张信明

时间:2020-08-27浏览:13734

电 话:(0551)63602446

E - Mail:xinming@ustc.edu.cn

个人主页: https://dsxt.ustc.edu.cn/zj_js.asp?zzid=1284; http://staff.ustc.edu.cn/~xinming

主要研究方向无线网络(车载网络、物联网络、数字孪生网络、智能互连等)、大数据安全(数据融合、隐私增强、区块链)等、目标(文本、图像、视频)识别与理解、图理解与图神经网络等。


张信明,男,196410月生,安徽天长人,教授,博士生导师(计算机学院、大数据学院)KAIST客座教授(2005.09-2006.08)IEEE高级会员,中国计算机学会(CCF)高级会员,IEEE智能电网教育委员会委员。19851988年获中国矿业大学学士、硕士学位,2001.12获中国科学技术大学工学博士学位(研究方向:计算机网络与网络计算)2002.3起在中国科学技术大学计算机系(学院)从事教学科研工作。已指导毕业学术博士生11人、学术硕士生41人、专业硕士183人。主持国家自然基金面上项目5(2021-20242017-20202014-20172011-20132006-2009),国家重点研发计划课题项目1(2020-2023),国家重点研发计划子课题项目2(2020-2022\2017-2020)973二级子课题1项,腾讯、招商银行、华为等多个企业项目。已在一流国际期刊(62篇,其中26篇为IEEE Trans.),国内一级学报(8),包括CVPRAAAIWWWICCVINFOCOMCIKMICDCSICCWCNCICCCNSSTD在内的重要国际会议等上发表(含录用)100多篇学术论文,2015年发表的1IEEE Trans. on Mobile Computing论文入选ESI Computer Science学术领域近10年高被引论文(全球1%)并曾多次入选ESI Computer Science学术领域近2年热点论文(全球0.1%)。以第一申请人申请发明专利14(已获授权5)



导师选题:

大规模图基础模型的研究图能反映不同对象之间的关系,因而是世界上最广泛存在的一种数据类型。为了实现图上的通用人工智能(AGI),一个重要问题是如何设计图基础模型,使其能够利用大量数据协同训练,并解决各种特定任务。但这一目标的实现存在巨大挑战。不同于文本和图像数据,图具有复杂的拓扑结构,且不同领域图的含义截然不同,例如分子图的节点表达了原子性质,而社交网络图节点则反应用户特征,这使得协同训练不同领域图数据变得非常困难。此外,图上的任务也具有多种类型,任务目标完全不同,例如药物发现,用户分类。因此,本课题主要旨在解决两方面问题:(1).如何利用多领域图数据共同训练?(2).如何利用基础模型中的通用知识来解决不同的特定任务?
科学图学习模型的研究由于图能够表示对象的关系,因而很多领域的科学研究对象都可以表现为图数据,例如材料科学的分子图,生化科学的蛋白质图,金融科学的交易图等。随着图人工智能技术的发展,不同领域的研究者都在考虑如何利用图人工智能为本方向的科学研究赋能,从而更好地解决本学科中的科学问题。而其中存在的主要挑战是如何针对不同方向研究中的特定问题来针对性地设计图学习模型,从而更精准地学到所需的知识从而解决特定研究问题。本课题主要旨在解决:针对不同的科学问题,如何挖掘其中的特定信息并针对性地设计有效的图学习模型?
基于图的多模态大模型优化策略的研究本课题从图的视角探索多模态大模型的优化策略。主要从效率提升和训练优化两个方向出发。(1)效率提升:多模态大模型中,视觉token远大于文本token的数量,限制了模型推理效率。探索基于图的token merge减少视觉token,提升模型效率。(2)训练优化:现有训练策略基本是数据的直接使用没有更好的采样策略。已有的论文证明了从易到难的学习方式可以很好的提升模型性能。该方向探索基于图的数据层次建模与采样策略。