2025年11月21日晚19时，ok138cn太阳集团529第六十五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级研究生侯雅雯、朱泳卓、张朋乐、黎瑶、王开博以及2024级研究生何园主讲，ok138cn太阳集团529研究生会学术部主办，学院胡开喜老师出席了该论坛。
侯雅雯同学分享的主题为“CDPMF‑DDA: contrastive deep probabilistic matrix factorization for drug‑disease association prediction”。新药研发过程复杂，药物-疾病关联（DDA）预测可为现有药物发现新用途。针对现有单视图图对比学习方法难以充分捕捉药物-疾病关系的问题，她们提出多视图对比学习框架CDPMF-DDA。该方法通过分解关联矩阵构建药物与疾病的多类相似性网络，降低噪声并提升特征表达。随后从原始与重构网络中生成多视图进行对比学习，增强模型对潜在关系的识别能力。实验在三大数据集上表现优异，平均AUC为0.9475、AUPR为0.5009，显著优于现有方法。
何园同学分享的主题为“Robustness Enhancement of Recommender Systems Based on a Two-Stage Defense Framework.”。序列推荐系统因其开放性易受数据投毒攻击，攻击者修改文本描述以操纵模型。传统防御对未知攻击适应性差。他们提出双阶段协同防御框架RADAR，融合对抗训练与基于LLM的语义级异常检测。训练阶段，采用动态对抗训练增强内在鲁棒性；推理时，部署多级异常检测（符号频率分析与LLM语义验证）实时识别攻击，并由LLM引导恢复模块修复文本。结果显示，RADAR将攻击导致的曝光度提升值从4.7412%降至2.0542%，显著超越基线APR，极大增强了系统防御力。
朱泳卓同学分享的主题为“Efficient Bridge Damage Detection using a Lightweight Attention-based Modeling Framework”。当前，桥梁表面损伤的实时评估对保障基础设施安全至关重要。然而，现有方法常面临两难：复杂模型难以在资源受限系统上运行，而轻量模型又无法保证足够的检测精度。桥梁损伤类型多样（如裂缝、钢筋外露、风化）及数据采集环境复杂，进一步增加了检测难度。为此，他们提出了一种高效的桥梁损伤检测框架LFETNet。该网络包含三个核心模块：（1）多尺度特征学习模块，抑制冗余损伤特征；（2）轻量级特征金字塔模块，高效融合多尺度信息；（3）内嵌三重注意力检测模块，聚焦关键特征，抑制无关信息。在MCDS和CODEBRIM数据集上的实验表明，该模型优势明显：平均精度提升5.6%，计算负载降低13.6%，并能以45帧/秒的速度进行实时检测。其计算复杂度与输入数据量呈线性关系，非常适合部署于边缘设备。
张朋乐同学分享的主题为“A Financial Table Structure Recognition Method Based on Transformer with Attention Enhancement”。在金融领域中表格结构识别对于信息自动化与决策效率至关重要，然而表格包含有/无边框、跨行跨列及背景干扰等复杂结构，导致序列预测错误。本文针对粘连单元格与过度分割问题，引入Mamba模块以增强模型对整体结构关系的理解，并设计协作注意力模块提升对边框等局部特征的感知能力。其次针对Pix2seq方法中边框漂移问题，提出位置损失函数以增强空间位置敏感性。为弥补中文金融表格数据稀缺，她们从真实金融PDF构建了高复杂度的中文表格数据集。实验表明他们的方法在表格结构识别中表现优异，在PubTabNet上mAP达74.95%、S-TEDS达95.17%，在中文金融数据集微调后mAP提升至66.70%。
黎瑶同学分享的主题为“Dual Path Attention and Re-parameterization Network for efficient image super-resolution”。深度学习方法在单图像超分辨率任务中已取得显著性能。近期关于高效超分辨率的研究主要集中于通过各种网络设计来减少参数量与计算复杂度。她们提出一种基于注意力机制与结构重参数化的超分辨率模型——双路径注意力与重参数化网络（DPARN），该网络利用分组卷积同时引入无参数注意力和增强空间注意力，以提升网络的特征提取能力。同时，使用知识蒸馏进行初始训练，期间教师网络的结构化知识将传递至学生网络；随后结合多种损失函数对学生网络进行微调，以保留高频细节并避免像素损失导致的过度平滑化。
王开博同学分享的主题为“Hamiltonian Monte Carlo based Neural Process for Few-Shot Knowledge Graph Completion”。少样本知识图谱补全（FKGC）旨在利用有限训练数据推断未知事实或关系，现有方法在多跳推理与复杂关系建模中效果受限。他们提出基于哈密顿蒙特卡洛（HMC）的神经过程模型 HNP-FKGC，通过多跳路径推理与序列去噪注意力捕捉长距离依赖，结合 HMC 采样与归一化流解决复杂关系问题。模型包含四模块：多跳注意力编码器处理实体长距离依赖，关系去噪编码器强化语义关联， latent 空间推理编码器生成高维 latent 变量建模复杂关系，实体 - 关系交互解码器实现关系推断。多基准数据集实验表明，HNP-FKGC 在 FKGC 任务中性能优于现有方法。
