2024年4月10日下午14點，k8凯发国际與人工智能學院第四十一期研究生學術論壇暨第十六屆研究生知行分論壇在崇真樓南樓A4030成功舉辦。本次論壇由2021級研究生洪鋮、2022級吳首昊、安治全、苗佳哲、李幸阜、鄧洋、王嘉樹主講，學院研究生會主辦，學院彭濤、陳永強、朱萍、熊明福、程君、唐奔霄出席了該論壇。

吳首昊同學分享的題目是「TargetSR:Towards Semantic Real-World Image Super-Resolution with Diffusion Prior」。為了解決在真實世界的超解像度中，超分辨圖像可能出現偽影或紋理不足的問題，他提出了TargetSR。該方法使網絡能更好地識別和定位真實世界中退化圖像中的物體，從而生成具有合理紋理的高解像度圖像，提高圖像的語義和視覺保真度。他提出的 subject-clip 模塊能夠識別和定位圖像中的物體，並將編碼後的文本和物體位置信息納入去噪網絡，更有效地利用文本特徵的信息。在準備階段，採用校正-預超分辨處理對退化的圖像進行操作。這一操作有助於提高網絡對真實世界各類退化的處理能力。實驗證明，他的方法能更有效地利用圖像的文本特徵，生成更合理且豐富的紋理。

安治全同學分享的主題是「Aspect-based Sentiment Analysis with an Ensemble Learning Framework for Requirements Elicitation from App Reviews」。為了解決方面類別檢測（ACD）和方面類別極性（ACP）任務中傳統的監督學習技術的局限性，如較差的泛化能力、低魯棒性和對特徵工程的高依賴性。他的研究提出了一個集成學習框架。與基線相比，該框架在ACD任務中的提高了22.9%-28.4%，在ACP任務中提高了9.3%-13.2%。這為集成學習方法提供了一種在基於APP評論的需求獲取領域的細粒度情感建模中可行的新方向。此外，他還通過設計實證研究，探討了不同特徵工程對基於Stacking的集成學習框架性能的影響，揭示了微調在捕獲複雜語義關係和適應特定任務方面的巨大潛力。

苗佳哲同學分享的題目是「SMPHY: GENERATING SMOOTH AND PHYSICALLY PLAUSIBLE 3D GARMENT ANIMATIONS」。現有的動態服裝仿真模擬方法面臨挑戰，包括高計算時間、視頻幀抖動和有限的服裝風格。因此，他提出了SmPhy，一種以真實視頻作為輸入的方法。為了減輕視頻生成中的幀抖動，採用了時間感知網絡進行運動平滑。時序物理服裝模塊引入時序依賴性，利用當前幀輸出的服裝信息作為下一幀的輸入，提供可靠的物理約束，增強服裝變形效果。

洪鋮同學分享的題目是「Joint extraction of biomedical overlapping triples through feature partition encoding」。為了解決聯合抽取方法子任務之間存在交互缺失和不平衡的問題 ，他提出一種基於特徵分區編碼的生物醫學實體關係聯合抽取方法。該方法在編碼階段將特徵信息劃分為實體、共享和關係三個分區，再通過信息融合完成特徵編碼，能有效優化順序編碼和並行編碼存在的子任務交互問題。其次，該方法提出了一個距離特徵生成組件。該組件能利用實體對之間的相對距離提高實體識別的準確度。最後，在四個生物醫學語料庫上的實驗結果表明，該方法能有效提高生物醫學文本中實體識別和關係抽取的抽取效果。

李幸阜同學分享的題目是「MLTracer: An Approach Based on Multi-Layered Gradient Boosting Decision Trees for Requirements Traceability Recovery」。近年來，越來越多的機器學習技術被應用於需求跟蹤連結恢復領域中。然而，大多數方法在恢復特定製品之間的跟蹤連結方面表現良好，但在其他場景中無法保持一致的性能。為了緩解這個問題，他提出了一種基於多層梯度提升決策樹的需求跟蹤連結恢復的新方法（MLTracer）。MLTracer通過構建多層GBDT並學習製品連結特徵的層次表示。通過逐層訓練，適應不同場景下的特徵分佈，提高泛化能力。MLTracer在五個軟件項目上進行了評估。結果表明，MLTracer的平均F1得分為0.6153，在所有數據集中都優於六種基線方法。

鄧洋同學分享的題目是「MTLink: Adaptive multi-task learning based pre-trained language model for traceability link recovery between issues and commits」。軟件跟蹤在代碼變更影響分析等實際應用場景中佔有重要地位。然而，相似製品之間對應的不同跟蹤連結會對模型造成混淆。為了緩解上述問題，她提出基於自適應多任務的問題到提交跟蹤連結生成方法。利用多教師知識蒸餾方法對模型進行壓縮，減少了跟蹤連結生成過程中資源、 時間的消耗問題。通過多任務學習中的對比學習方法提升了模型辨析相似製品的能力。使用動態加權方法通過損失函數動態的學習並調整各個任務的權重，防止模型在訓練過程中被更加容易的任務所牽引。

王嘉樹同學分享的題目是「PMDI:Combining Parametric-Model And Depth-Aware Implicit Function For Single-View Human Reconstruction」。 針對三維人體重建技術肢體動作異常，重建精度不高，背部細節缺失等問題，他提出了PMDI。他通過優化的參數化人體模型監督全局幾何特徵提取，並將改進的參數化模型，前視法線圖，深度先驗作為參數來訓練深度隱式函數。最終，他將後視法線圖轉換為詳細但不完整的D-BiNI表面，以修復粗糙結果，從而有效地解決了上述問題。

在學術報告的過程中，同學們展現出極佳的學術素養和專業品質。在每位同學報告後，老師就同學們所分享的內容與同學們展開討論並進行相應的指導。報告結束後，評委教師與分享報告的同學們進行合影。