍了一种基于边缘计算的实用拜占庭容错与信誉环签名的改进共识法。由于薄弱简单的密码凭证、有限的计算力与集中化的体系结构使得传统物联网设备容易受到安全攻击。通过在传统物联网结构中加入边缘计算的概念，将计算能力放在边缘设备上，并在此基础上通过去中心化的区块链账本保护用户隐私。该方法使用信誉环签名使得网络在去中心化的前提下增强了隐私安全保护。报告介绍了呜呜该方法的实现和效果，弥补了该研究领域的空白。

报告题目三：面向非独立同分布数据的联邦学习研究进展

报告人：陈逸欣

报告简介：在联邦学习中，因数据只需在终端设备上进行训练而不需要上传到服务器端，从而有效的保证了数据的隐私性和安全性。虽然目前关于联邦学习各方面的研究取得了很大的进展，但是在实际联邦学习环境中，参与设备的数据是非独立同分布(Non-Independent-and-Identically-Distributed, Non-IID)的，这仍然是一个难以攻克的难题。报告对联邦学习中非独立同分布数据方面的研究从性能优化、算法优化、模型优化、通信成本、隐私保护和个性化联邦学习等方面进行了阐述，并介绍了现阶段联邦学习中有关独立同分布数据的算法和研究方案。

报告题目四：基于资源受限的IoT设备的轻量级区块链共识机制优化研究

报告人：谢金城

报告简介：介绍了一种针对轻量级区块链的基于奖惩策略的改进PBFT共识机制（SPBFT）和基于RS擦除码的区块链存储优化策略（RS-BSOS）。大多数的物联网设备在资源受限的场景中只有有限的计算、存储、带宽和其他资源，这使得它产生了难以承受的负担。因此，需要设计一个轻量级的区块链对资源受限设备场景考虑到传统PBFT机制的通信吞吐量，对PBFT机制的一致性过程进行了建模，并给出了改进的PBFT机制。提出的SPBFT共识机制能够减少区块链共识对计算和网络资源的占用，减轻区块链网络中资源受限设备的计算和通信负担。

场次三、

时间：2022年12月12日（星期一）15:00-18:00

地点：beat365601教室

报告题目一：有界置信和排斥框架下的观点极端化分析

报告人：侯永钊

报告简介：介绍有界置信和排斥效应下的观点动力学模型，该模型包含社会网络交互和个体独立的时变理性。在有界置信框架中，个体的观点是由于与其他具有相似观点个体的交互而演化的。因此，观点可以达成共识或碎片化，但不能达成极端化。相反地，当排斥机制起作用时，观点距离较远的个体就能进行交互并相互排斥，导致极端化。我们全面分析了模型的表现，发现群体的极端化程度可以被排斥规则所控制，而社会网络促进了观点极化，基于个体的理性和时变适应性也对观点动力学有很大影响。

报告题目二：高阶相互作用破坏了Deffuant观点动力学模型中的相变

报告人：卞环宇

报告简介：社会中观点的形成和传播在很大程度上是从物理学的角度进行研究的，通过基于程式化的主体模型，以交互主体的动态系统为社会建模，旨在了解社会交互的不同方面在现实生活中观察到的模式中所起的作用。报告定义了一个高阶Deffuant模型，将有界置信度观点动力学的原始成对交互模型推广到涉及一组大小为k的代理的交互。报告研究了从随机超图集合到空间嵌入超格的不同超图拓扑中的观点动力学。结果发现，包括高阶相互作用会导致随机超图的一致性开始发生剧烈变化；随着置信值的增加，系统经历了与大小无关的平滑过渡，而不是二元Deffuant模型所特有的急剧相变。这种现象在保持相变的正则超图中是不存在的。

报告题目三：有关逆向选民模型在振荡宣传影响下呈现出随机共振等动力学现象的研究

报告人：白棚舟

报告简介：研究在外部振荡宣传和随机噪声影响下社会观点形成的逆向选民模型。种群中的个体可以对给定的问题持有两种可能的观点之一——反对或赞成——并按照模仿动力学(选民行为)或反结盟动力学(反向行为)与邻居进行交互：每个个体以依赖时间的概率p(t)接受随机邻居的观点，或以概率1-p(t)接受相反的观点。模仿概率p(t)受社会温度T控制，并根据模仿外部宣传影响的周期性场随时间变化，使选民更倾向于采纳与场一致的观点。我们在完全图和格子中对模型进行了模拟，发现随着T的变化，系统表现出丰富多样的行为：T=0时，观点共识行为，T<Tc，双峰行为，T>Tc时，一种平均观点随场在时间上的振荡行为，T>>1,完全无序。在完全图中，临界温度Tc随着种群规模N的增大而减小， 。此外，停留时间tr在双峰相中衰减。在振荡区域内，我们在给定的温度 下发现了一个类似随机共振的现象。此外，平均场分析结果表明，观点振荡在中等温度时达到最大振幅，并且相对于随T下降的场表现出滞后。

报告题目四：基于从众机制的空间囚徒困境博弈研究

报告人：黎钰钦

报告简介：无处不在的合作行为与达尔文主义的进化论相冲突，解释合作的出现和维持是一个持续存在的挑战。演化博弈理论的出现为合作研究提供了有效的分析工具和求解方案。其可以解释一个系统的内在机制并且预测未来的发展方向，可以很好地用于研究个体在一个群体中的合作演化问题。从众作为社会影响的一种重要表现，其体现在人类的行为和决策会受到他人的影响。将从众机制引入到演化博弈的研究，对于分析从众行为的进化起源和合作演化过程具有重要意义。本报告系统地比较信息性从众和规范性从众这两种不同的从众反应类型在传统囚徒困境博弈模型中的不同影响，探讨从众个体对合作演化的影响及内在的机制。同时，考虑不同的网络和博弈模型作用于从众机制所产生的影响。

报告题目五：基于DeGroot模型和Hegselmann–Krause模型的社交网络混合意见动力学的研究

报告人：蔡华生

报告简介：结合观点传播和复杂网络理论创新提出两个新的意见动力学模型描述观点演化和传播过程： 1)意见相似性混合（OSM）模型和2)结构相似性混合（SSM）模型，这两个模型结合了DeGroot模型和Hegselmann–Krause模型的部分特征。然后使用人工构造的网络和真实的社交网络进行模拟，即ER随机网络、随机规则网络、BA无标度网络和Twitter网络。最后分析所提出的模型在各个网络下的不同结果，对模型在真实社交网络和人工社交网络下的结果进行对比分析。

报告题目六：在昂贵的网络交互中同步与合作的协同进化

报告人：罗义军

报告简介：尽管有大量关于同步的研究，但很少有人考虑到相互作用对相关个体产生成本的假设。相反，引入代价高昂的互动会导致形成一种二分的情景，在这种情景中，个体可能会决定合作并支付成本，以便与其他人群保持同步。或者，同一个人可以决定免费乘车，而不需要承担任何费用，等待其他人与他或她的状态同步。因此，同步的出现可能被视为进化博弈的副产品，在进化博弈中，个体根据过去积累的收益与成本比率来决定自己的行为。研究了Kuramoto振子网络种群中合作和同步的开始，并报告了拓扑结构如何对合作繁荣至关重要。还展示了不同类型的拓扑在微观和宏观层面上如何不同地促进同步。

场次四、

时间：2022年12月13日（星期二）9:00-12:00

地点：beat365601教室

报告题目一：后量子时代的格密码

报告人：韦璐璐

报告简介：随着量子计算机的发展，当前的密码体制面临安全威胁，因此抵抗量子攻击的密码体制成为当前研究热点之一。美国NIST最新一轮抗量子密码算法征集中，最受欢迎的主要大多基于格密码构造。本次报告将先介绍当前的密码体制主要基于哪些数论难题，为什么难以抵抗量子计算机的攻击；其次介绍格理论的起源、结构；最后介绍当前格密码上的发展现状，包括当前格上存在哪些难题和热门的算法应用。

报告题目二：基于图神经网络的生物网络相似性查询算法研究

报告人：王忆

报告简介：生物网络是由生物分子及其相互作用和转化构成的复杂系统，生物网络相似性查询在生物网络结构预测、功能预测、系统发生分析以及与疾病相关的特定研究中起着重要作用。本报告首先介绍生物网络相似性查询的概念、应用和发展现状，其次介绍一种基于图神经网络的生物网络相似性查询算法，该方法结合生物网络的拓扑结构和生化信息特征，使得查询结果不仅在拓扑结构上表现出相似，并且更具有生化意义。

报告题目三：基于交替方向乘子法训练神经网络的研究

报告人：曹玉怡

报告简介：在大规模神经网络的训练过程中，GPU对神经网络的训练变得越来越必要，传统的优化算法依赖于随机梯度方法，不能很好拓展到集群环境。而ADMM已经成功地应用于许多传统的机器学习应用，被认为是一种替代随机梯度下降(SGD)的深度学习优化器，报告介绍交替方向乘子法（ADMM）的基本原理和特点，详细介绍使用ADMM算法来训练神经网络的方法，并对该方案下一步的发展进行展望。

报告题目四：Faster Than Nyquist技术介绍

报告人：赖凤英

报告简介：超奈奎斯特（Faster Than Nyquist，FTN）速率传输技术，通过压缩时域信号发送间隔或频域压缩信道间隔的方式，使得不再满足奈奎斯特正交传输准则，形成具有码间干扰的传输速率超过奈奎斯特速率的更高频域效率的复用信号，并且借助强大的DSP（Digital Signal Processor）算法可实现各类线性/非线性损失的高效补偿和信号恢复，是超高谱效、大容量相干光传输邻域极具潜力的发展方向。

场次五、

时间：2022年12月13日（星期二）15:00-18:00

地点：beat365601教室

报告题目一：在线社交网络中媒体对内容意识形态影响的研究

报告人：侯永钊

报告简介：介绍在社交网络中媒体对意识形态的影响，我们通过将媒体账户作为网络中的影响者来建立有限置信度观点动力学模型，用区间上的连续参数来量化内容的观点，并制定了更高维的观点空间来包含内容质量和越来越微妙的政治立场。我们使用一维和二维意识形态来模拟该模型，并使用模拟结果来量化网络中媒体对用户意识形态的影响力。通过调整媒体的数量和这些媒体的追随者 (followers) 数量，使媒体在社交网络中的影响力得到优化。通过数值计算，我们发现媒体对用户意识形态的影响取决于网络的结构特征，包括网络规模、平均订阅者数量以及用户对不同意识形态的接受程度。

报告题目二：活动驱动网络中的观点动力学

报告人：卞环宇

报告简介：个体之间的社会交流不断地影响着个体观点的发展。以前的模型，如Deffuant模型和Hegselmann-Krause(HK)模型假设个人只有在与观点相似的邻居互动后才会更新他们的意见。报告中提出了一个模型，其中个体听取所有邻居的意见。在具有容忍阈值的活动驱动网络中研究连续的观点动力学。研究了初始意见分布、容忍阈值、意见更新速度和活动率如何影响意见的演变。

报告题目三：个人社会影响力和收益机制共同作用的观点动力学研究

报告人： 白棚舟

报告简介：现实中的社会多样性为我们提供了探究观点动力学的一个新思想。我们通过引入与个人相关的两种不同社会机制——个人社会影响力机制，社会影响力用网络度值k衡量，和个人收益机制，代表个体的财富值——给出了一个变体选民模型。在模型中我们按不同浓度混合了这两种机制，个人社会影响力机制为ε（0≤ε≤1）和 个人收益机制1-ε，使其共同作用于在无标度网络上的整个演化过程。有趣的是，我们发现融合了个人收益机制的模型，比仅考虑个人社会影响力机制，在达成全球共识方面要更优，大大缩短了共识时间。另外，每个个体被分配了一个可调节的参数，权重α，它控制网络中个体之间的多样性水平。个人收益机制的融入，极大的弱化了在单一个人社会影响力机制下权重α的作用，并且总是存在一个最优的成本收益比，促使最短共识时间的出现。除此之外，我们还考虑了观点的多样选择性，而非局限于二值观点。结果表明，随着初始观点的增加，将不利于全球共识的达成。然而，融合个人收益机制后，会有最优的成本收益比，去平衡因初始观点的增加造成的负面影响，促使最短时间达成共识。这个最优的成本收益比，会随着初始观点的增加，而减少。

报告题目四：基于BM强化学习模型的连续公共物品博弈研究

报告人：黎钰钦

报告简介：人类具有很强的学习能力，他们会通过过去的经验来调整未来的行为或决策。这类个体被称为强化学习者，他们从经验信息中形成两种认知机制，即接近和回避。他们更倾向于重复过去产生满意的结果的行为，并避免导致产生不满意的结果的选择。强化学习机制是自然界中最广泛存在的适应机制之一，其对研究重复困境博弈中的合作行为，具有重要的现实意义和理论价值。本报告研究一个基于BM模型的强化学习机制下的连续公共物品博弈模型。进一步研究基于BM模型的强化学习机制影响合作演化的内在机理，和不同个体的类型对于群体中合作行为的影响。

报告题目五：基于在线用户意见重构社交网络结构的研究

报告人：蔡华生

报告简介：利用网络重构的意见动力学和压缩感知方法，提出了一种具有社区结构的社会网络重构模型，该模型可根据在线社交网络中用户的意见重构该社交网络的网络结构。然后在一个真实的社交网络下模拟，并比较个体观点在初始时刻的不同分布对网络重建精度的影响。最后对信息传播和社会网络关系的关系机制进行总结展望。

报告题目六：在相互交织的动力学和进化博弈论中，向同步和合作的双重爆炸性转变

报告人：罗义军

报告简介：集体行为，从杂音到心脏细胞的同步跳动，支配着自然界中一些最美丽和最重要的方面。同样地，合作——为共同利益而牺牲个人利益的行为——是社会进化的支柱之一，也是从单细胞生物到现代人类社会出现集体组织行动的基础。在这里，我们将这两种现象合并成一个单一的模型，考虑一个网络振子的集合，其中每个振子既可以是合作者，也可以是叛逃者，并且只有合作者对同步做出贡献。同时，将每个振子附近的序参量的值作为一个有效的局部温度，它决定了演化博弈中的策略更新过程。因此，合作与同步的出现交织在一起，产生了一种新颖而迷人的动力学，其中包括一个双重爆炸性的转变。

场次六、

时间：2022年12月14日（星期三）14:30-16:00

地点：beat365601教室

报告题目一：基于改进贝叶斯方法的基因调控网络构建

报告人：饶臻

报告简介：为了研究基因之间的复杂调控关系，使用贝叶斯网络模型来构建基因调控网络，针对以往单一贝叶斯网络模型结构学习算法精度低的问题，提出一种结合信息论构建初始网络并在该网络上进行评分搜索的基因调控网络学习方法，使用最大信息系数筛选有较高关联性的节点构建初始网络以提高解的质量，在评分搜索中使用禁忌搜索和BDe评分训练生成最终网络。之后在一组单细胞的蛋白质因果表达网络数据和大肠杆菌表达网络数据上进行构建基因调控网络实验，并在不同数据量，不同性能指标上与其他网络构建算法进行对比，实验结果证明了构建方法在不同规模的数据集上的有效性和准确率要优于用于对比的其他算法。

报告题目二：一种针对空间形变文本的图像超分辨率

报告人：李志鹏

报告简介：场景文本图像超分辨率的目的是提高低分辨率图像中文本的分辨率和可读性。虽然深度卷积神经网络(cnn)取得了显著的改进，但对于空间变形的文本，尤其是旋转和曲线形状的文本，重建高分辨率图像仍然困难。这是因为目前基于cnn的方法采用的是基于局部的运算，无法有效地处理变形引起的变化。在本文中，我们提出了一种基于CNN的文本注意网络(TATT)来解决这个问题。首先通过文本识别模块提取文本语义作为文本先验信息;然后，我们设计了一个基于Transformer的新型模块，该模块利用全局注意机制，在文本重构之前发挥文本的语义引导作用。此外，我们还提出了一种文本结构一致性损失的方法，通过对正则文本和变形文本进行结构一致性重建来改善视觉外观。在基准TextZoom数据集上的实验表明，提出的TATT不仅在PSNR/SSIM指标方面达到了最先进的性能，而且在下游文本识别任务中显著提高了识别精度，特别是对于多方向和弯曲形状的文本实例。

报告题目三：结合知识的方面级情感分析研究

报告人：凌键军

报告简介：现有 ABSA 方法性能良好，但大多数方法无法解释为什么将一条方面 - 情感信息归类为正面或负面。方面术语和观点词之间的确切配对信息并不总是很清楚，因为如果没有领域知识，句子中两个实体之间的语义关系可能无法获得。因此，有必要提供一种可解释的方法来理解为什么某些方面——情感信息被归类为正面或负面。为了提供可解释且准确的方面术语和相应的方面-情感检测，考虑外部特定领域的知识通常很有用，将情感领域知识注入语言表示模型来利用情感知识图中的附加信息，以此来提高情感分类的效果，同时使模型更具有可解释性。

报告题目四：第三代测序数据基因组移动元件检测方法研究

报告人：马汇东

报告简介：移动元件变异是一种特殊且重要的结构变异类型。现有基于长读比对的检测工具在低覆盖度数据集的检测性能仍有提升空间。本报告介绍一种利用长读比对信息编码与片段重比对来精确检测移动元件变异的方法。该方法通过将插入与缺失变异的长读比对信息编码为图像并输入到卷积神经网络来训练分类模型，后使用分类模型淘汰检测结果中的假阳性，最后将插入和缺失变异的长读与一致性序列进行重比对以判断该移动元件的类型。实验结果表明本报告介绍的方法在F1分数要由于现有检测方法。

报告题目五：基于生成对抗网络的网络补全算法研究

报告人：何浩发

报告简介：从生物、社会、技术和信息系统中提取的网络数据通常不完整，存在缺失的节点和边．这些不完整的数据资源会严重降低信息检索、用户行为分析和计算生物学等领域数据分析方法的性能，因此，如何补全可观测网络中的缺失数据成为目前网络分析领域的关键问题之一；为了解决网络补全问题，本方法采用NAPAbench框架生成大量样本，进行GAN网络补全的训练，然后将真实的数据输入网络进行补全，最终通过网络比对方法评估网络补全前后的对准质量得分，以衡量补全的效果。