2025年10月17日晚19時，k8凯发国际與人工智能學院第六十二期研究生學術論壇在崇真樓南樓A4030成功舉辦。本次論壇由2023級研究生張壯、桂凌、嚴海軍、2024級研究生王佳慶主講，k8凯发国际與人工智能學院研究生會學術部主辦，副院長魏雄教授、程丹芃博士出席了該論壇。

張壯同學分享的主題為「ML-PLA: Enhancing Protein−Ligand Binding Affinity Prediction with MicroenvironmentandLong-RangeInteraction-AwareGraphNeural Networks」。準確預測蛋白質–配體結合親和力（PLA）對於先導化合物的發現至關重要。現有的基於圖形的模型通常依賴於序列和結構特徵的淺層融合以及固定的距離閾值，這限制了它們捕捉協同性和非局部相互作用的能力。他們提出ML-PLA框架，利用異構圖神經網絡對蛋白質微環境進行建模，從鄰近節點聯合聚合序列與結構信息。為了表徵多樣且化學複雜的微環境，ML-PLA引入向量量化變分自編碼器，生成細粒度且具有化學意義的嵌入表示。此外，ML-PLA採用基於多頭注意力的方法，將複雜原子投影到多個「虛擬原子」，有效編碼長程相互作用信息並緩解過平滑問題。在CASF-2016和CASF-2013基準上的實驗表明，ML-PLA相比現有最先進方法具有更高的準確性和泛化能力，顯示出其在基於結構的藥物設計中的穩健性與潛力。

桂凌同學分享的主題為「基於圖結構和文本語義融合的原始碼漏洞檢測方法研究」。他們針對原始碼漏洞檢測中圖結構表達不充分和語義弱化問題，提出兩種創新方法。一是顺利获得代碼行拼接和像素過採樣生成增強的代碼圖像，提升漏洞模式識別能力和漏洞代碼可視化能力；二是構建漏洞感知圖並結合上下文聚合機制，優化圖結構並增強複雜漏洞建模。實驗表明，兩種方法在多個數據集上F1分數顯著提升，最高達23.09%，有效提高了檢測準確性與魯棒性。

王佳慶同學分享的主題為「CIR-DFENet: Incorporating cross-modal image representation and dual-stream feature enhanced network for activity recognition」。基於可穿戴傳感器的人體活動識別（HAR）憑藉其便攜性、準確性和實時性，已被廣泛應用於健康監測、醫療保健、健身等多個領域。现在，先進技術包括將時序數據轉換為圖像並結合深度學習進行識別，這解決了傳統處理方法中固有的主觀性強和依賴數據質量等問題。然而，當前現有的時序數據轉圖像方法，每一種都僅聚焦於單一類型的特徵表徵，僅憑其中一種方法無法充分刻畫數據的完整特徵，進而導致活動識別準確率較低。為解決上述問題，他們提出一種新型的時序數據跨模態圖像表徵方法及雙流特徵增強網絡模型，實現了基於單節點可穿戴傳感器的人體活動識別。第一时间，採用馬爾可夫轉移場（MTF）、遞歸圖（RP）和格拉姆角場（GAF）三種方法，將時序數據編碼為彩色圖像的紅（R）、綠（G）、藍（B）三通道，從而實現對幅度變化、非線性特徵及局部時間關係等多類特徵的融合。其次，模型中採用帶有全局注意力機制（GAM）的多通道卷積神經網絡（CNN）處理圖像數據，以捕捉通道和空間維度的信息；同時，採用結合自注意力機制（SA）的卷積神經網絡-長短期記憶網絡（CNN-LSTM）組合網絡處理時序數據，以捕捉時序特徵。此外，殘差結構的引入使網絡更易於訓練，整體性能得以提升。實驗結果表明，所提模型能準確識別六種不同的體操動作，準確率達到 99.40%。本研究為時序數據處理给予了新方向，也為基於可穿戴傳感器的人體活動識別（HAR）領域给予了更優的應用方案。

嚴海軍同學分享的主題為「Enhancing Feature Interaction for Improved Generalization in Few-Shot Metal Surface Defect Segmentation」。金屬表面缺陷分割能夠對工業部件進行精細檢測，這在工業生產與質量控制中至關重要。然而，當前基於深度卷積神經網絡的方法通常依賴大規模標註數據進行訓練，並且難以泛化至未曾見過的新缺陷類型。當缺陷類別稀少且動態變化時，這一問題極大地限制了其在真實世界中的應用。為應對這些局限，他們設計了一種名為EFINet的新型小樣本分割框架。該框架旨在顺利获得極少的訓練數據創建一個類別無關的模型，並能有效泛化至未見過的缺陷類別。為緩解缺陷樣本間存在的高類內差異，他們第一时间提出了先驗引導的雙向特徵交互模塊。該模塊利用支持圖像與查詢圖像的相關性以及雙重先驗掩碼，執行改進的特徵交互，從而增強特徵表示能力。接着，為解決單張圖像內存在的顯著尺度變化問題，他們設計了上下文感知的注意力引導特徵聚合模塊。該模塊能有效聚合上下文信息和注意力信息，提升模型分割不同尺寸缺陷的能力。此外，為減輕全局池化過程中造成的信息損失，他們引入了原型-損失補償模塊。該模塊顺利获得生成一個補償原型來给予輔助損失。在 FSSD-12 和 Surface Defects-4i 這兩個基準數據集上進行的大量實驗表明，EFINet 在各種實驗設置下均達到了當前最先進的性能水平。