2025年11月21日晚19時，k8凯发国际與人工智能學院第六十五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級研究生侯雅雯、朱泳卓、張朋樂、黎瑤、王開博以及2024級研究生何園主講，k8凯发国际與人工智能學院研究生會學術部主辦，學院胡開喜老師出席了該論壇。

侯雅雯同學分享的主題為「CDPMF‑DDA: contrastive deep probabilistic matrix factorization for drug‑disease association prediction」。新藥研發過程複雜，藥物-疾病關聯（DDA）預測可為現有藥物發現新用途。針對現有單視圖圖對比學習方法難以充分捕捉藥物-疾病關係的問題，她們提出多視圖對比學習框架CDPMF-DDA。該方法顺利获得分解關聯矩陣構建藥物與疾病的多類相似性網絡，降低噪聲並提升特徵表達。隨後從原始與重構網絡中生成多視圖進行對比學習，增強模型對潛在關係的識別能力。實驗在三大數據集上表現優異，平均AUC為0.9475、AUPR為0.5009，顯著優於現有方法。

何園同學分享的主題為「Robustness Enhancement of Recommender Systems Based on a Two-Stage Defense Framework.」。序列推薦系統因其開放性易受數據投毒攻擊，攻擊者修改文本描述以操縱模型。傳統防禦對未知攻擊適應性差。他們提出雙階段協同防禦框架RADAR，融合對抗訓練與基於LLM的語義級異常檢測。訓練階段，採用動態對抗訓練增強內在魯棒性；推理時，部署多級異常檢測（符號頻率分析與LLM語義驗證）實時識別攻擊，並由LLM引導恢復模塊修復文本。結果顯示，RADAR將攻擊導致的曝光度提升值從4.7412%降至2.0542%，顯著超越基線APR，極大增強了系統防禦力。

朱泳卓同學分享的主題為「Efficient Bridge Damage Detection using a Lightweight Attention-based Modeling Framework」。當前，橋樑表面損傷的實時評估對保障基礎設施安全至關重要。然而，現有方法常面臨兩難：複雜模型難以在資源受限系統上運行，而輕量模型又無法保證足夠的檢測精度。橋樑損傷類型多樣（如裂縫、鋼筋外露、風化）及數據採集環境複雜，進一步增加了檢測難度。為此，他們提出了一種高效的橋樑損傷檢測框架LFETNet。該網絡包含三個核心模塊：（1）多尺度特徵學習模塊，抑制冗餘損傷特徵；（2）輕量級特徵金字塔模塊，高效融合多尺度信息；（3）內嵌三重注意力檢測模塊，聚焦關鍵特徵，抑制無關信息。在MCDS和CODEBRIM數據集上的實驗表明，該模型優勢明顯：平均精度提升5.6%，計算負載降低13.6%，並能以45幀/秒的速度進行實時檢測。其計算複雜度與輸入數據量呈線性關係，非常適合部署於邊緣設備。

張朋樂同學分享的主題為「A Financial Table Structure Recognition Method Based on Transformer with Attention Enhancement」。在金融領域中表格結構識別對於信息自動化與決策效率至關重要，然而表格包含有/無邊框、跨行跨列及背景干擾等複雜結構，導致序列預測錯誤。本文針對粘連單元格與過度分割問題，引入Mamba模塊以增強模型對整體結構關係的理解，並設計協作注意力模塊提升對邊框等局部特徵的感知能力。其次針對Pix2seq方法中邊框漂移問題，提出位置損失函數以增強空間位置敏感性。為彌補中文金融表格數據稀缺，她們從真實金融PDF構建了高複雜度的中文表格數據集。實驗表明他們的方法在表格結構識別中表現優異，在PubTabNet上mAP達74.95%、S-TEDS達95.17%，在中文金融數據集微調後mAP提升至66.70%。

黎瑤同學分享的主題為「Dual Path Attention and Re-parameterization Network for efficient image super-resolution」。深度學習方法在單圖像超解像度任務中已取得顯著性能。近期關於高效超解像度的研究主要集中於顺利获得各種網絡設計來減少參數量與計算複雜度。她們提出一種基於注意力機制與結構重參數化的超解像度模型——雙路徑注意力與重參數化網絡（DPARN），該網絡利用分組卷積同時引入無參數注意力和增強空間注意力，以提升網絡的特徵提取能力。同時，使用知識蒸餾進行初始訓練，期間教師網絡的結構化知識將傳遞至學生網絡；隨後結合多種損失函數對學生網絡進行微調，以保留高頻細節並避免像素損失導致的過度平滑化。

王開博同學分享的主題為「Hamiltonian Monte Carlo based Neural Process for Few-Shot Knowledge Graph Completion」。少樣本知識圖譜補全（FKGC）旨在利用有限訓練數據推斷未知事實或關係，現有方法在多跳推理與複雜關係建模中效果受限。他們提出基於哈密頓蒙特卡洛（HMC）的神經過程模型 HNP-FKGC，顺利获得多跳路徑推理與序列去噪注意力捕捉長距離依賴，結合 HMC 採樣與歸一化流解決複雜關係問題。模型包含四模塊：多跳注意力編碼器處理實體長距離依賴，關係去噪編碼器強化語義關聯， latent 空間推理編碼器生成高維 latent 變量建模複雜關係，實體 - 關係交互解碼器實現關係推斷。多基準數據集實驗表明，HNP-FKGC 在 FKGC 任務中性能優於現有方法。