广西大学计算机与电子信息学院

信息技术研究生论坛

场次一、

时间：2022年12月5日（星期一）9:00-11:00

地点：计算机与电子信息学院601教室

报告题目一：移动边缘网络中联邦学习效率优化问题

报告人：何思怡

报告简介：报告介绍了移动边缘网络中联邦学习效率优化问题。联邦学习 (FL) 是一种新兴框架，用于边缘设备分布式处理大数据量，受限于通信带宽有限、数据分布和计算资源的异构性以及隐私考虑。报告详细介绍了以边缘计算作为扩展，提出了基于边缘学习的联邦学习方法。该方法关注联邦学习中异构性问题，融合了在分布式优化问题中有良好表现的算法，提高了联邦学习的通信效率。

报告题目二：基于声誉筛选联邦学习数据源的医疗数据共享

报告人：冯敏瑜

报告简介：报告介绍了一种联邦学习与区块链相结合的医疗数据共享与隐私保护方案。随着医疗大数据的发展，医疗数据安全、个人隐私保护的问题也日益突出。报告介绍了一种方法通过联邦学习对多源医疗数据进行建模，将训练的模型参数和医疗机构的声誉值存储于区块链上，并利用区块链对贡献高质量数据的医院进行奖励。然后，通过分析数据源质量对联邦学习算法性能的影响，提出了一种基于双重主观逻辑模型的声誉值计算方法来改进联邦学习的精确度，以保证在数据共享中高效筛选数据源，提高共享效率和实现隐私保护。

报告题目三：基于联邦学习的分布式隐私保护技术研究

报告人：陈逸欣

报告简介：报告介绍了一种基于联邦学习(federated learning)和拆分学习(split learning)的隐私保护分布式学习方法。由于深度神经网络(DNN)的训练需要大量数据和算力支撑，仅依靠物联网边缘中单个设备拥有的数据不足以完成模型训练，而传统的集中式训练方法也逐渐暴露出越来越多的隐私安全问题。联邦学习和拆分学习使客户端们避免将数据上传至服务器而又能协同训练神经网络模型，既保护了数据隐私又充分利用了各客户端的数据源。报告介绍了该方法的实现和效果，证明了该方法的有效性。

报告题目四：基于PBFT的物联网边缘计算多阶段一致性算法研究

报告人：谢金城

报告简介：介绍了一种多阶段一致性算法EIoT-PBFT，包括分组阶段、评分阶段和一致性达成阶段。EIoT-PBFT算法采用两阶段改进PBFT算法和基于位置和信誉的评分机制，满足物联网边缘计算环境，大大提高了共识效率，相比PBFT算法减少90%的系统通信次数所需配置的边缘节点数量仅为5个，使得区块链更适合CIoT设置。

场次二、

时间：2022年12月6日（星期二）14:00-16:00

地点：计算机与电子信息学院610教室

报告题目一：ATP: In-network Aggregation for Multi-tenant Learning

报告人：彭涯军

报告简介：随着机器学习数据集和模型的增大，机器学习的训练过程逐步被部署到多服务器上，其中多worker向参数服务器PS交换梯度、更新模型的计算方式是一种典型的体系结构。但是，在这种体系结构下，PS容易成为通信瓶颈。因此我们设计了网内聚合协议ATP来解决这一瓶颈，同时支持在数据中心中的多租户多机柜部署。ATP利用最近的可编程交换机技术，将参数聚合的过程卸载到交换机上，从而减小了PS的网络流量和计算量。ATP协议包括交换机上的网内聚合计算服务、终端服务器的可靠传输、和高吞吐网卡的加速技术。通过将ATP对接PyTorch和AlexNet、VGG等常用模型上进行测试，证明ATP能够有效的加速机器学习的效率。

报告题目二：REN: Receiver-driven Congestion Control using

Explicit Notification for Data Center

报告人：余天添

报告简介：近年来，在数据中心网络中，许多接收方驱动的传输协议被提出，它们通常使用主动拥塞控制的方法来满足应用对延迟的要求。然而，在动态的网络环境下，接收方驱动的传输协议面临着各种各样的挑战。首先，当突发流开始时，第一个RTT中的攻击性即盲目以线路速率传输容易导致持久的队列积压。其次，当一些流完成传输时，其余的流不能增加其发送速率以占用可用带宽。为了解决这些问题，本文提出了一种新的接收方驱动的拥塞控制协议REN，它使用交换机的低利用率和过度利用率通知来处理动态流量。在显式标记的帮助下，REN减轻了由于攻击性启动而导致的队列积压问题，明显的提高了链路带宽资源的利用率，并且仍然保留了接收器驱动的特性以实现超低延迟。我们使用DPDK实现了REN的原型。真实试验台和大规模NS2模拟的实验结果表明，与最先进的接收方驱动传输方案相比，REN有效地将平均流完成时间降低，并提高了链路带宽资源的利用率。

报告题目三：ScaleCom: Scalable Sparsified Gradient Compression for Communication-Efficient Distributed Training

报告人：李温良

报告简介：在过去的十年中，DNN在包括计算机视觉、语音和自然语言处在内的广泛应用中已经超越了传统的机器学习模型。在最先进的平台上进行深度神经网络(DNN)的大规模分布式训练，预计将受到严重的通信限制。为了克服这一限制，已经提出了许多梯度压缩技术，并证明了高压缩比。然而，大多数现有的方法不能很好地扩展到大规模的分布式系统(由于梯度积累)或不能在大型数据集上评估模型保真度(测试精度)。为了缓解这些问题，本文提出了一种新的压缩技术，可扩展稀疏梯度压缩(ScaleCom)，它利用worker之间梯度分布的相似性来提供显著改进的可伸缩性。

报告题目四：数字孪生辅助自适应视频流的个性化体验质量增强方案

报告人：覃少雯

报告简介：由于针对视频流的个性化体验质量（PQoE）模型是用户特定的和时变的，因此基于通用和时不变个性化体验质量的现有方案可能会性能下降。而数字孪生具有实时双向映射、动态交互的特点，可以充分捕获时变的用户特点和视频流，实时分析并辅助视频流传输。数字孪生辅助的自适应视频流方案不仅可以针对不同用户捕获其个性化的视频参数的偏好，还可以根据视频变化实时调整个性化体验质量模型参数。本次报告介绍了DT辅助的个性化体验质量模型构建方法，和深度强化学习算法，联合确定段版本选择、通信和计算资源分配，以增强用户个性化体验质量。

报告题目五：基于三维图像和回归网络的猪体重自动测量

报告人：罗森

报告简介：用秤称猪需要很多时间，容易让猪产生压力。这可以通过基于深度图像测量权重来避免。我们设计了一系列预处理算法，包括实例分割、距离无关、降噪和旋转校正。这些算法用于消除周围环境和其他因素的影响。为了准确预测权重，我们基于BotNet构建了一个回归网络。3×3卷积和MHSA的双分支代替ResNet中第四块的单个3×3卷积。在网络的末端，我们并行使用多个完全连接的层，然后将它们连接起来以预测权重。在对122736张图像进行训练后，我们的网络在5326张测试图像上的MAE为6.366。

场次三、

时间：2022年12月6日（星期二）15:00-17:00

地点：计算机与电子信息学院601教室

报告题目一：意见三元组抽取方法及扩展任务研究

报告人：何乃旭

报告简介：主要介绍意见三元组抽取的几种主流方法，包括管道模型，联合学习模型和基于机器阅读理解的抽取方法。并由此扩展到语言模型的逻辑推理、思维链等方法。

报告题目二：大规模网络下进化计算法算法在社区发现领域的应用研究

报告人：余谦

报告简介：介绍社区发现领域常用的进化计算算法以及原理，随后介绍在大规模网络下主流进化计算算法存在的问题。最后，介绍为解决这些问题所提出的一些改进算法并介绍对比实验结果和未来改进方向。

场次四、

时间：2022年12月7日（星期三）8:00-12:00

地点：计算机与电子信息学院601教室

报告题目一：基于频滤自适应滤波器的单视图三维重建研究

报告人：温凡彪

报告简介：报告介绍了一种基于频滤自适应滤波器的单视图三维重建方法。由于图卷积相当于一个低通滤波器，因此基于图卷积分网格重建常常难以恢复高频的细节特征。该方法使用频滤自适应滤波器设计的卷积算子提取多尺度频率特征，使得重建网格具备更多的细节。报告介绍了该方法的实现和效果，弥补了该研究领域的空白。

报告题目二：多模态特征融合的图像匹配研究

报告人：王欣

报告简介：报告介绍了一种利用多模态特征融合的图像匹配方法。模态的普遍性和深度学习的快速发展赋予了多模态融合技术极大的发展潜力。报告详细介绍了多模态和图像匹配得背景知识，并介绍了一种新颖得结合多模态特征融合得图像匹配方法，该方法在性能上达到了SOTA。

报告题目三：图神经网络综述

报告人：刘飞

报告简介：介绍了图学习的概念、应用和发展现状。图被广泛用于表示连接数据的网络结构。图数据可以在广泛的应用领域中找到，如社会系统、生态系统、生物网络、知识图和信息系统。随着人工智能技术的发展，图学习(即图上的机器学习)正受到研究者和实践者的关注。图学习被证明对许多任务都是有效的，例如分类、链接预测和匹配。

报告题目四：基于CNN特征融合图像块回归的空间隐写分析

报告人：梁伟琳

报告简介：介绍了一种用于图像隐写分析融合图像块回归的深度卷积神经网络。目前深度卷积神经网络构建的隐写隐写分析模型已经牢固地确立了自己优于以前的传统检测方式 - 基于富媒体模型的分类器。基于图像块回归的深度模型能够有效利用cover图像和stego图像之间的差别，并以块回归的模式辅助网络训练，使得网络达到了更好的分类精度，并且这种架构是通用的，大量的实验表明，该网络的卓越性能有了显着的改进，特别是在空间域中。

场次五、

时间：2022年12月7日（星期三）14:30-16:05

地点：计算机与电子信息学院601教室

报告题目一：基于序列结构和语法结构的方面级情感分析研究

报告人：凌键军

报告简介：当前方面级情感分类的研究方法主要是利用注意力机制结合句法依存树的方法对方面词及其上下文关系进行建模。这些方法容易受到句法依存树的解析质量的影响，同时只从句法结构角度考虑句子情感，忽视了句子本身序列结构所包含的句子情感信息，限制了模型性能的进一步提升。针对这些问题，本报告提出了一种结合句子序列结构和句法结构的网络模型，模型中分别处理两种结构的情感信息，然后融合两种结构的情感信息获取结构之间的共性情感信息，最后结合多层网络之间的融合信息，提升模型的情感分类效果。

报告题目二：贝叶斯网络结构学习综述

报告人：饶臻

报告简介：贝叶斯网络是一种描述变量间不确定性因果关系的概率图模型，广泛应用于预测、推理、诊断、决策风险及可靠性分析等领域。结构学习作为构建贝叶斯网络的基础，被证实为非确定多项式难题。本报告将贝叶斯网络结构学习按照数据量大小分为完备数据和缺失数据，将完备数据下的贝叶斯网络结构学习分为近似学习算法和精确学习算法。根据上述分类方法，对现有算法及其相关的改进算法进行总结与分析对比。

报告题目三：双向任意尺度缩放的图像优化方法

报告人：李志鹏

报告简介：基于深度学习的单幅图像超分辨率模型得到了广泛的研究，对于具有固定尺度因子的低分辨率图像和降尺度退化核的超分辨率模型都取得了很好的效果。为了提高这类模型在现实世界中的适用性，人们越来越有兴趣开发针对任意放大因子优化的模型。我们提出的方法是第一个将任意缩放，包括缩小和放大，作为一个统一的过程。通过两个方向的联合优化，该模型能够同时学习图像的缩放和降尺度，实现图像的双向任意缩放。它在很大程度上提高了当前任意缩放模型的性能，同时学习在缩放图像中保持视觉感知质量。在周期幂等检验中进一步证明了该模型的鲁棒性，当重复使用降尺度到上尺度的周期时，重构精度不会严重下降。这种鲁棒性有利于在野外图像缩放时，该循环可以应用于一个图像多次。它在任意大尺度和非对称尺度的测试中也表现良好，即使该模型没有使用此类任务进行训练。大量的实验证明了我们的模型的优越性能。

报告题目四：基于物联网的温室通风除湿设备研究

报告人：黄天艺

报告简介：首先介绍相关背景和课题来源。传统人工开口除湿中存在的费时费力、自然通风效率低等问题，报告详细介绍了根据农业物联网标准体系结构，结合温室黄瓜生长的实际环境及需求，设计与研发一套温室专用的通风设备。针对农业应用场景中防水、抗冻、防震、防虫、低成本等需求，在硬件方面采用轻型材料设计防水风机外观，在设备中各部件添加防震垫圈，采用防水风机并添加防虫网。在软件层面，基于TTL通信协议传输数据，Raspberry Pi 4B输出的智能决策结果由4G DTU模块接收，STM32通过串口AT命令驱动4G模块与Raspberry Pi 4B进行连接，并利用引脚将决策结果转化为风机电压控制器的控制信号，控制风机通风实现自适应换气调控。

报告题目五：

报告人：何浩发

报告简介：生物网络比对不仅是一个NP-hard问题，而且在生物网络数据中混杂着大量的假相互作用。本报告介绍一种利用生成对抗网络（Generative adversarial network, GAN）的比对方法。首先通过提取生物网络中的节点和边信息来得到图的节点嵌入表示；然后将源图的嵌入通过GAN映射到目标图的嵌入空间来完成对齐；最后，通过统计映射后嵌入之间的距离来得到结果。通过在真实的PPI网络数据集IsoBase上测试，在拓扑相似性和生物相似性上均有良好的表现。

报告题目六：基于伪激光雷达的实时3D目标检测算法

报告人：李昌财

报告简介：三维（3D）物体检测是自动驾驶中的一项基本任务。尽管最近基于LiDAR的3D物体检测技术已经得到了很好的研究并实现了高检测精度，但LiDAR传感器的成本对其实际实施造成了很高的溢价。最近引入的基于伪激光雷达的利用图像数据检测物体的方法具有较高的成本效益，但计算复杂，无法满足实时性要求。在本文中，我们提出了一种轻量级伪激光雷达三维检测系统，该系统实现了高精度和高响应性。具体来说，我们采用了一种高效的深度估计器，其中使用二进制神经网络（BNN）来实现及时的深度预测。为了解决BNN定量引起的精度下降问题，我们在BNN训练中引入了虚拟平面的几何约束，以增强对象的完整性并改善其在3D空间中的表示。对于我们系统的三维物体探测器，我们提供了有效的改进方案，包括偏差感知（DA）头和微调模块（FM），用于将现有的基于激光雷达的探测器转换为高效的伪激光雷达检测组件。KITTI基准测试的实验表明，我们的系统可以在35毫秒内进行3D检测，同时获得与最先进的（SOTA）算法竞争的结果。

报告题目七：信任博弈中的声誉机制研究

报告人：强炳壮

报告简介：信任对现实世界中的经济发展、社会和谐、政治稳定和文化继承至关重要，理解信任在自私种群中是如何涌现和演化的，一直是一个有意义且有挑战性的问题。报告介绍了具有动态适应性声誉的受托人的声誉建立和成本如何影响信任的演化。结果证明，即使建立声誉要付出代价，信任和可信度仍然有可能出现并持续存在。同时，适度水平的声誉建立意愿或中等的声誉成本更有利于信任的演化。

报告题目八：第三代测序数据基因组结构变异检测算法研究

报告人：马汇东

报告简介：基因组结构变异检测是基因组分析中一个重要且充满挑战的研究问题。现有的基于长读的结构变异检测方法仍存在参数容错率低、假阳性率高、难以同时很好地处理多种变异的问题。本次报告介绍了一种基于长读比对信息编码的基因组结构变异检测方法，通过将结构变异周围的长读比对信息编码成图像，使用卷积神经网络进行过滤以降低假阳性率，从而达到更高的检测性能。在模拟数据集及真实数据集上的实验表明，本报告介绍的基因组结构变异检测方法在检测插入、缺失、倒位和重复方面优于现有方法。

报告题目九：基于TFHE的多密钥同态加密

报告人：王冠伦

报告简介：基于TFHE的多密钥全同态加密方案通过推广Chillotti等人的低延迟同态加密，提出了一种多密钥同态加密方案。该方案可以在不同密钥下加密的密文上计算二进制门，然后进行引导。实现这一目标的最大挑战是设计单方引导密钥和多密钥RLWE密文之间的乘法。该方案为这种混合积提出了两种不同的算法。第一种方法改进了Mukherjee and Wichs的密文扩展，以提供更好的性能。第二种是一种全新的方法，它在存储、复杂性和噪声增长方面具有优势。

场次六、

时间：2022年12月8日（星期四）8:00-10:00

地点：计算机与电子信息学院601教室

报告题目一：集体决策中的从众反应研究

报告人：强炳壮

报告简介：从家庭和委员会等小规模社会系统，到政府和国际组织等大规模决策，集体决策都是人类社会的核心。这些系统的中心关注点是社会学习者的影响。报告探讨了从众反应如何影响集体表现。模型预测，当社会学习者的比例达到一个临界阈值时，就会出现一个双稳态状态，大多数人最终会倾向于更高价值或更低价值的选择。不超过此阈值时，大多数人会选择更高价值的选择。临界阈值由从众反应函数和两个选择的相对价值决定。研究有助于缓解社会学习者在集体表现上影响的分歧，并提出了一个数学框架，该框架可以很容易地用于扩展研究更广泛的动态变化。

报告题目二：从LiDAR中学习几何感知表示的双目3D检测器

报告人：李昌财

报告简介：基于立体的3D检测旨在从立体图像中检测3D物体，为3D感知提供了一种低成本的解决方案。然而，与基于激光雷达的检测算法相比，其性能仍然较差。为了检测和定位精确的 3D 边界框，基于 LiDAR 的探测器对来自 LiDAR 点云的高级表示进行编码。相比之下，由于立体匹配的限制，基于立体的探测器学习的高级特征很容易受到错误深度估计的影响。为了解决这个问题，我们提出了LIGAStereo（LiDAR几何感知立体探测器）在基于LiDAR的检测模型的高级几何感知表示的指导下学习基于立体的3D探测器。此外，我们发现现有的基于体素的立体探测器无法从间接3D监督中有效地学习语义特征。我们附加了一个辅助 2D 检测头，以提供直接的 2D 语义监督。实验结果表明，上述两种策略提高了几何和语义表示能力。与最先进的立体探测器相比，我们的方法在官方KITTI基准测试中分别提高了10.44%、5.69%、5.97%mAP的汽车、行人、骑自行车者的3D检测性能。基于立体和基于激光雷达的3D探测器之间的差距进一步缩小。