贵大新闻网讯（大数据与信息工程学院 供稿）近日，我校大数据与信息工程学院 2022 级数据科学与大数据技术专业本科生丁申润、杨曦，分别以第一作者身份在人工智能与工程应用领域和计算机视觉与模式识别领域国际权威期刊发表论文，展现了我院本科生科研创新的突出成果。
丁申润同学的论文《Incomplete Multi-View Partial Multi-Label Learning via Hierarchical Semantic Synergy》，被人工智能与工程应用领域的国际顶级权威期刊《Expert Systems with Applications》正式收录。该期刊位列中国科学院分区一区 TOP 期刊、JCR Q1 区，同时被中国计算机学会（CCF）推荐为 C 类期刊，长期聚焦人工智能、机器学习、专家系统及其工程应用等前沿核心方向，汇聚全球顶尖研究成果，在国际学术界享有盛誉，是该领域研究者公认的重要学术交流平台。
丁申润同学聚焦多视图学习、多标签分类、不确定性学习等前沿领域，在论文中创新性提出 “层级语义协同（Hierarchical Semantic Synergy，HSS）”双分支协同学习框架，通过跨视图注意力聚合（Cross-view Attention Aggregation，CAA）与超意见投影（Hyper-Opinion Projection，HOP）模块，建模标签依赖与分类结果的不确定性，实现了不完整场景下的可靠多标签分类。谈及成果，他感谢学校、学院提供的学术资源与师生支持，特别提及卢晓寰老师的悉心指导，并且感慨这段经历既提升了他的科研实践能力，也让他体会到科研的艰辛与收获，未来他将以此为起点继续深耕钻研。
杨曦同学的论文《Cross-Modal Mapping：Mitigating the Modality Gap for Few-Shot Classification》，被计算机视觉与模式识别领域国际顶级期刊《Pattern Recognition》收录。该期刊为中科院分区一区 TOP 期刊、中国计算机学会（CCF）推荐 B 类期刊，聚焦模式识别、机器学习等前沿方向，汇聚全球顶尖成果，是领域内公认的重要学术交流平台。
杨曦同学聚焦少样本学习、多模态大模型及空间转录组学等前沿领域，在论文中创新性提出 “跨模态映射（Cross-Modal Mapping，CMM）”方法，通过线性变换与三元组损失弥合预训练模型中图像与文本特征的 “模态鸿沟”，显著提升少样本图像分类性能。谈及成果，他感谢学校、学院的培养与师生支持，特别提及陈勇书记、卢晓寰老师和文杰教授的指导，以及回顾这段经历，杨曦感慨既锻炼了科研能力，也塑造了严谨的学术精神，未来他将以此为起点，在学术路上继续深耕细作。
延伸阅读一：
多视图多标签学习是机器学习的重要方向，但实际场景中视图、标签数据缺失的 “双不完备”问题，制约着传统模型性能。现有方法多忽视语义层级特性，难以兼顾不完备场景下的分类精度与可靠性。
针对这一瓶颈，丁申润提出的层级语义协同（HSS）框架实现了多维度创新：通过跨视图注意力聚合（CAA）模块提升模型在视图缺失时的鲁棒性，通过超意见投影（HOP）模块建模标签关联与不确定性，有效缓解语义鸿沟。
实验结果表明，HSS 在多个标准数据集上核心指标全面超越前沿方法，在极端不完备场景下仍保持优异性能，兼具高精度与可解释的不确定性量化能力，在医疗诊断、自动驾驶等对决策可靠性要求高的场景中具有重要应用价值。
延伸阅读二：
少样本图像分类是计算机视觉领域的核心挑战之一，CLIP 等预训练视觉语言模型为该任务开辟了新路径，但图像与文本特征间的 “模态鸿沟”仍制约着分类精度，现有方法难以兼顾性能与效率。
针对这一不足，杨曦提出跨模态映射（CMM）方法：通过带残差连接的线性变换实现跨模态特征全局对齐，结合三元组损失优化局部特征关系，无需构建视觉缓存，训练效率优势突出。实验结果表明，CMM 在 11 个标准数据集上平均 Top-1 准确率提升 1.06%，并在分布偏移数据集上展现出优异的泛化能力，充分验证了方法的有效性与鲁棒性。
编辑：庞爱忠 陈芳
责编：李旭锋
编审：姚作舟
