2025年3月6日晚19时，计算机与人工智能学院第六十八期研究生学术论坛在崇真楼南楼A4030成功举办。本次论坛由2023级研究生尹春晓、潘寒阳、程文韬、张蕾、李涛以及张龙杰主讲，计算机与人工智能学院研究生会学术部主办，学院吴渊老师出席了该论坛。
尹春晓同学分享的主题为“HDP-FedCD: Data-quality-driven hierarchical federated learning for optimizing privacy protection in non-IID data”。随着物联网设备的普及，联邦学习已成为在分散的边缘数据上进行协作机器学习的关键范式。然而，联邦学习仍然容易受到推断攻击的威胁，尤其在数据质量和分布差异较大的场景下，带来了显著的隐私隐患。现有的隐私保护方法往往忽视了这种异构性，导致在隐私与性能之间难以取得最优平衡。为此，她们的研究提出HDP-FedCD，该方案通过引入核心度作为数据质量的度量指标，动态调整噪声水平，从而在隐私保护与模型性能之间实现最优平衡。在图像分类任务上的实验验证表明，HDP-FedCD在模型准确性和抵抗攻击方面均优于当前最先进的方法，为隐私保护的联邦学习提供了一种创新解决方案。
潘寒阳同学分享的主题为“Receptive Field Attention-Driven Bidirectional Feature Fusion Decoupled Framework: Accurate and Real-Time Detection of Multi-Scale Defects on High-Speed Railway Tracks”。当前，高铁轨道表面缺陷的精准实时检测是保障运营安全的关键，但现有方法面临双重难题：多尺度缺陷（如微小裂纹）特征表征不足，沙砾、锈斑等背景干扰易降低精度；且难平衡高精度与实时性，适配边缘部署受限。为此，他们提出感受野注意力驱动的双向特征融合解耦框架，核心模块包括：1. RFAConv 模块，动态调节卷积感受野权重，聚焦微小缺陷并抑制噪声；2. BiFPN 模块，以可学习权重多轮融合多尺度特征；3. 解耦检测头，独立优化分类与回归分支，结合 CIoU 损失强化定位与鲁棒性。自建轨道缺陷数据集实验显示，该框架 mAP50 达 94.0%，较基准提升 4.7 个百分点，精度 0.940、召回率 0.865，推理速度超 62FPS，兼顾性能与实时性。消融试验验证各模块协同增益显著。该成果为高铁轨道在线检测提供高效技术支撑，也为后续相关技术在轨道交通检测的应用奠基。
程文韬同学分享的主题为“Research and Applications of Human Action Recognition Based on Flexible Sensors”。他们探讨了柔性传感器与智能算法在动作感知与理解中的协同应用。首先设计并制备了一种水凝胶基柔性传感器，在微小应变感知、循环稳定性和柔性方面表现出优异性能，为高精度动作信号采集提供了可靠硬件基础。在此基础上，他们提出了一种时空特征融合的注意力算法，通过多层卷积网络与双向长短期记忆网络协同建模，实现了对复杂人体动作的高精度识别。实验结果表明，该方法在公开数据集上取得了显著优于对比算法的识别性能。进一步构建了基于柔性传感器的人体动作数字孪生系统，为可穿戴健康监测和人机交互应用提供了完整解决方案。
张蕾同学分享的主题为“Semantic decomposition and enhancement hashing for deep cross-modal retrieval”。深度哈希在检索领域备受关注且表现优异，但现有方法多依赖二进制相似性评估来衡量多标签实例间的语义关系，难以克服跨模态特征差距。本文提出语义分解增强哈希方法(SDEH)，通过深入挖掘不同模态共享的多标签语义信息实现跨模态检索。具体而言，首先构建两个独立的基于注意力的特征学习子网络，以捕获兼具全局与局部细节的模态特定特征；继而通过分解多模态特征间的共享语义信息，充分挖掘多标签向量的语义特征，从而建立跨模态关联；最后在四重损失函数的约束下联合学习多模态信息的公共哈希码表示，使哈希码既能保持多层级语义关系与特征分布一致性，又能承载丰富信息。
李涛同学分享的主题为“Ionospheric TEC Forecasting Based on Modal Decomposition and Feature Optimization with HGWO-CNN-LSTM”。针对电离层TEC的时空复杂性及其受太阳活动和地磁条件影响的显著变化，本文提出了一种结合互补集合经验模态分解与核主成分分析的CNN-LSTM组合电离层预报模型。首先，通过模态分解将电离层TEC时间序列分解为多个本征模态函数，有效提取电离层数据中的多尺度特征；其次，采用特征优化方法对特征矩阵进行降维处理；然后，利用CNN和LSTM分别挖掘电离层数据的空间特征和时间特征，建立CNN-LSTM组合模型，并引入通道注意力机制进行权重选择。此外，采用改进的灰狼优化算法进行超参数优化，从而提高模型的拟合精度和预测能力。
张龙杰同学分享的主题为“Improving the ABC Algorithm to Optimize Short-Term Clock Bias Prediction in BP Neural Networks and Its Application”。针对BP神经网络在处理非线性与复杂环境时易陷入局部最优解，且收敛速度较慢的问题，本文提出一种改进的人工蜂群(ABC)算法用于优化反向传播神经网络模型，并将其应用于钟差短期预报中。首先，从增强步长的随机性、提升搜索效率及维持种群多样性出发，引入莱维飞行策略、教与学优化算法及适应度-距离平衡机制，改进ABC算法，有效提高算法的全局搜索能力，避免陷入局部最优解。其次，将改进的ABC算法与BP神经网络相结合，应用于卫星钟差短期预报，并给出相应的计算步骤。然后，选用GFZ提供的高精度卫星钟差产品，从算法效率、稳定性及精度等方面进行单天和多天预报对比分析，验证模型的适用性。
