本报讯 近期，信息学院研究团队在国际物理和交叉科学的顶级期刊《物理报道》、国际计算机视觉顶级会议CVPR（即《2023年IEEE国际计算机视觉与模式识别会议》）上，共发表了3篇高水平论文，展现了在人工智能前沿领域和多学科交叉领域的最新成果。
复杂系统中的信号传播是理解集体行为出现的关键因素，近年来受到了学界的广泛关注。为了实现对复杂系统中信号传播特性与机制的更深层次理解，研究团队进行了全面的回顾与总结。在综述中，首先归纳了现有表征节点之间相互作用性质的不同模型，包括流行病模型、扩散模型、级联失效模型和描述神经元动力学的模型。其次，综述涵盖了不同类型的复杂网络及其拓扑结构，包括时序网络、多层网络和神经网络，同时回顾了利用信号传播特性的网络时间序列分析技术，如网络相关性分析、网络重建、节点定位和链路预测等方法，然后，总结了复杂系统中信号传播机制在流行病学、社会动力学、神经科学和机器人学方面的应用。最终，对与复杂系统中信号传播相关的未来研究方向进行了讨论，希望能促进工程、社会和自然科学领域的创新应用。以上研究成果发表于《物理报道》，信息学院唐漾教授为合作者之一。
针对如何利用可视化语言语义来辅助三维结构理解的难题，研究团队创新地提出了视觉语言语义辅助训练方案。该方案可以显著增强三维语义场景图预测模型对长尾和模糊语义关系的区分。其主要思路是通过训练一个强大的多模态指导模型来协助3D模型的构建。这个多模态模型基于视觉、语言和三维几何信息学习可靠的结构表示和特征，可以在训练阶段不均匀地传递给3D模型。以上研究成果发表于《2023年IEEE国际计算机视觉与模式识别会议》，信息学院唐漾教授为共同通讯作者。
针对在多个相关任务上联合训练深度学习神经网络架构权重参数可能导致性能下降，即所谓的负迁移难题，研究团队创新地提出了进化多任务-神经架构搜索（EMT-NAS）方法。EMT-NAS算法的核心在于通过在不同任务之间分享神经网络架构的知识，从而达到优化多个任务的效果。与传统的多任务学习不同，EMT-NAS为每个任务设计了个性化的网络架构和权重，从而有效地缓解了负转移的发生，此外，还提出了一种基于适应度重评估的方法，以缓解因参数共享和小批量梯度下降训练方法导致的性能波动，避免在搜索过程中失去有希望的神经网络架构。该研究不仅缓解了多任务学习中的负迁移，而且通过利用不同数据集中的任务相似性能有效地提高多任务学习算法的搜索效率和最终模型的分类精度。以上研究成果发表于《2023年IEEE国际计算机视觉与模式识别会议》，作者包括欧洲科学院院士、美国电子电气工程师协会会士金耀初教授，以及我校国家高层次人才杜文莉教授。（辛息）