2023年深圳大学计算机与软件学院海内外青年科学家云论坛-人工智能与网络系统

人工智能与网络系统

2023年10月17日

9:00 - 12:00

腾讯会议号：661385493

主持人：崔来中

报告人：李庚辉、李佳、李明、罗飞、沈天翔、文志豪

1

 Speaker：南方科技大学  李庚辉 

代理模型辅助的进化算法及其应用

报告摘要

实现世界中存在大量的黑盒昂贵设计优化问题，代理模型辅助的进化算法已经成为求解此类问题的主流方法。本次报告主要介绍代理模型辅助的进化算法的基本框架、主要步骤和核心问题，并分享针对无约束黑盒昂贵优化问题和带约束黑盒昂贵优化问题的相关算法及其在太空绳网捕获系统被动控制设计优化中的应用。

2

 Speaker：北京大学  李佳

基于深度学习的智能化软件工程

报告摘要

在本次报告中，我将介绍已有的主要研究成果和经验，主要分为智能化软件工程和自然语言处理两个方面。

关于智能化软件工程的研究，我主要介绍代码表示、代码克隆检测和代码翻译。在软件工程中，良好的代码表示是进行代码相关下游任务的前提。考虑到对于同一需求，程序实现是多样性的，并且具有相似实现的程序也可能有完全不同的功能。我们提出了多视角对比学习方法学习功能级的程序表示。该方法在代码检索任务上达到了当时最优性能，并被Internetware 2023 收录。此外，随着程序语言种类的增加和开源代码数量的快速增长，开发人员对跨语言克隆检测的需求不断增加。因此，跨语言克隆检测对于有效地维护软件系统非常重要。但是，标注跨语言克隆数据的成本是昂贵的。为解决上述限制，我们提出了无监督跨语言代码克隆方法，并在软件工程国际顶级会议ASE 2023 上发表了该工作。代码迁移是软件开发和维护过程中的一项重要活动。早期的研究主要依靠开发人员制定的规则进行翻译，翻译过程容易出错且耗时。我们提出了语法可知的代码翻译方法SDA-Trans，该方法考虑了程序的强语法结构，利用少量的单语语料即可达到很好的代码翻译效果，该工作被软件工程国际顶级会议ICSE 2023录取。

关于自然语言处理的研究，在本次报告中我主要讲述关于人机对话、细粒度情感分析、半结构化数据分析等方向的研究，相关工作发表在KDD、EMNLP、WSDM、CIKM等。

3

 Speaker：阿姆斯特丹大学  李明

智能零售场景下的重复与探索推荐

报告摘要

人工智能(AI) 正在重塑零售业格局，推荐系统作为连接用户与商品的桥梁是智能零售中的核心环节。在智能零售领域，人们存在着大量重复购买与探索购买的行为，这为推荐系统的评估与设计带来了诸多机遇与挑战。本次报告主要关注智能零售场景下的重复与探索推荐领域，围绕推荐模型的评估与设计，旨在回答以下两个核心问题：1. 重复推荐与探索推荐的区别，以及如何正确评估推荐系统的性能。2. 如何更好的针对重复与探索行为同时存在的场景下设计以及训练推荐模型。

4

 Speaker：伦敦玛丽女王大学  罗飞

基于无线传感器的行为识别

报告摘要

介绍了本人在无线感知领域的相关工作；将雷达、LiDAR、UWB、WiFi等无线传感器应用于人的行为识别（包括日常行为、跌倒、手势等）。其研究主要致力于解决：1. 提高行为识别的准确性和泛化性；2. 关联行为感知和位置感知；3. 边缘智能感知。报告包含以下主要内容：1.提出了针对无线信号的双流神经网络，融合时域和频域特征提高行为识别准确率；2. 结合场景语义，创新性得根据用户的轨迹来识别其行为。3. 构造了一维的SENet对时序的轨迹信号在空间中的三个维度上进行特征相关性建模，实现了高准确率的手势识别。4. 针对传感器数据量大，边缘设备计算量小的特点，使用二值化神经网络对感知模型进行压缩；在边缘设备上实现了低功耗、低延迟、低内存的行为识别。

5

 Speaker：香港大学  沈天翔

安全赋能AI：基于硬件可信执行环境的高可靠, 低延时的深度学习模型推理系统

报告摘要

人工智能与边缘计算的繁荣推动越来越多训练有素的深度学习模型部署在第三方边缘设备上运行，以支撑关键任务服务(如自动驾驶)。由于服务提供者的模型是私有的，这就需要在不可信的第三方设备上运行推理服务时，保护模型参数的机密性，并使用本地的加速芯片(如GPU)来加速本地模型推理。最近，学术与工业界正寻求通过CPU可信执行环境 (TEE)来提升安全性。然而，现有的解决方案要么在TEE中运行整个模型，从而遭受极高的推理延时；要么采用基于模型切分的方法，通过手动进行参数混淆，并切分混淆后的模型至不可信的GPU上运行，从而实现更低的推理延时，但牺牲了TEE外的计算完整性和推理精度。

我们提出SOTER，首个同时实现模型参数机密性保护，推理完整性保护，低延时，高精度的推理系统。SOTER提出一个全新的TEE-GPU跨内核的Morph-Then-Restore (MTR)协议。观察到构成推理计算瓶颈的模型算子大都具备交换性，MTR安全地在TEE内进行算子变形，切分至GPU运算，并在推理过程中适时在TEE内还原。通过联合设计高安全性的TEE与高计算性能的GPU实现端到端的安全快速推理。同时，SOTER设计了一种不可区分的指纹监测技术，可以安全地监测GPU上变形算子的完整性破坏，由此确保推理的正确执行。对比现有的推理系统，即使提供了更强的模型安全保护，SOTER 依然实现了与基于模型切分方案的相当的高性能，同时保持了与非安全模型推理相同的高精度。

6

 Speaker：新加坡管理大学  文志豪

基于图的预训练和提示来增强低资源文本分类

报告摘要

文本分类是信息检索中的一个基本问题，在现实世界中有许多应用，例如预测在线文章的主题和电子商务产品描述的类别。然而，低资源文本分类由于标注样本较少或没有标注样本，给监督学习带来了严重的问题。同时，许多文本数据本身就基于网络结构，如在线文章的超链接/引用网络和电子商务产品的用户-物品购买网络。这些图结构捕捉了丰富的语义关系，可以增强低资源文本分类。在本文中，我们提出了一种名为 "基于图的预训练和提示"（Graph-Grounded Pre-training and Prompting，G2P2）的新型模型，以双管齐下的方式解决低资源文本分类问题。在预训练过程中，我们提出了三种基于图交互的对比策略，以联合预训练图-文本模型；在下游分类过程中，我们探索了对联合预训练模型的提示学习，以实现低资源分类。在四个真实世界数据集上的广泛实验证明了 G2P2 在零资源和少量资源文本分类任务中的优势。

扫码加入论坛会议

更多精彩

关注我们

图文 | 各位讲者

排版 | 吕子桐

责编 | 伍亚洲

—   版权声明  —

本微信公众号所有内容，由深圳大学计算机与软件学院微信自身创作、收集的文字、图片和音视频资料，版权属深圳大学计算机与软件学院微信所有；从公开渠道收集、整理及授权转载的文字、图片和音视频资料，版权属原作者。如原作者不愿意在本公众号刊登内容，请及时通知本号，予以删除。