2025年10月17日晚19时，ok138cn太阳集团529第六十二期研究生学术论坛在崇真楼南楼A4030成功举办。本次论坛由2023级研究生张壮、桂凌、严海军、2024级研究生王佳庆主讲，ok138cn太阳集团529研究生会学术部主办，副院长魏雄教授、程丹芃博士出席了该论坛。
张壮同学分享的主题为“ML-PLA: Enhancing Protein−Ligand Binding Affinity Prediction with MicroenvironmentandLong-RangeInteraction-AwareGraphNeural Networks”。准确预测蛋白质–配体结合亲和力（PLA）对于先导化合物的发现至关重要。现有的基于图形的模型通常依赖于序列和结构特征的浅层融合以及固定的距离阈值，这限制了它们捕捉协同性和非局部相互作用的能力。他们提出ML-PLA框架，利用异构图神经网络对蛋白质微环境进行建模，从邻近节点联合聚合序列与结构信息。为了表征多样且化学复杂的微环境，ML-PLA引入向量量化变分自编码器，生成细粒度且具有化学意义的嵌入表示。此外，ML-PLA采用基于多头注意力的方法，将复杂原子投影到多个“虚拟原子”，有效编码长程相互作用信息并缓解过平滑问题。在CASF-2016和CASF-2013基准上的实验表明，ML-PLA相比现有最先进方法具有更高的准确性和泛化能力，显示出其在基于结构的药物设计中的稳健性与潜力。
桂凌同学分享的主题为“基于图结构和文本语义融合的源代码漏洞检测方法研究”。他们针对源代码漏洞检测中图结构表达不充分和语义弱化问题，提出两种创新方法。一是通过代码行拼接和像素过采样生成增强的代码图像，提升漏洞模式识别能力和漏洞代码可视化能力；二是构建漏洞感知图并结合上下文聚合机制，优化图结构并增强复杂漏洞建模。实验表明，两种方法在多个数据集上F1分数显著提升，最高达23.09%，有效提高了检测准确性与鲁棒性。
王佳庆同学分享的主题为“CIR-DFENet: Incorporating cross-modal image representation and dual-stream feature enhanced network for activity recognition”。基于可穿戴传感器的人体活动识别（HAR）凭借其便携性、准确性和实时性，已被广泛应用于健康监测、医疗保健、健身等多个领域。目前，先进技术包括将时序数据转换为图像并结合深度学习进行识别，这解决了传统处理方法中固有的主观性强和依赖数据质量等问题。然而，当前现有的时序数据转图像方法，每一种都仅聚焦于单一类型的特征表征，仅凭其中一种方法无法充分刻画数据的完整特征，进而导致活动识别准确率较低。为解决上述问题，他们提出一种新型的时序数据跨模态图像表征方法及双流特征增强网络模型，实现了基于单节点可穿戴传感器的人体活动识别。首先，采用马尔可夫转移场（MTF）、递归图（RP）和格拉姆角场（GAF）三种方法，将时序数据编码为彩色图像的红（R）、绿（G）、蓝（B）三通道，从而实现对幅度变化、非线性特征及局部时间关系等多类特征的融合。其次，模型中采用带有全局注意力机制（GAM）的多通道卷积神经网络（CNN）处理图像数据，以捕捉通道和空间维度的信息；同时，采用结合自注意力机制（SA）的卷积神经网络-长短期记忆网络（CNN-LSTM）组合网络处理时序数据，以捕捉时序特征。此外，残差结构的引入使网络更易于训练，整体性能得以提升。实验结果表明，所提模型能准确识别六种不同的体操动作，准确率达到 99.40%。本研究为时序数据处理提供了新方向，也为基于可穿戴传感器的人体活动识别（HAR）领域提供了更优的应用方案。
严海军同学分享的主题为“Enhancing Feature Interaction for Improved Generalization in Few-Shot Metal Surface Defect Segmentation”。金属表面缺陷分割能够对工业部件进行精细检测，这在工业生产与质量控制中至关重要。然而，当前基于深度卷积神经网络的方法通常依赖大规模标注数据进行训练，并且难以泛化至未曾见过的新缺陷类型。当缺陷类别稀少且动态变化时，这一问题极大地限制了其在真实世界中的应用。为应对这些局限，他们设计了一种名为EFINet的新型小样本分割框架。该框架旨在通过极少的训练数据创建一个类别无关的模型，并能有效泛化至未见过的缺陷类别。为缓解缺陷样本间存在的高类内差异，他们首先提出了先验引导的双向特征交互模块。该模块利用支持图像与查询图像的相关性以及双重先验掩码，执行改进的特征交互，从而增强特征表示能力。接着，为解决单张图像内存在的显著尺度变化问题，他们设计了上下文感知的注意力引导特征聚合模块。该模块能有效聚合上下文信息和注意力信息，提升模型分割不同尺寸缺陷的能力。此外，为减轻全局池化过程中造成的信息损失，他们引入了原型-损失补偿模块。该模块通过生成一个补偿原型来提供辅助损失。在 FSSD-12 和 Surface Defects-4i 这两个基准数据集上进行的大量实验表明，EFINet 在各种实验设置下均达到了当前最先进的性能水平。
