1.论坛宗旨：

响应创新型国家发展战略，坚持科技事业发展的“四个面向”，依托珠海市 计算机学会、北京师范大学文理学院数据科学与大数据专业、人工智能专业和北 京师范大学智能工程与教育应用研究中心的研发基础和优势，提升人才培养质 量与科产教融合深度，促进北京师范大学在大湾区数据科学与大数据、人工智 能技术的深入交流与研发应用，实现高质量创新发展。

2.论坛内容：

数据科学与大数据、人工智能前沿技术探讨

3.论坛时间：2025 年 1 月 20日上午9:30~12:00

4.论坛地点：#腾讯会议：983-419-579

5.论坛组织：

珠海市计算机学会

北京师范大学文理学院数据科学与大数据系

北京师范大学智能工程与教育应用研究中心

6.论坛报告：

序号	时间	报告题目	报告人	单位/职务
1	9:35~9:55	多智能体系统中不可分割物品 的公平分配	周瑜	美国宾夕法尼亚州立大学信 息科学与技术系/博士后
2	9:55~10:15	面向低资源场景、复杂开放领 域与可信赖需求的立场检测问 题研究	栗英杰	西湖大学/助理研究员
3	10:15~10:35	基于深度强化学习的神经多目 标组合优化算法研究	陈瑾标	中山大学，博士研究生
4	10:35~10:55	面向快速、准确、轻量化的红 外小目标检测研究	王兵书	西北工业大学 副教授
5	10:55~11:15	基于有限标注数据的肝脏病理 图像可解释分析	尹翀	香港浸会大学，博士
6	11:15:12:00	互动环节

论坛报告介绍

1)报告人： 周瑜

周瑜博士在2019年从华中科技大学计算机科学与技术学院 取得学士学位，之后在2023年从香港理工大学计算机系取 得博士学位。博士期间，他在2022年访问了中国科学院计  算技术研究所，在2023年访问了牛津大学计算机科学系。 博士毕业之后，他先后在香港城市大学计算机科学系和香港理工大学计算机系做博士后，目前在美国宾夕法尼亚州立大学信息科学 与技术学院做博士后。他的研究兴趣是计算社会选择和公平分配、算法设 计与分析、AI与大语言模型。近年来，他一共发表了8篇高水平论文，其 中包括1篇计算经济学领域顶级期刊论文（TEAC），3篇CCF-A类会议论文 （WINE，NeurIPS，IJCAI），以及1篇CORE Ranking A*类论文；另外有3 篇在审论文，包括CCF-A类会议（WWW），CCF-A类期刊（AIJ）和CCF-B类 期刊（TCS）。他作为本地组织主席先后参与组织了计算机理论科学领域 知名国际会议TAMC 2024和IJTCS-FAW 2024。

报告题目： 多智能体系统中不可分割物品的公平分配

报告摘要： 随着计算机技术和人工智能的高速发展，出现了越来越多的多智能体系统，例如云计算平台、智能机器人系统等。多智能体系统大多会涉及到资源和任务的分配，例如云计算平台中的CPU、GPU、带宽等，智能机器人系统中的任务等。如何分配这些资源和任务是多智能体系统中一个极其重要的问题，其中一个重要指标就是公平性。公平性能保证分配的平等，以提升多智能体系统的可信度和稳定性。报告人将介绍其三个有关多智能体系统中不可分割物品的公平分配的工作。第一个工作研究了费用函数是次模或者次可加时不可分割任务的MMS分配问题，通过设计算法和特殊的实例得到了该问题下MMS分配的最优近似比。第二个工作研究了领域内一个极其重要但仍未被解决的开放问题-EFX分配是否总是存在。该工作对一种特殊价值函数下的该问题作了全面的研究，并通过设计算法和NP-难归约得到了完整的存在性和可计算性结果。第三个工作研究了不可分割任务的Hill’sShare分配问题，首次得到了Hill’sShare的精确表达式。

2)报告人： 栗英杰

报告题目：面向低资源场景、复杂开放领域与可信赖 需求的立场检测问题研究

报告摘要：立场检测是自然语言处理中的一项重要任 务，旨在识别文本对特定目标的立场倾向。然而，在实际应用中，模型在低资源场景和复杂开放领域的性能和可靠性面临严峻挑 战。本研究针对低资源场景带来的数据缺失问题，从数据增强、多任务学 习等角度开展系统性研究；针对复杂开放领域任务带来的模型泛化问题，  提出了基于目标生成、数据集合成等一系列创新方法；针对模型的可信赖  性问题，从公平性、可靠性等维度进行了深入探索，为任务的实际落地提  供了有力支持。

3)陈瑾标

中山大学博士生，新加坡国立大学联合培养博士 生。主要研究方向为基于深度强化学习与大模型的学 习优化算法，及其在智慧物流等领域中的应用。近年 来在学习优化领域取得了系列重要研究成果，多篇论 文发表于NeurIPS等人工智能领域顶级会议。目前担 任ICML、NeurIPS、ICLR等国际顶级会议以及IEEE TEVC等领域权威期刊的审稿人。

报告题目：基于深度强化学习的神经多目标组合优化算法研究

报告摘要：本报告介绍基于深度强化学习的神经多目标组合优化算法研 究。目前，神经多目标组合优化算法面临着四个关键科学问题：如何提升 模型学习效率、如何有效利用权重向量、如何有效提取实例特征、以及如 何增强解集的多样性。针对这些挑战，我们提出了四种创新性解决方案： 高效元学习方法、权重嵌入学习方法、多模态特征融合方法和多样性增强 方法。这些方法在求解质量和计算效率方面均取得了显著成效，相关研究 成果发表于NeurIPS 2023会议以及投稿于ICLR 2025会议。

4)王兵书

西北工业大学软件学院副教授。他目前的研究方向包括 数字图像处理、机器学习、无人机视觉和人工智能。担任 AAAI、CVPR、ICME、IJCAI、ICASSP、TMM、TAI等会议和期 刊审稿人，是IEEE、CAA、CCF、CAAI会员。获得 2024 年中 国大学计算机教育大会（CECC 2024）最佳论文奖，在数字图像处理、多媒体、人工智能等领域的重要会议或期刊上发表 三十余篇 论文。

报告题目：面向快速、准确、轻量化的红外小目标检测研究

报告摘要： 近年来，利用深度学习方法进行红外小目标检测受到了广泛 关注。为了提升小目标的检测能力，这些方法通常会保留一条用于保存稀 疏微小目标高分辨率特征的路径。然而，这可能会导致计算冗余和高昂的 计算成本。为应对这一挑战，我们提出了一种用于高效检测红外小目标的 稀疏红外目标检测器（SpirDet），采用了一种全新的双分支稀疏解码器 （DBSD）来恢复特征图，快速分支直接预测一个指示潜在小目标位置的稀 疏图，慢速分支在稀疏图所指示的位置进行细粒度调整。此外，我们基于 下采样正交性（DO）重新参数化设计了一种轻量级的 DO-RepEncoder，它 能够有效降低内存消耗和推理延迟。大量实验表明，所提出的 SpirDet 在实现更快推理速度和更少参数的同时，性能显著优于当前最优（SOTA） 模型。

5)报告人： 尹翀

个人简介：博士毕业于香港浸会大学计算机学院。研究方向 是计算机视觉，医学图像处理，可解释模型设计。主要研究问 题是在少量医学图像标注下的病理图像分析。主要应用在全球 最普遍的肝脏疾病：非酒精性脂肪肝。

报告题目：基于有限标注数据的肝脏病理图像可解释分析

报告摘要：非酒精性脂肪性肝病（NAFLD）是全球最普遍的肝脏疾病，具有严重并发 症的高风险，因此监测其进展成为公共卫生的重点。诊断涉及对组织学发现的定量分 析，包括识别NAFLD相关病理学特征（NAS）（气球样变性、小叶炎症和脂肪变性）的 分级，以及纤维化分期。病理图像分析是诊断NAFLD的金标准，能够提供细胞水平的 视觉证据。深度学习在计算机视觉方面表现出色，但由于标注医学数据有限，在组织学图像方面面临挑战。标注样本的稀缺性阻碍了深度学习技术的应用，而且模型的可 解释性在临床实践中至关重要。针对该研究，我们提出了多种基于有限标注数据的可 解释病理图像分析方法。针对千兆像素全幅图像（WSIs）中NAS相关组分识别的挑 战，我们提出了稀疏和可解释特征提取方法，通过可解释采样解决空间域稀疏性，并 使用低秩分解处理特征域稀疏性，从而提高识别和评分的效率。为解决小规模数据集 问题，我们提出了基于定量属性的提示方法，该方法利用K函数空间属性和直方图形 态属性进行组织状态评估，增强了大型基础模型在分析NAS相关组分方面的适应性。 此外，为实现肝纤维化分期，我们开发了显式血管-纤维建模方法，将组织结构转换 为原图和对偶图的表示，并设计原始-对偶图卷积模块来分析组织结构间的空间关 系，实现微观结构的联合分析。