近日，南方科技大学计算机系唐博老师带领的数据库课题组在数据挖掘和知识发现领域取得一系列科研进展。该研究团队三项成果被数据挖掘和知识发现领域的顶会之首KDD 2023长文（2篇Research Track，1篇Applied Data Science Track）接收。研究内容涉及社交网络中的容量受限影响力最大化、跨越中心性的高效近似算法和高效易用的图神经网络模型推理框架等。成果一（Research Track）Capacity Constrained Influence Maximization in Social Networks影响力最大化是病毒式营销、网络监控等领域的重要问题，其旨在选择在网络中具备影响力的少数传播用户，以便最大程度地传播目标信息（例如推广活动）。然而，以往的研究忽视了用户参与活动的能力限制。以在线游戏社交网络为例，玩家的能力限制表示每个玩家只能与有限数量的朋友互动。对该场景的观察还指出，推广的最初接受者往往是选定用户的朋友而非用户本身，并且现有解决方案在计算量和解质量方面表现不佳。基于这些发现，我们提出了一个新的问题，即容量受限的影响力最大化（Capacity Constrained Influence Maximization），其旨在为每个初始接受者选择有限数量的具有影响力的朋友，从而将推广传递给更多用户。为了解决该问题，我们提出了MG-Greedy和RR-Greedy两种算法，并且进一步设计了具有良好近似比和近线性复杂度的可扩展实现RR-OPIM+。大量实验表明，RR-OPIM+ 在解质量和运行时间方面显著优于其他8种先进的解决方案。此外，我们还将RR-OPIM+部署到网络游戏场景中，显著地改善了基线算法的性能。图1.实验组 (Treatment)和对照组 (Control)分别对应RR-OPIM+和基线算法该工作的第一、第二作者分别是2019级南方科技大学-新加坡国立大学联培博士张诗奇和2020级南方科技大学本科生黄弋骞，唐博老师为通讯作者。该工作由南科大数据库课题组与腾讯公司孙嘉辰博士和林文清博士，新加坡国立大学萧小奎教授合作完成。张诗奇 (第一作者)黄弋骞 （第二作者）成果二（Research Track）Efficient Approximation Algorithms for Spanning Centrality针对给定的图G，边e的跨度中心性（SC）衡量了e对于使G连接的重要性。在实践中，SC在计算生物学、电气网络和组合优化等领域得到了广泛应用。然而，在大型图上计算所有边缘的SC（AESC）是一项极具挑战性的任务。现有的技术无法处理这样的图，因为它们要么需要昂贵的矩阵操作，要么需要采样大量的长随机游走。为了解决这些问题，本文提出了TGT和其增强版TGT+，这是两种用于AESC计算的算法，具有严格的理论近似保证。特别是，TGT通过进行精心设计的截断长度的确定性图遍历来解决先前解决方案的缺陷。TGT+在TGT的基础上进一步提高了实证效率和渐近性能，同时保持结果的质量，基于TGT与随机游走和几个附加的启发式优化方法的结合。我们使用各种真实数据集对TGT+与最近的竞争对手进行了实验评估，如下图所示，在有亿级边的数据集下，TGT+仍可在速度上快于最优的现有技术。图2. TGT+与最优现有技术运行时间的对比该工作的第一作者是南方科技大学与新加坡国立大学联培博士张诗奇，唐博老师为通讯作者。该工作由南科大数据库课题组与香港浸会大学杨任驰教授，香港科技大学唐靖教授和新加坡国立大学萧小奎教授合作完成。张诗奇 (第一作者)成果三（Applied Data Science Track）DGI: An Easy and Efficient Framework for GNN Model Evaluation现存的工作都致力于优化图神经网络（GNN）的训练，但高效的模型推理方案（即根据给定的模型计算图节点的嵌入）仍然有待解决。使用广泛采用的Node-wise方法，由于邻居爆炸问题，模型推理仍可能占端到端训练过程中90％以上的时间。Layer-wise方法通过在GNN模型中逐层进行计算从而避免邻居爆炸问题。然而，Layer-wise模型推理需要相当大的实现工作，因为用户需要手动将GNN模型分解为层，并且对于具有不同结构的GNN模型需要不同的实现。 图3. DGI的工作流程本文推出了DGI，一个易于使用且高效的GNN模型评估框架，它可以自动将GNN模型的训练代码翻译成Layer-wise推理的代码，以最小化用户的工作量。DGI适用于不同的GNN模型和推理请求（例如，计算所有或部分节点的嵌入），并支持在无法适应CPU内存的大型图上进行外部执行。在底层，DGI跟踪GNN模型的计算图，根据定制规则将计算图分成适合逐层推理的层，并通过Node Reorder和Dynamic Batch Size Control来高效地执行每个层的计算。实验结果表明，DGI在效率上与手写的layer-wise 推理实现相当，并在不同的数据集和硬件设置下一致优于Node-wise推理，速度最大可以提升三个数量级。该工作由南科大数据库课题组与AWS Shanghai AI Lab，香港中文大学James Cheng团队合作完成。第一作者尹沛骐是南科大数据库课题组2018级毕业生，该工作是其本科毕业设计内容，在晏潇老师（通讯作者）和唐博老师指导下完成。尹沛骐 (第一作者)南方科技大学计算机科学与工程系图文丨数据库课题组

近年来，随着基于人工智能技术和元宇宙的新型多媒体应用的兴起，工业界和学术界对运用多媒体技术去解决实际多媒体应用问题产生了强烈需求。为了培养交叉创新人才，南方科技大学工学院计算机科学与工程系于2020年春季学期面向计算机及相关专业本科生开设了多媒体信息处理（multimedia information processing，MIP）课程。该课程自开课以来，深受学生喜爱，连年受到学生好评，也被南科大官网的“南科课程”专栏报道。在学校和院系对教学的支持和鼓励，以及广东省教改项目的资助下，南科大计算机系刘江教授带领的iMED教学团队在《计算机教育》期刊上发表了有关对学生在环路的知识点的学习过程进行优化的教学改革论文，另有一篇有关融合ChatGPT的课程教学创新设计的教学实践论文被《软件导刊》接收。这两篇教学论文分享了南方科技大学作为新型研究型大学对创新教学方法和理念的探索与实践。课程简介多媒体信息处理课程是一门综合交叉性专业课，涵盖文本处理、音频处理、图像处理、动画处理、图形处理以及视频处理6个媒体模态的处理技术，各部分的技术和算法相互借鉴，相互支撑。自开课以来，刘江教授领导的iMED教学团队立足于南方科技大学作为新型研究型大学的定位，始终把握并强调对学生进行跨学科教育和交叉创新能力培养的教学理念。因此，课程设计的出发点是希望构建南科大学生的多媒体信息处理理论基础，并普及新的行业发展知识，给多媒体这个‘旧瓶’原浆概念勾兑最新人工智能模型和元宇宙发展的‘新酒’，满足学生科研和工作的能力建设与未来技能发展的多维度需要。授课老师刘江教授国家级专家南方科技大学计算机科学与工程系终身教授，计算机科学与临床眼科医学双博导，人工智能和医学图像领域的国际学者。刘江教授有着非常丰富的科研教学经历，先后在新加坡国立大学、新加坡南洋理工大学等多所高校从事教研工作，一直践行“让学生学到知识”为核心的iMED教学理念。刘江教授与新加坡健保集团、日本TOPCON集团、日本TOMEY集团, 中山大学中山眼科中心等国际国内知名研究机构、医疗集团和医疗器械设备厂商保持技术合作并成立联合实验室。研究领域包括：人工智能、精准医疗、眼脑联动和手术机器人。教学内容特点1.教学实践方面。为了让学生更好地掌握多媒体的知识点并理解跨模态之间的联系，授课老师采用小组学习和主动学习的授课方式，以及鼓励学生使用最新的人工智能工具如ChatGPT作为学习辅助工具。这种方式旨在让学生们学会主动地去获取知识并通过小组的方式分享自己的学习成果。在此过程中，同学们也接收到了他人的对知识点的理解，这有利于培养学生的多维思考能力。此外在授课过程中，授课老师会积极与学生沟通，掌握学生在知识学习的过程中不断细化的主动需求并动态地调整授课内容。此外，跨学科指导团队会及时跟踪学生的项目进展，引导学生主动思考和解决在项目中遇到的问题。2.课程交叉项目设计方面。多媒体信息处理课程的iMED教学团队与南科大图书馆、医学院、环境科学与工程学院、人文社科学院合作设计基于融合多媒体技术的真实世界项目，供学生选择。同时在项目指导方面，每个项目由授课老师、行业导师、课程助教组成的跨学科指导团队及时跟踪项目进展，引导学生主动思考和解决在项目中遇到的问题，也保证了项目的质量和进度。3.立德树人思政方面。课程授课内容和项目设计都体现了多媒体技术与中国传统文化（甲骨文，深圳下角山考古遗址的陶片自动拼接，三星堆文化、中国青铜器“块范法”制造技术、中国玉器）以及中国现代科技（医疗科技以及数字图书馆技术）融合的立德树人思政元素。教学方法创新鉴于多媒体涵盖的技术和算法复杂多样的特点，并考虑到选课学生的知识和专业基础，多媒体信息处理课程创新性地提出了基于主动学习的多媒体信息处理课程教学框架并引入了从“多媒体”到“真实世界融媒体”的教学实践理念，通过创新性的教学方式和来自真实世界的交叉学科项目设计，进行了一系列教学探索与实践。在教学实践中，学生、助教老师以及行业专家共同努力，把课程教学做到有趣且有实效。该教学改革成果已经正式发表于《计算机教育》期刊（论文链接请见文末）。图1. 融合主动学习理念的MIP课程教学框架最近，以ChatGPT为代表的人工智能及自然语言理解技术正在快速地影响着传统的计算机课程课堂教学模式。为应对ChatGPT及相关人工智能技术带来的挑战和机遇，南方科技大学工学院计算机科学与工程系率先在多媒体信息处理课程上开展了“ChatGPT+”驱动的课程教学创新实践与探索，旨在提升课程的教学效果和学生的学习兴趣。在实际的课程教学中，授课老师将基于多媒体文本处理的自然语言理解和人工智能的ChatGPT作为教学辅助工具，贯穿于课程理论知识教学、课程项目指导以及学生的学习能力提升培养。这种活学活用的基于“ChatGPT+”驱动的课程教学创新设计不仅有利于培养学生的交叉学科应用创新能力，也可以增强他们个人的主动学习和协作学习能力，从而增强他们在未来工作和科研中的竞争力。该教学实践成果已经被《软件导刊》正式录用。图2. “ChatGPT+”驱动的课程教学创新设计论文链接：https://mp.weixin.qq.com/s/beRxDnngUr87qCEjUqcIZA

近日，南科大计算机系6篇论文被计算机视觉国际顶会ICCV 2023（International Conference on Computer Vision）（CCF A类会议）录用。我系张建国教授和郑锋副教授为指导老师和通讯作者。ICCV是国际计算机视觉大会，由IEEE主办，是计算机视觉方向的三大顶级会议之一,代表了计算机视觉领域最新的发展方向和水平。1 Transferable Decoding with Visual Entities for Zero-Shot Image CaptioningJunjie Fei, Teng Wang, Jinrui Zhang, Zhenyu He, Chengjie Wang, Feng Zheng*微调预训练的视觉-语言模型（VLM）和大语言模型（LLM）来完成图像到文本的生成近期受到了广泛关注，但目前主流的方法在描述具有新分布的图像时，生成的文本质量往往不佳。我们观察并通过实验验证了其潜在原因：1）模态偏置，当来自于图像的指导弱时，LLM通过预训练获得的语言先验占据文本生成的主导地位。2）物体混淆，在少量下游样本上微调预训练大模型极易导致过拟合，即模型常常会将图像中不认识的物体识别并描述为训练时见过，但在图像中实际不存在的物体。基于以上观察，我们提出一种新的微调方法，即ViECap，它结合两种不同的提示词来完成可迁移的图像到文本生成任务：1）通过映射网络来从视觉特征中学习一个关注图像整体信息的软提示词。2）通过冻结的CLIP来从开放词库中检索图像中存在的物体以构建硬提示词，使模型对于超出微调数据集分布的图像更具鲁棒性。实验验证ViECap能够有效的迁移到多个图像到文本的生成场景。当迁移到未知分布的图像时，我们的模型在文本生成质量上大幅超越现存的其他同类型的工作。南科大智能与感知课题组科研助理费俊杰和2020级博士生王腾为论文共同第一作者，郑锋老师为通讯作者，南方科技大学为第一单位。2 Set-level Guidance Attack: Boosting Adversarial Transferability of Vision-Language Pre-training ModelsDong Lu, Zhiqiang Wang, Teng Wang, Weili Guan, Hongchang Gao, Feng Zheng*现有的视觉语言预训练（VLP）模型在多模态任务中对对抗样本显示出了脆弱性。此外，恶意生成的对抗样本还可以用于迁移攻击其他的黑盒模型。然而，现有的研究主要集中在研究白盒攻击。在本文中，我们首次研究了现有的VLP模型的对抗迁移性。结果显示，与白盒设置中的强攻击性能相比，现有的方法的迁移能力较弱。我们发现，这种迁移性的降低主要源于多模态交互的不充分利用：（1）不同于传统的单模态学习，VLP模型高度依赖于多模态数据间的交互，（2）多模态数据具有内在的对齐性和互补性，图像与文本之间的多对多对齐关系提供了多样性引导，即同一图像可用多种自然语言描述。然而，现有方法未充分考虑多模态间的交互，无法建立跨模态对应关系，或仅使用单一的图像-文本对，限制了跨模态引导的多样性。为了提高攻击方法的对抗迁移性，我们提出了一种集合级引导攻击（Set-level Guidance Attack, SGA）方法。SGA充分利用了多模态数据间的交互，同时结合了保留对齐的数据增强和跨模态引导。实验结果显示，SGA能在多个下游视觉-语言任务上生成对抗样本，这些样本能高效迁移至不同的VLP模型。南科大计算机系2021级博士生陆东和2020级硕士生王志强为论文共同第一作者，郑锋老师为通讯作者，南科大为第一单位。3 Cross contrasting Feature Perturbation for Domain GeneralizationChenming Li，Daoan Zhang，Wenjian Huang，Jianguo Zhang*域泛化（Domain Generalization）问题旨在从训练集所属的域中学习一个鲁棒的模型，从而可以很好地泛化到未见过的目标域上。近来该领域较为热门的研究方向是通过生成不同于源域的样本或特征，使模型能从更多样化的域分布中学校到泛化性更好的表征能力。然而，这些方法很难解决生成特征或样本的语义失真问题。在本文中，我们提出了一种在线单阶段交叉对比特征扰动（CCFP）框架，通过在隐空间中生成扰动特征来模拟域偏移现象，同时约束模型在面对域偏移现象时的预测结果一致。与之前的隐空间特征合成策略不同，我们设计了具有可学习的特征扰动和语义一致性约束的模块。与之前的工作相比，我们的方法不需要使用任何生成式模型或域标签。我们在标准DomainBed基准测试上进行了大量实验，并采用严格的评估方法进行公平比较。大量的综合实验表明，我们的方法优于之前的SOTA。实验分析表明我们的方法可以缓解分布外（Out-of-Distribution）场景中的域偏移问题。南科大计算机系2021级硕士生李晨鸣为论文第一作者，张建国老师是通讯作者，南科大为第一单位。4 Strip-MLP: Efficient Token Interaction for Vision MLPGuiping Cao, Shengda Luo, Wenjian Huang, Xiangyuan Lan*, Dongmei Jiang, Yaowei Wang, Jianguo Zhang*近年来，继卷积神经网络（CNN-based）模型和Transformer-based模型之后，MLP-based模型已逐渐成为计算机视觉领域又一主流深度学习模型。Token交互是MLP-based模型的核心模块之一，主要用于对不同空间位置的token进行信息交互和信息聚合。然而，MLP-based模型存在显著的token交互困境（Token’s Interaction Dilemma），即token在空间维度上的信息交互能力会随特征空间分辨率的下降而下降，尤其在模型的深层特征中，特征图将下采样至更小的尺寸，严重降低了模型的表达能力。针对以上问题，我们提出了一种名为Stirp-MLP的新模型，以提升token的交互效率和能力。我们创新提出了一种新型MLP范式：Strip MLP layer，该网络层允许每行（或每列）的token对相邻行（或列）的token产生特异性的贡献，从而提升token交互能力。基于该网络层，我们分别提出了一个级联分组带状混合模块（CGSMM）和局部带状混合模块（LSMM），用于解决因特征分辨率减小而引起的模型性能降低问题，以及提升模型的局部区域信息聚合能力。实验结果表明，Strip-MLP具有更高的模型精度和效率，在小数据集显著优于已有MLP-based、CNN-based、Transformer-based模型。在基准大数据集中，具有与其他SOTA模型相当的精度，同时在模型参数量和计算复杂度具有显著的优势，可作为基础视觉模型应用于下游任务中，应用前景广泛。2021级南方科技大学-鹏城实验室联培博士生曹桂平为论文第一作者，我系张建国老师和鹏城实验室蓝湘源老师为通讯作者，南科大为第一作者单位。5 Knowledge-Aware Prompt Tuning for Generalizable Vision-Language ModelsBaoshuo Kan, Teng Wang, Wenpeng Lu*, Xiantong Zhen, Weili Guan and Feng Zheng*预训练的视觉-语言模型（例如CLIP）结合手动设计的提示，在迁移学习方面展示出强大的能力。最近，可学习的提示实现了最先进的性能，但往往容易过拟合于已见类别，难以泛化到未见类别。针对这个问题，本文提出了一种面向视觉-语言模型的知识感知的提示方法（KAPT）。KAPT 为文本编码器设计了两种互补类型的知识感知提示，以利用与类别相关的外部知识的独特特征。离散提示从物体类别的描述中提取关键信息，而学习得到的连续提示则捕捉整体上下文。KAPT还为视觉编码器设计了一个适应头，以聚合显著的注意力视觉线索，从而建立具有区分性和任务感知的视觉表示。在11个广泛使用的基准数据集上进行了大量实验，结果验证了KAPT在小样本图像分类方面的有效性，特别是在泛化到未见类别方面。南科大智能与感知课题组访问学生阚保硕和2020级博士生王腾为共同第一作者，郑锋老师与鹿文鹏老师为通讯作者，齐鲁工业大学为第一单位。6 Learning Cross-Modal Affinity for Referring Video Object Segmentation Targeting Limited SamplesGuanghui Li, Mingqi Gao, Heng Liu*, Xiantong Zhen, Feng Zheng*指代式视频目标分割（RVOS）是在自然语言的引导下，实现对视频中感兴趣目标的分割与跟踪的任务。由于用户友好的交互方式，其在视频编辑相关领域中具有广泛应用。近年来，主流的RVOS方法实现了出色的性能，但由于依赖充分的视觉-语言数据标注，难以在少量样本的场景下获得理想的结果，因而限制了其在现实任务中的应用。在本文中，我们提出了一种简单有效的模型(Cross-Modal Affinity，CMA)提升对少样本RVOS的准确性。通过在少量样本中建立跨模态的特征关联，CMA能够快速学习新的视觉语言对应以适应不同的任务场景。为了推进样本有限RVOS领域的研究，我们在已有视频目标分割数据集的基础上，建立了少样本RVOS基准数据集，Mini-Ref-YouTube-VOS和Mini-Ref-SAIL-VOS，在场景，语言，特征空间等方面涵盖多样的数据样本。我们的实验表明，相比于已有的少样本学习方案，提出的CMA能够更精准的学习样本中的视觉语言对应，实现对不同场景的快速适应。南科大视觉智能与感知课题组访问研究生李光辉和我系2019级博士生高明琦为共同第一作者，郑锋老师与刘恒老师为通讯作者，安徽工业大学为第一单位。

近日，我校首届“最受本科毕业生欢迎任课老师”评选结果揭晓，我系三位老师入选，他们分别是刘江教授，宋轩副教授，张进副教授（姓氏首字母顺序排列）。此次评选是南科大教学工作部首次面向全校本科毕业生举办的第一届“最受本科毕业生欢迎任课老师奖”评选活动，活动通过“问卷提名+投票”结合的形式，评选出最受本科毕业生欢迎的前十名老师，为他们送上真挚的感谢与荣誉。春风化雨、润物无声感谢所有入选和未入选的老师！刘江教授国家级专家南方科技大学计算机科学与工程系终身教授，计算机科学与临床眼科医学双博导，人工智能和医学图像领域的国际学者。刘江教授有着非常丰富的科研教学经历，先后在新加坡国立大学、新加坡南洋理工大学等多所高校从事教研工作，一直践行着以“让学生学到知识”为核心的iMED教学理念。研究领域包括：人工智能、精准医疗、眼脑联动和手术机器人。01多媒体信息处理课程团队其他主要人员：章晓庆、肖尊杰、聂秋实、赵冀鲁、巫晓、席睿翎课程简介多媒体信息处理课程是一门综合交叉性专业课，涵盖文本处理、音频处理、图像处理、动画处理、图形处理以及视频处理6个媒体模态的处理技术，各部分的技术和算法相互借鉴，相互支撑。自开课以来，刘江教授领导的iMED教学团队立足于南方科技大学作为新型研究型大学的定位，始终把握并强调对学生进行跨学科教育和交叉创新能力培养的教学理念。因此，课程设计的出发点是希望构建南科大学生的多媒体信息处理理论基础，并普及新的行业发展知识，给多媒体这个‘旧瓶’原浆概念勾兑最新人工智能模型和元宇宙发展的‘新酒’，满足学生科研和工作的能力建设与未来技能发展的多维度需要。学生感言曾鸣-18级计算机科学与技术专业在甲骨文识别项目中，我们小组学习了甲骨文相关历史和研究现状，并把人工智能技术应用到甲骨文。这次人文研究和计算机技术的结合，让我们体会到交叉学科研究的魅力！杨睦圳-18级计算机科学与技术专业从本学期参加的智能甲骨文识别项目中，我不仅学习了神经网络等计算机方面的专业技能，还得到了一次真正与甲骨文接触的机会。在构建甲骨文识别与检索系统的过程中，我们自己动手去收集与处理数据，认识了各种各样有趣的甲骨文字，收获颇丰。02人工智能导论课程团队其他主要人员：章晓庆、肖尊杰、聂秋实、赵冀鲁、巫晓、杨冰课程简介随着人工智能技术的广泛应用，非计算机专业的学生出于个人兴趣以及学科交叉的需要，对了解和使用人工智能技术也有了强烈的要求。为顺应时代发展的要求，人工智能导论课程面向全校包括非计算机专业学生开设，课程教学旨在激发非计算机专业学生对人工智能学习的兴趣，同时引导和提高学生应用人工智能技术进行学科交叉的研究创新能力。学生感言杨明语-19级医学院临床专业刘老师深入浅出的讲解，将我一个毫无计算机背景的人带入人工智能的理论世界。我惊叹于感知机模仿神经元的微妙，也折服于各类算法在推演时将人类思想解构与重构的神奇。每每在这些时刻，我都能顿悟医学与人工智能的联系，像是两个学科之间，伸展出丝丝缕缕的突起，在某一刻交汇，迸发出人类思想的火花。杨婷-20级计算机科学与技术专业刘老师将人工智能复杂的知识划分成多个小部分，从细小处入手，从我们已有的知识层面开始搭建新的轮廓。这让我觉得学习人工智能有迹可循，简单来说就是“能学懂了”。还有就是每个小组的项目，在这个过程中，我们可以立马将这学期的知识反复学习，巩固，拓展，这让我们收获满满。总结在南科大任教四年，刘江老师一直将教书育人作为一个大学老师最基本且最重要的工作，在教学过程中不断总结经验，优化课程，提升教学质量和尽可能让每位学生在课程学习过程都有收获。刘江老师正带领iMED团队努力将教授的每一门课程做成具有iMED特色的精品课程。宋轩副教授国家级专家南方科技大学计算机科学与工程系副教授，国家重点研发计划项目负责人，主要研究方向是人流大数据分析和挖掘，获得中国发明创业奖（个人奖），中国发明创新奖，中国产学研合作促进会创新奖（个人奖）。中华人民共和国驻日本国大使奖。任教本科生数据挖掘、认知科学导论和信息检索课程，获得学生一致好评。01认知科学导论课程团队其他主要人员：赵奕丞、林贵旭、谢洪彬、尹渡、冯德帆、李永康、刘航晨、宋歌、彭金全课程简介认知科学是一门跨学科的学科，研究心智和智能的本质和机制。它涉及到人工智能、心理学、神经生物学、教育学、语言学、人类学和哲学等多个领域。认知科学导论课的目的是让学生了解认知科学的基本概念、假设、模型、方法、问题和争论。这门课程将涵盖认知科学中的主要信息处理范式以及对这些范式的批判。学生将通过这门课程探索认知过程如感知、推理、记忆、注意力、想象力、语言、智力、决策、道德甚至爱情和吸引力的本质。由于本课程是一门计算机系的选修课程，课程内容设计也将大幅度的强调和联系人工智能，尤其是现在的各种基于人脑神经元启发的深度学习，与真实的人类大脑运作机理之间的联系。课程目标介绍认知科学的主要信息处理范式以及对这些范式的批判；介绍推动认知科学研究的中心问题、主题、主题和视角，包括它们的历史发展；了解用于探索认知科学的各种方法，包括不同研究方法的能力和局限性；了解认知科学与计算机科学，尤其是人本计算、机器人技术、设计和教育技术之间的关系。课程内容本课程将涵盖以下主题：认知科学的历史与哲学基础；心智表示与计算；神经系统与神经成像技术；感觉与感知；注意力与意识；记忆与知识；语言与交流；推理与问题解决；决策与判断；情感与社会认知；智能与创造力。02数据挖掘课程团队其他主要人员：赵奕丞、林贵旭、谢洪彬、尹渡、冯德帆、李永康、刘航晨、宋歌、彭金全课程简介数据挖掘是一门研究如何从大量的数据中发现有价值的模式和知识的学科。它涉及到数据分析和知识发现的基本原理和方法，包括数据质量、预处理、关联、分类、聚类、序列挖掘、可视化等。数据挖掘在工业和学术界都有着重要的应用和价值。数据挖掘课的目的是让学生了解数据挖掘的基本概念、原理、方法、实现技术和应用。这门课程将重点介绍数据挖掘的相关算法并结合人工智能方法介绍数据挖掘未来的研究方式和走向。学生将通过这门课程学习如何使用数据挖掘工具和算法进行建模和预测，评估性能和结果，并通过实际课程项目展示所学的内容。课程目标了解数据挖掘的基本概念、原理、方法、实现技术和应用；掌握数据质量、预处理、关联、分类、聚类、序列挖掘、可视化等数据挖掘技术；学习如何使用Python进行数据挖掘；学习如何评估和解释数据挖掘结果；学习数据可视化展示。课程内容本课程将涵盖以下主题：数据挖掘导论；数据质量与预处理；关联规则挖掘；分类与预测；聚类分析；序列模式与结构挖掘；异常检测与离群点分析；可视化与交互式数据挖掘；深度学习。总结在南科大任教四年，宋轩老师一直推崇有教无类，因材施教，在课程教育与课程设计中兼顾了教育学生理论知识基础，以及给学生提供了接触最前沿科技的机会，锻炼学生在课程中的实践动手能力与完成项目的组织能力，以及挑战学生对知识的表达与提炼的能力。宋轩老师的教课风格诙谐幽默，生动形象，深受广大学生喜爱。张进副教授南方科技大学计算机系长聘副教授、博士生导师，南方科技大学致仁书院学术副院长。主要从事智能感知与移动计算、可穿戴计算与移动健康、无线网络和边缘计算、群智感知、区块链等方向的研究。张进老师立足本职、践行教书育人使命，承担《计算机组成原理》《计算机组成原理(H)》《计算机网络》《无线网络与移动计算》四门课程的教学工作。因其课程质量高、运用强的特点，得到学生普遍认可。张进老师获得南方科技大学优秀教学奖一次，南方科技大学优秀导师奖两次，南方科技大学青年教学竞赛一等奖两次。01计算机组成原理课程团队其他主要人员：白雨卉、王薇、王晴课程简介《计算机组成原理》是面向计算机科学与技术专业的大二学生开设的一门专业基础课，是计算机系最硬核的课程之一。该课程采用图灵奖获得者David Patterson和John Hennessy的《Computer Organization and Design》一书作为教材，涵盖了计算机指令集架构、MIPS汇编语言、单周期及流水线处理器的设计、存储器的设计与实现等计算机的几个重要组成部分及其底层设计思想。该课程内容丰富，作业和实验量大，要求严格。学生感言罗诗敏-19级计算机科学与技术专业张老师是我们心中的进姐姐，她的计算机组成原理讲的特别好：每个知识点都会留足够的时间给我们思考，对于每个知识点都会举很多例子来帮助我们理解，比如在讲CPU的ALU的时候会举很多例子带我们走很多遍那些加减法乘除法的流程，包括讲控制信号那边的时候也列举了很多例子。这门课程整体感觉知识的连贯性非常好，我们学得很透彻，收获很多。谈思序-19级计算机科学与技术专业张老师是我探索计算机世界的引路人。老师讲授的计算机组成原理和计算机网络，从授课质量、课程安排以及作业设计来讲都是一等一的精品课程。张老师课程的特点是理论和实操结合得非常合理，在优秀的实验老师的配合下，让学生能够及时动手实践理论课所学的知识。老师也常常在理论课上介绍一些前沿的研究，帮助学生们开拓计算机领域研究相关的视野。刘轩宇-21级计算机科学与技术专业计组课很难，是计系学生绕不开的一个挑战。但是张老师很有经验也很有技巧，她会带着学生一点一点吃透这一门难学的科目，把难题变得简单。此外，课下的提问不论有多简单，总是会得到张老师认真又详细地解答。上这门课之前学长们总说张老师是计系的女神，上完后发现学长说得一点没错！02计算机网络课程团队其他主要人员：李卓钊、唐茗、王薇、王晴课程简介《计算机网络》是计算机科学与技术、通信工程等专业的专业核心课。课程以TCP/IP协议为核心，以协议栈自顶向下的顺序介绍网络经典架构和前沿技术及应用，内容涵盖了计算机网络的应用层、传输层、网络层、链路层和物理层的核心知识点。实验内容涉及网络编程、网络拓扑的设计与搭建、协议报文分析和构造、网络问题分析与定位等多方面的开发、调测、工程类的技能。该课程既是操作系统课程中网络实现部分的详细阐述及拓展，又是计算机安全、云技术及应用等多个领域应用的重要基石。学生感言阮业淳-18级计算机科学与技术专业张老师的计算机网络课程延续了她基础知识与实际应用相结合的教学风格，从实际应用出发，回顾计算机领域技术的发展，引出这其中的教学知识点，同时讲述令人惊叹的计算机网络巧妙设计。这种授课方式提升了课堂学习氛围感。实验课包含理论、仿真、实践多部分，帮助我们更透彻地理解知识点。郑鑫颖-19级计算机科学与技术专业张进老师是一位经验丰富、知识渊博的教师，她对计算机网络的专业知识有着深入的了解，并能够将复杂的概念和理论讲解得易于理解。她的课程通常知识点密集，需要同学们全神贯注地听讲。一节课下来，通常会有“饱餐一顿“的感觉。下课之后，往往有一圈的同学围着老师提问，我记得有一次中午下课，张进老师解答大家的问题直到12点40才离开教室。张老师也采用了丰富的教学方法，有许多案例演示和互动讨论，使课堂更加生动有趣。在很长的一段时间里，计算机网络课程是我一星期中最期待的课程之一。

近期，计算机系COMPASS实验室战队在省级网络安全竞赛上连续取得优异成绩。参赛队员为我系2020级本科生邬一帆和2021级本科生严文谦同学。指导教师为斯发基斯可信自主系统研究院李照研究助理。一、全国大学生信息安全竞赛半决赛华南赛区一等奖2023年6月23日至24日，第十六届全国大学生信息安全竞赛创新实践能力赛华南赛区分区赛在桂林电子科技大学举行。计算机系本科生邬一帆和严文谦同学组成的COMPASS战队代表我校参赛并斩获华南赛区半决赛第八名，获得一等奖。邬一帆和严文谦（从右至左）本次比赛参赛选手来自华南赛区（广东、广西、海南、香港、澳门），均为通过初赛选拔的全日制高校在校生。参赛学校包括中山大学、暨南大学、深圳大学、华南理工大学等高等院校。本次比赛共有49支战队参赛， 最终9支队伍荣获一等奖。在众多4人参赛队伍中，我校参赛队仅由2名本科生组成，是唯一一支2名队员组成的一等奖队伍。本次竞赛的模式为AWD plus模式，由Break与Fix环节组成。这种竞赛模式模拟现实环境中网络攻防战的比赛环境。选手们在激烈的角逐中，需要在修复自己服务器中的漏洞的同时，攻击其他选手的服务器。赛事介绍全国大学生信息安全竞赛是为积极响应国家网络空间安全人才战略，加快攻防兼备创新人才培养步伐，实现以赛促学、以赛促教、以赛促用，推动网络空间安全人才培养和产学研用生态发展，由国家工业信息安全发展研究中心协办，由国防科技大学与中国科学技术大学联合承办，是全国最高等级的安全竞赛之一。比赛链接http://www.ciscn.cn/competition/securityCompetition?compet_id=38 http://www.ciscn.cn/announcement/view/305 二、广东省大学生网络安全竞赛特等奖2023年4月，南科大计算机系COMPASS实验室网络安全夺旗赛 Capture The Flag（CTF）竞赛队参加第二届广东省大学生网络安全竞赛取得了优异的成绩，斩获特等奖。我校参赛队员为计算机系本科生邬一帆和严文谦。500多支来自省内各高校的队伍参与了此次竞赛，其中包括中山大学、深圳大学和暨南大学等知名高校。南方科技大学代表队在激烈的竞争中成功获得各分项和总分第一名，也是唯一的获特等奖队伍。此次广东省大学生网络安全竞赛为一项计算机安全模拟攻防竞赛，考核参赛队在网络安全领域的技能和专业知识。通过多轮竞赛，23支队伍进入最后的决赛，南方科技大学代表队脱颖而出，最终荣获特等奖，证明了他们在网络安全领域的实力和实践经验。赛事介绍第二届广东大学生网络安全攻防大赛于2023年4月举行。本次比赛以国家安全与青年担当为主题，旨在推进网络安全与信息化工作，培养青年人才。比赛由共青团广东省委员会、广东省教育厅等主办单位承办，技术指导由广东省网络空间安全产业创新联合会提供。参赛对象为全省高校全日制在校大专生、本科生、研究生。比赛采用线上知识赛、线上晋级赛和线下省级总决赛的形式，内容涵盖安全基础知识普及、CTF夺旗赛、AWD攻防和综合渗透赛等。奖项设置包括特等奖、一等奖、二等奖、三等奖以及优秀指导教师和优秀选手的奖励。比赛链接https://www.gkd.edu.cn/twn/contents/558/10245.html三、第五届“巅峰极客”网络安全技能挑战赛总决赛巅峰人才奖2022年8月， COMPASS CTF竞赛队在第五届“巅峰极客”网络安全技能挑战赛总决赛中取得佳绩。COMPASS CTF战队邬一帆参赛，在6000+战队中以第12名的成绩进入总决赛，获总决赛巅峰人才奖及￥10000奖金。巅峰极客网络安全技能挑战赛介绍由四川省互联网信息办公室指导、成都市互联网信息办公室、成都高新技术产业开发区管理委员会联合主办。作为国家级网络安全知名赛事品牌，本届“巅峰极客”报名人数再创新高，共吸引了22416名选手、6531支战队报名参与。参赛团队覆盖了国家关键基础设施单位、行业部门、科研机构、高等院校、信息安全企业、渗透测试团队、互联网企业以及社会力量。比赛链接http://www.cdht.gov.cn/cdht/c139818/2022-09/27/content_1c2b0302ed884756bdfccac3a9278789.shtml邬一帆感言作为一支仅成立两年的网络安全夺旗赛CTF战队，取得这些成绩离不开COMPASS实验室的全力支持。校队每周都能在固定的场地中以优越的条件学习训练，在每周的例会中张锋巍老师也会为目前的方向给予详尽的指导。坚持训练让我们积累了大量的基础知识和网安技能，在训练赛中，大家也能感受团队协作的喜悦。希望更多的同学们可以加入COMPASS实验室得到锻炼和成长，欢迎每一位对计安感兴趣的同学在每周日下午来工学院南楼551室共同探索有趣的CTF世界，也欢迎大家选修秋季学期张老师的《计算机安全》课程！COMPASS CTF校队介绍一支由COMPASS实验室组办、面向CTF计算机安全竞赛的队伍。致力于计算机安全的学习与研究，通过实战与模拟进行系统安全、网络安全、密码学安全等方向的工作。COMPASS CTF战队在多个高水平赛事中表现出色。在2022年的春秋杯冬季赛上，队伍以优异的表现获得了冠军；在公安部网鼎杯2022年初赛中获得第七名。此外，在中央网信办强网杯2022年竞赛中夺得强网先锋荣誉。目前，COMPASS CTF正走向更精通、更广泛、更卓越的目标。

2023年6月，在美国芝加哥举行的Evolutionary Computation 2023国际会议上，南方科技大学计算机系Hisao Ishibuch讲席教授被IEEE计算智能学会授予2023 Enrique Ruspini Award。该奖项旨在表彰Hisao Ishibuchi教授对IEEE Computational Intelligence Magazine（IEEE CIM）以及学会所做出的杰出贡献。今年全球仅有两位学者获此殊荣。获奖证书IEEE Computational Intelligence Magazine是计算智能领域国际知名的顶级期刊，中科院一区，2022年的影响因子为9。Hisao Ishibuchi教授曾于2014-2019年担任IEEE CIM的主编。Hisao Ishibuchi讲席教授国家级专家IEEE FellowHisao Ishibuchi，现任南方科技大学计算机科学与工程系讲席教授，IEEE Fellow。研究方向包括人工智能、演化多目标优化、演化机器学习、模糊系统等，已发表国际期刊论文近200篇、国际会议论文超过600篇，Google Scholar总引用次数超过34,000次，H-指数为84。他曾担任IEEE计算智能学会副主席，IEEE Computational Intelligence Magazine主编，现在是IEEE Transactions on Cybernetics，ACM Computing Surveys 等权威期刊的副编。