报告一

题目：智能体记忆机制：从压缩管理到高效利用

报告人：何常鸿

时间：2026年10月15日（周四），14:00-14:20

会议地点：30-222

报告摘要：

探究智能体记忆的全生命周期，涵盖动态管理、无损压缩与知识复用策略。

报告二

题目：基于深度学习技术的多组分与高温高压吸收光谱解析方法研究

报告人：宦苗

时间：2026年10月15日（周四），14:20-14:40

会议地点：30-222

报告摘要：

  针对可调谐半导体激光吸收光谱（TDLAS）在高温高压、多组分混叠工况下光谱参数反演困难、组分光谱相互串扰的问题，本文围绕深度学习光谱解析方法开展研究。研究主线分为高温高压水蒸气温压联合反演、多组分TDLAS光谱生成与光谱解耦两部分。在高温高压H₂O光谱反演方面，构建面向一维+二维光谱的双表征网络，引入循环一致性物理约束，在HITRAN、HITEMP光谱数据库上实现温度、压力联合反演；在多组分光谱解耦方面，建立物理先验的数据生成方法，升级V1.5解耦模型，引入谱形、幅值守恒约束，显著降低CO₂、H₂O、H₂S光谱重建误差与浓度预测误差。

报告三

题目：基于多尺度的面部动作单元检测的研究

报告人：李浩宇

时间：2026年10月15日（周四），14:40-15:00

会议地点：30-222

报告摘要：

  本次汇报围绕《基于多尺度特征的面部动作单元检测方法研究》展开。针对面部动作强弱并存、细微特征易被掩盖，以及身份信息干扰识别等问题，研究提出两种检测方法。首先，提出多尺度交叉引导与层次交互方法，通过自适应特征融合增强不同尺度的动作信息，并从区域内、区域间和全局三个层级建模动作单元关联。其次，提出多尺度Mamba与正交约束方法，结合局部纹理与全脸长程依赖，利用身份语义锚点和正交约束抑制身份干扰。

报告四

题目：大语言模型在推荐系统中的去噪能力研究

报告人：李茂森

时间：2026年10月15日（周四），15:00-15:20

会议地点：30-222

报告摘要： 

  本报告以LLM增强推荐去噪框架LLaRD，通过偏好知识与图关系知识生成引导信息瓶颈去噪，实现隐式反馈推荐中噪声交互自适应统一建模，鲁棒性与准确性稳定占优。针对隐式反馈噪声误导、外部知识受限与预定义假设不通用等挑战，构建“知识生成—知识增强去噪”闭环：偏好知识由LLM推理用户/物品画像并关键词压缩，关系知识通过用户中心CoT在交互图上识别噪声、协作与兴趣边；信息瓶颈将去噪图与推荐目标、LLM知识对齐并压缩原图冗余，BPR/InfoNCE/HSIC兼顾去噪与排序。推动推荐去噪由被动依赖观测数据转向LLM知识引导主动判别，为稀疏噪声场景个性化推荐提供支撑。

报告五

题目：从模型协作到知识撤回：物联网去中心化联邦学习研究

报告人：李沐曦

时间：2026年10月15日（周四），15:20-15:40

会议地点：30-222

报告摘要：

随着物联网和边缘智能的发展，大量数据产生并存储于摄像头、传感器和移动终端等边缘设备。联邦学习能够在不直接共享原始数据的前提下实现协同建模，但传统中心化架构存在通信瓶颈、单点故障和中心依赖等问题；去中心化联邦学习虽然能够通过点对点通信提升系统韧性，却面临数据非独立同分布、邻居模型不兼容及客户端性能差异等挑战。本报告首先介绍 Fed-DSA 工作：通过提取模型最终层参数计算模型相似度分数，并据此动态调节邻居模型的聚合权重，在不引入中心服务器和额外验证轮次的条件下缓解异构协作中的负迁移。实验结果表明，该方法能够改善平均准确率、最差客户端准确率并降低跨客户端性能差异。随后，报告将简要介绍去中心化联邦遗忘探索，讨论模型如何响应数据删除请求，并在抑制目标知识的同时尽量保留其他类别的服务能力。

报告六

题目：交基于Mamba架构的高光谱图像分类方法研究

报告人：梁振龙

时间：2026年10月15日（周四），15:40-16:00

会议地点：30-222

报告摘要：

  本次报告围绕高光谱图像分类中空间全局关联建模难、光谱长程依赖建模效率低、空谱维度关联易被割裂等问题，重点介绍本人在 Mamba 状态空间模型方向的一项已完成工作 ARGO-Mamba。该工作通过局部-全局注意力引导、轴向重组空间 Mamba 和组偏移光谱 Mamba，构建空间—光谱—特征增强框架，在多个公开数据集上提升了分类精度，尤其在小样本与高异质性场景中表现突出。在此基础上，报告将进一步探讨后续研究思路：针对空谱割裂和一维递推带来的建模局限，尝试从双尺度统一解耦、非因果光谱状态建模和几何空间隐状态融合等角度展开改进，以期在分类性能与计算开销之间取得更好平衡。

报告七

题目：面向复杂环境的多模态协同感知与鲁棒目标检测研究

报告人：刘龙龙

时间：2026年10月15日（周四），16:00-16:20

会议地点：30-222

报告摘要：

  在夜间、雾霾、强光和热干扰等复杂环境下，单一视觉传感器容易出现目标信息缺失、边界模糊和检测性能下降等问题。可见光与红外图像具有互补特性，但由于成像机理不同、空间位置存在偏差，直接融合往往会引入冗余信息和模态噪声。本研究围绕复杂环境下的可见光-红外目标检测问题，提出一种双流协同检测框架，通过分别提取两种模态的特征，并从语义、频率和空间结构等多个层面进行自适应交互与融合。同时，针对红外图像中的热噪声、纹理不足和目标边界模糊问题，设计层次化的特征增强策略，提高特征表达的一致性与判别性。在 DroneVehicle和M3FD等多个数据集上的实验表明，该方法在检测精度、跨场景泛化能力和实时推理效率之间取得了较好平衡，对模态缺失、图像退化和弱配准情况也具有较强鲁棒性。

报告八

题目：深度学习在农业领域的交叉应用

报告人：刘鹏栋

时间：2026年10月15日（周四），16:20-16:40

会议地点：30-222

报告摘要：

  当前多数农作物成熟后采摘窗口期短，集中采收阶段普遍面临劳动力短缺、人工采摘成本持续上涨等难题，人工采收不仅效率有限，还容易错过最佳采摘时间，造成果实过熟损耗，制约规模化种植效益。依托深度学习技术的农业识别采摘系统，可通过图像识别实时判别果实成熟度、定位目标果实，区分果实与枝叶、遮挡杂物，引导采摘机构完成自动化采收。该方案不受人工数量限制，能够在短采摘期内不间断作业，降低人工雇工开支，减少漏采、晚采带来的农产品损失。深度学习模型可针对不同作物持续迭代优化识别精度，适配果园、大棚等多种场景，以智能采摘装备赋能现代农业，缓解农忙用工压力，提升采收效率与生产收益。