2024年11月15日下午19點，k8凯发国际與人工智能學院第五十期研究生學術論壇在崇真樓南樓A4030成功舉辦，本次論壇由2022級研究生周暢，2023級研究生劉銳，2022級研究生王海鵬，2023級研究生時佳樂與彭志宏主講，學院研究生會主辦，學院唐奔宵博士出席了該論壇。

周暢同學分享的主題為「Enhancing Drug Repositioning through Local Interactive Learning with Bilinear Attention Networks」。 藥物重新定位是一種識別現有藥物新治療應用的有效策略。在本研究中，他們提出了DRGBCN，一種整合異構信息的深度學習模型，通過圖卷積網絡和雙線性注意機制捕捉藥物與疾病的複雜交互關係。模型通過十折交叉驗證在三個公開數據集上獲得了平均0.9399的AUROC，並在膀胱癌和急性淋巴細胞白血病的案例研究中展現了實際應用潛力。此外，藥物-疾病網絡分析揭示了社區內相似藥物的成功聚類，為藥物-疾病相互作用提供了新的見解。

劉銳同學分享的主題為「GCAT: Global Channel Attention Enhanced Multi-Scale for Object Tracking」。 多頭注意力機制是 Transformer 跟蹤算法的核心，主流的 Transformer 跟蹤算法傾向於增加注意力頭的數量，獲取更豐富的特徵信息。然而部分注意力頭功能重複，在不同特徵通道產生了相似的注意力，間接削弱了重要特徵的表達。針對上述問題，他提出一種去冗餘的Transformer 單目標跟蹤算法(GCAT），該算法通過 MixFormer跟蹤器獲取不同層次的特徵信息，設計一種特徵增強網絡，用於細粒度地抑制冗餘的特徵通道。構建一個多尺度定位頭，融合不同層次的特徵信息，從而準確定位不同尺度的目標。實驗結果表明，GCAT 在 LaSOT、UAV 123 等公開數據集上實現了最佳性能，在僅使用 GOT-10K 訓練集的前提下，相比基準算法 MixFormer，在 AUC 指標提高了 1.9 個百分點，PNorm指標提升了2 個百分點，P 指標提升了2.2 個百分點。

王海鵬同學分享的主題為「Multi-View Contrastive Learning for Recommendation via Adaptive Augmentation」。他們提出了一種新穎的基於自適應增強的多視圖對比模型，旨在提升用戶項目嵌入表示的質量同時緩解流行偏見與交互噪聲問題。模型包含互補圖構建、自適應增強和多視圖對比三個關鍵模塊。通過合理調整圖結構，使方法更適用於推薦任務。同時，巧妙地融合視圖內和視圖間數據，全面捕捉用戶多樣的興趣特徵。與現有方法相比，他們的模型在廣泛採用的數據集上表現出色，並通過消融實驗驗證了各模塊的有效性。

時佳樂同學分享的主題為「基於動作檢測的身份認證系統研究」。 針對慣性測量單元傳感信號分類模型因可穿戴設備獲取數據時易缺少，面臨着魯棒性差等重要表徵問題，提出一種利用伸手抓握門把手動作進行身份認證的系統。首先，通過MLA從日常動作中提取一致性特徵信息和利用互補濾波器獲取到開門動作中多樣性特徵信息。其次，利用神經網絡從獲取到的日常動作信息中識別出開門動作。最後，在具有三層增強模塊的模型中進行身份認證。結果表明，在動作識別任務上準確率達到98.4%，在身份認證任務上取得97.5%的準確率。並利用DTW算法在時間跨度上進行比較以及進行對比實驗，證明了該系統的現實可行性。

彭志宏同學分享的主題為「HOOD: Hierarchical Graphs for Generalized Modelling of Clothing Dynamics」。 HOOD 研究了一種通用的服裝動態建模方法，利用圖神經網絡和多層消息傳遞，實現對緊身和寬鬆服裝的實時預測。通過分層消息傳遞方案，有效傳播剛性拉伸模式，同時保留局部細節。實驗結果表明，HOOD 在定量上優於強基線方法，其結果被認為比最先進的方法更逼真。此外，該方法在處理複雜服裝動態時表現出色，能夠生成高質量的模擬效果，為虛擬試衣和動畫製作提供了新的可能性。