6月29日下午2點,k8凯发国际與人工智能學院第三十二期研究生學術論壇在崇真樓南樓A4030成功舉辦。本次論壇由2022級研究生李幸阜，2021級研究生印偉、魏超、龔明康和王魁主講，學院研究生會主辦，學院王兆靜博士出席了該論壇。

李幸阜的報告題目是「Applications of Machine Learning in Requirements Traceability: A Systematic Mapping Study」。他主要報告關於機器學習（ML）在需求跟蹤（RT）中應用的系統文獻綜述。他指出，需求跟蹤對於軟件維護、需求管理和需求變更影響分析等至關重要，機器學習技術在RT中的應用受到了廣泛的關注。研究結果表明有32種ML技術和7種用於建立跟蹤連結的增強策略。在研究論文使用的眾多的數據集中開源數據集是最受歡迎的，這大大提高了研究的可復現性。並且這些原始研究的總體質量處於良好水平。

印偉的報告題目是「基於網絡流量的安卓廣告軟件檢測研究」。他指出，近年來安卓設備的使用十分廣泛，有大量的APP可供下載使用，同時也存在大量廣告軟件給用戶帶來麻煩和不便的現象，並且該種現象對用戶私隱也構成了一定威脅。為提高檢測的準確性，他設計出一套數據處理方法並設計出一套機器學習算法用於移動設備上檢測，並提出一種基於預訓練模型的檢測系統，通過捕獲軟件產生的網絡流量來動態檢測廣告軟件。該系統具有高精度、高速度和良好的泛化能力，在設計的四個檢測任務中實現了最先進的性能。

魏超的報告題目是「基於訪問控制日誌的ABAC訪問控制策略生成方法」,他指出，數據的共享與利用一直以來面臨着安全風險，數據被秘密爬取類似事件日益嚴重。訪問控制是保護數據安全的重要手段之一。針對該種現象，基於屬性的訪問控制（ABAC）具有更高的靈活性，不僅支持大規模信息化系統的細粒度訪問控制，還可以支持動態的訪問控制。他主要介紹了一種基於訪問控制日誌的ABAC訪問控制策略生成方法，這種基於無監督機器學習算法從日誌數據預處理、候選規則挖掘、候選規則篩選、規則優化步驟提取出準確率高、過度授權風險較低的規則。報告結束後，師生們進行了現場提問，魏超對相關專業問題進行了詳細的解答。

龔明康的報告題目是「MIRS:[MASK] Insertion based Retrieval Stabilizer for Query Variations」。他指出，預訓練語言模型(PLM)極大地推動了文檔檢索任務的發展。然而最近的研究表明，PLM很容易受到查詢變化的影響，即包含拼寫錯誤或單詞重新排序等。為了有效解決該問題，他重新審視了掩碼語言模型（MLM），並提出了一種魯棒的微調算法。該算法與現有方法的不同之處在於，將[MASK]標記插入到查詢變體中，並進一步鼓勵原始查詢對其變體之間的向量相似性。通過所提出此方法在檢索精度方面平均表現出相對1.8MRR@10絕對點增強。

王魁的報告題目是「一種基於隱式反饋的自學習去噪魯棒模型」。他指出，隱式反饋數據能有效地緩解推薦系統訓練數據稀疏性的問題，但是這類數據因為無法反饋真實的用戶-項目偏好，其中包含很多噪聲數據，這類噪聲數據會嚴重影響推薦模型的性能。雖然近年來的一些研究在一定程度上增強了推薦模型的魯棒性，但是這些方法基本都從數據的特性着手。他從推薦模型出發，提出了一種基於樣本選擇的自學習依賴值評估器模型框架對隱式反饋數據去噪。該模型利用推薦系統性能對隱式反饋數據的依賴性，用一種策略梯度算法以實現依賴值評估器的自主更新。該評估器能有效的篩選依賴樣本，利用依賴樣本來訓練推薦系統。該模型在多個具有代表性的推薦數據集和2個推薦模型上進行了大量實驗，實驗結果顯示推薦性能得到有效提升。