学术动态

学术动态

当前位置: 网站首页-> 学术动态-> 正文

元宇宙研究院第16次研讨会

发布时间:2024-01-03

时间:2024年  1月2日  下午2:00-5:20

地点:广州大学 (大学城校区) 理科南314

 

报告1:

报告人:史宇杰(硕士生)

指导老师:汪洋涛

报告题目:文献阅读分享

 

在本次报告中,史宇杰同学介绍了关于异构图神经网络的背景,扩展了元路径,图神经网络,图注意力机制的概念。接着分享了一篇相关领域研究的文章,是一篇2023年发表在AAAI Conference on Artificial Intelligence上的文章。该文章提出了一个简单且有效的异构图神经网络(SEHGNN)。作者在这篇文章中提出了采用均值聚合来简化邻居聚合,采用具有长元路径的单层结构以扩展接收范围,并利用基于Transformer的语义融合模块来学习语义对之间的相互注意力。由于SeHGNN中的简化邻居聚合是无参数的,并且只涉及线性操作,它仅在预处理步骤中执行一次邻居聚合。所以SeHGNN不仅展示了更好的性能,而且避免了在每个训练周期中重复进行邻居聚合,从而在训练速度上取得了显著的提升。在这篇文章的分享后,史宇杰同学实验验证了SEHGNN的有效性,并得到了老师的宝贵建议,为后续学习的方法和方向具有指导意义。


111B45

 

报告2:

报告人:何向荣(硕士生)

指导老师:王艳

报告题目:文献阅读分享


在本次的报告中,何向荣同学分享了一篇推荐系统领域研究的文章,是2019年发表在ACM Special Interest Group on Information Retrieval会议上的文章,该文章提出了一种新的基于图神经网络的推荐框架NGCF,它通过执行嵌入传播以高阶连接的形式显式编码协作信号,在300万个数据集上进行了实证研究。传统的矩阵分解不足以为协同过滤产生令人满意的嵌入,缺乏对关键协作信号的明确编码,这种编码隐藏在用户-项目交互中,揭示用户或项目之间的行为相似性。该文章将用户-项目交互的二部图结构集成到嵌入过程中,通过图结构传播嵌入,从而实现了用户-项目交互图中高阶连通性的表达建模,有效地将协作信号以显式的方式注入到嵌入过程中。何向荣同学讲述了推荐系统的基本知识背景,描述了NGCF框架的基本架构和运作方法,最后讨论了NGCF的实验结果表现。在文献分享后,何向荣同学与老师同学们就本文章进行了讨论,得到了宝贵的建议,为后续学习指明了方向,提供了重要的参考价值。


10C783

 

报告3:

报告人:殷巧巧(硕士生)

指导老师:彭伟龙

报告题目1:FaceFormer: Speech-Driven 3D Facial Animation with Transformers

报告题目2:SelfTalk:A Self-Supervised Commutative Training Diagram to Comprehend 3D Talking Faces


在本次的报告中,殷巧巧同学首先介绍了语音驱动3D人脸动画的背景,重点介绍了Transformer模型和Wav2vec2.0预训练模型。接着分享了两篇关于相关领域研究的文章,第一篇文章Faceformer是2022年发表在CVPR上的文章,该文章采用一种新兴的方式,即序列到序列的方式,它使用一个transformer来获取整个音频并输出一个视频序列。另外,设计了一个时间偏置来提高模型的泛化能力,对齐偏置来对齐音频和视频模态和周期性位置编码策略来周期性地提供序列中每个元素的位置信息。第二篇SelfTalk是2023年发表在ACM MM上的文章,这篇文章对Faceformer进行了一些改进:采用了逐帧约束并添加了一个唇读解释器模块,用来从面部动作中理解文本内容,将原来Faceformer的两个模态扩展成三个模块,这三个模块的训练三个模块的训练过程形成了一个交换图,进行兼容的特征交换。最后,殷巧巧同学展示了这两篇工作的结果,SelfTalk的结果显示出了比Faceformer更好的效果。老师们对后续工作提出了宝贵的意见。


FB7A8


报告4:

报告人:马扬(硕士生)

指导老师:王艳

报告题目:边缘数据完整性验证


在本次的报告中,马扬同学首先介绍了云计算、边缘计算、边缘数据完整性的背景知识,其次讨论了聚合签名在数据完整性中的应用,聚合签名是一种利用密码学原理实现的数据完整性验证方法。它通过将多个数据块的签名聚合成一个单一的签名,从而实现对整体数据的验证。这一方法在边缘计算场景中非常有用,特别是在数据传输和存储方面。通过采用聚合签名,可以有效地降低数据传输和存储的开销,同时确保数据在整个过程中的完整性,从而提高系统的安全性和效率。其次,深入研究了默克尔哈希树在边缘数据完整性验证中的应用,默克尔哈希树是一种将数据分割成块并对其进行哈希处理的树状结构,通过比较树的根哈希值来验证数据的完整性。这一方法适用于需要对数据进行频繁更新的场景,例如边缘设备实时采集数据的情况。通过使用默克尔哈希树,我们可以快速检测到数据的变化,及时发现潜在的问题,并采取相应的措施,从而提高数据的可靠性和安全性。在介绍完两篇论文后,对其效果和特点进行了比较,也经过讨论得到了老师们的意见。


10D764