为充分发挥校企双方优势，对校企联培硕士生进行更好培养，9月16日下午，南科大计算机系与平安科技（深圳）有限公司在南山智园A7栋1008会议室举行校企联培座谈会。平安科技（深圳）有限公司智能视觉技术团队负责人刘玉宇一行5人应邀出席本次座谈会，计算机系主任姚新教授、系副主任史玉回教授等出席座谈。座谈会由系副主任史玉回教授主持。 首先，史玉回教授对前来参会的企业嘉宾表示热烈欢迎，介绍了计算机系在学科发展、平台建设、科研成果、师资力量、人才培养等方面取得的成就，并希望计算机系与平安科技（深圳）有限公司进一步开展多层次、多领域、全方位的深入合作。平安科技（深圳）有限公司智能视觉技术团队负责人刘玉宇介绍了平安集团的整体概况，包括集团历史沿革、营收规模、主营业务、岗位培训等内容，详细介绍了平安科技公司“科技+金融”、“科技+医疗”两大主营方向的业务情况和研究进展，充分研究和挖掘人工智能在智能视觉领域的应用技术，在车辆智能定损、金融领域OCR智能录单、医疗影像辅助诊断等方面深耕细作。随后，平安技术团队相关负责人与联培硕士生的导师相互介绍具体研究方向课题，双方寻求契合以协商确定联培生的企业导师和研究课题。导师从学生论文发表、课题期限、企业培养模式等切实关系到学生毕业和未来发展的方面向企业嘉宾提问和建议。参加座谈会的双方导师就共同研究方向进行研讨，提出今后加深研发合作的设想。联培硕士研究生进行了自我介绍，就感兴趣的问题进行了交流。现场交流气氛热烈，双方不断产生共鸣，激发了在更多领域进一步建立合作的意愿。最后，系主任姚新教授提出，要加快对这一新型培养模式的探索，以期未来继续加大联合培养规模，尽可能实现校企资源的有机结合和优化配置，着力实现人才培养供给侧和产业研发需求侧的全方位融合。平安科技（深圳）有限公司智能视觉技术团队人脸识别方向负责人周超勇、医疗影像团队高级算法工程师刘新卉、AI项目合作团队资深产品经理万欣茹、HR吕伟军，计算机系刘江教授、张建国教授、于仕琪副教授、杨鹏助理教授、研究生教务秘书等参加了座谈会。

南方科技大学计算机科学与工程系程然助理教授的合作论文“Xingyi Zhang, Ye Tian, Ran Cheng*, Yaochu Jin. A decision variable clustering based evolutionary algorithm for large-scale many-objective optimization. IEEE Transactions on Evolutionary Computation, 2018, 22(1): 97-112.”荣获2021年度唯一的“IEEE Transactions on Evolutionary Computation Outstanding Paper Award”，其中程然教授为论文通讯作者，截至2020年7月该论文Google Scholar引用152次。 △2019年 IEEE Computational Intelligence Society (CIS) Outstanding PhD Dissertation Award（上）及2018年IEEE Transactions on Evolutionary Computation Outstanding Paper Award(下)IEEE Transactions on Evolutionary Computation (IEEE TEVC) 是计算智能领域的国际顶级期刊。这是程然教授继2018年获得IEEE Transactions on Evolutionary Computation Outstanding Paper Award（当年全球唯一）、2019年获得IEEE Computational Intelligence Society (CIS) Outstanding PhD Dissertation Award（当年全球唯一）、2020年获得IEEE Computational Intelligence Magazine Outstanding Paper Award（当年全球唯一）之后，连续第四年获得IEEE国际学术奖励。 程然教授于2018年回国任教，组建了南方科技大学“演化机器智能课题组”(EMI Group, http://emi.sustech.edu.cn/)，专注于利用计算智能方法解决复杂学习、建模及优化问题，研究领域涉及演化计算、深度学习等。目前，课题组的主要研究获得国家自然基金委、工信部、华为海思等机构的资助，相关研究成果应用于宽体客机、AI芯片、智慧电网、材料基因等重要科学与工程领域。

近日，电气和电子工程师协会（Institute of Electrical and Electronics Engineers，IEEE）网站公布2020年度IEEE FRANK ROSENBLATT AWARD国际大奖获奖者信息，南方科技大学计算机科学与工程系主任、讲席教授姚新因其在计算智能领域的杰出贡献获奖，成为该奖年度全球唯一获得者，也是获得该奖项的首位华人。获奖公布网页截图获奖理由显示，姚新多年从事计算智能的基础和实践方面的研究，他提出的快速进化规划方法被应用于神经网络结构学习、最优路径规划、数字滤波器设计以及新材料的设计，他还提出了一种全新的用于进化算子/进化算法理论分析的方法论。他提出的一种新颖的基于随机排序的优化方法，可用于处理进化优化中平衡目标函数和惩罚函数的问题，此方法对解决电气、化学、机械、航空工程、生物和经济学中的约束优化问题具有重要意义。IEEE-Frank-Rosenblatt奖创立于2004年，是IEEE为纪念神经网络的创始人之一Frank Rosenblatt而设立的技术领域大奖。该奖项每年在全球范围内评选出一位对生物学和语言学促进的设计、实践、技术或理论计算典范发展做出卓越贡献的获奖人，包括但不仅限于神经网络，连接系统、模糊系统，以及包含这些典范的混合智能系统。姚新教授姚新是人工智能领域的领军学者，为美国电气电子工程师学会会士，曾任IEEE计算智能学会主席（2014-2015）。在2003-2008年间，他在IEEE Transactions on Evolutionary Computation担任主编。迄今他已在国际顶尖学术期刊及会议发表论文800余篇，总引用超过49000次，H-指数为99。曾获IEEE Donald G. Fink论文奖（当年全球只有1篇）、IEEE Transactions on Neural Networks杰出论文奖（当年全球只有1篇）。

近日，深圳市教育局公布了“2020 年深圳市教育工作先进单位和先进个人”名单。南方科技大学计算机科学与工程系荣获“先进单位”称号。南科大计算机科学与工程系成立于2016年，学科建设稳步发展。目前已获批计算机科学与技术、智能科学与技术两个专业，并获批1个教育部产学育人项目、2个省级综合类教改项目、1个省级质量工程在线开放课程、5个校级教改项目、1个校级质量工程项目、1个深圳市教育科学规划重点资助项目。近年来，计算机科学与工程系本科生培养质量稳步提升，在国际国内比赛中屡获佳绩，学生学术水平不断提升，毕业生升学就业质量显著提高。2019年，计算机系程序设计竞赛队共获得3金、6银、16铜的骄人战绩；在国际软件测试大赛中接连得奖9人次；在全国大学生软件测试大赛中，获得省级奖项11人次，国家级奖项7项，并斩获个人赛阶段的1个特等奖和2个一等奖；2名本科生在顶尖国际会议(CCF-A类)PVLDB和ICDE上发表论文。2020届毕业生中16名学生自主申请并获得芝加哥大学、普渡大学、南加州大学、马萨诸塞大学等国际知名高校的博士全额奖学金；3名学生获境外联培博士全额资助；33名学生自主申请并获得卡内基梅隆大学、佐治亚理工等国际知名高校的硕士录取；37名同学就读包括南科大在内的国内知名高校研究生；60名同学前往包括华为、腾讯、阿里巴巴等知名企业就业。

随着新型冠状病毒疫情的不断发展，有关疫情的各类信息也在不断更新，如何利用知识图谱从大量新型冠状病毒肺炎信息中高效挖掘相关频繁模式（如病毒的宿主、传播途径）成为辅助专业人士迅速掌握病毒来源、有效提高临床治疗效果等问题的关键因素。 南方科技大学计算机系唐博教授领导的数据库研究团队与澳门大学智慧城市物联网国家重点实验室数据科学研究中心主任余亮豪教授团队紧急联合启动基于新型冠状病毒知识图谱模式挖掘系统（下称“新冠图谱挖掘系统”）的研发，目前新冠图谱挖掘原型系统正式推出，该系统实现关于新型冠状病毒的不同知识图谱的前K频繁模式的高效挖掘，为专业人士分析病毒相关问题提供决策依据。 新冠图谱挖掘系统架构如图1所示，数据层首先预处理大量新冠图谱数据，如清洗、整合等，随后建立图谱索引结构以支撑计算层进行高效频繁模式挖掘，通过用户层输入模式挖掘需求到图谱挖掘系统，通过计算层挖掘频繁模式并返回用户进行可视分析。计算层的核心技术来源项目团队的科研课题与技术积累[1]。根据初步研究结果显示，计算效率较目前学术界最优算法提高10倍到20倍，研究成果能有效提升系统面对大量复杂知识图谱查找及实时数据处理的需求。 图1:新冠图谱挖掘系统架构 该系统可用于分析各类新冠图谱，包括不仅限于新冠科研图谱、新冠健康图谱、新冠物资图谱、新冠英雄图谱等。如下图2所示，基于新冠科研图谱数据[2]该系统挖掘毒株的变异模式可得到（1）挖掘结果包含了新冠病毒变异分支，产生城市，病毒载体等相关信息,系统通过出现次数不同进行排序。（2）图中排序第二的模式揭示了2019-nCOV毒株的发现城市与变异分支的具体情况：2019-nCOV毒株来源城市有武汉（21株）、深圳（8株），巴黎（4株），杭州（4株），悉尼（3株）等；（3）不同城市的毒株的变异分支不同，如武汉的部分毒株变异于分支036，巴黎的部分毒株变异于分支043。这些分析结果能帮助领域专家快速了解不同城市的2019-nCOV病毒毒株特征，从而快速检测毒株种类、辅助病例治疗等。 图2:新型冠状病毒知识图谱挖掘系统 新冠图谱挖掘系统中图谱数据来自中文开放知识图谱新冠专题[3]，新冠知识图谱基于统一的命名规范和语义格式，采用 CC-by SA 相似署名开放许可协议。新冠图谱挖掘系统的主要贡献者是南方科技大学2018级博士曾剑、2016级本科生唐千栋和杨川。此外本项目开发团队热烈欢迎不同领域专家一起加入该系统的研发，以增强系统分析功能与使用范围。 [1] 本项目的核心技术研发来自国家自然科学基金青年项目和深圳市基础研究自由探索项目的支持。[2] http://openkg.cn/dataset/covid-19-research[3]http://openkg.cn/group/coronavirus

近期，南科大计算机科学与工程系助理教授余剑峤课题组在智慧交通领域取得一系列科研进展，在IEEE Internet of Things Journal，IEEE Transactions on Intelligent Transportation Systems，Transportation Research Part C: Emerging Technologies等相关领域国际顶级期刊，以及2020年IEEE国际智能交通系统会议上发表6篇论文。 （一）交通信息预测是交通运输研究中的关键问题，现有的预测方法基于深度学习以及大数据集而取得了出色的表现。然而，研究往往忽略了这些共享数据可能包含敏感的隐私信息，从而导致潜在的隐私泄露。图1 交通流预测中的隐私与安全问题针对此，余剑峤课题组发表在物联网领域顶级期刊IEEE Internet of Things Journal上的文章以“Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach”为题，提出了基于联合学习的门控循环单元神经网络算法（FedGRU）来在隐私保护的约束下准确预测交通流。该算法将联邦学习与GRU结合，不会直接访问分布式组织数据，而是采用安全参数聚合机制在云中聚合分布式训练到的局部模型。此外，其采用联合平均算法（FedAVG）进行随机子采样以减少模型参数传输过程中的通信开销，同时引入一个联合公告协议（Joint-Announcement）来提高算法可扩展性。与传统的方法相比，此算法在可达到同等的预测精度的情况下，无需共享隐私数据集而降低隐私泄露的危险。图2.基于联邦学习的交通流预测架构图3. 联邦学习联合声明协议图4安全参数聚合机制该论文的第一作者为南科大访问学生刘毅，余剑峤助理教授为通讯作者，新加坡南洋理工大学教授Dusit Niyato，博士后Jiawen Kang以及南科大大三学生张舒昱为论文合作者。南科大为论文第一通讯单位。（二）实时交通速度估计是现代运输控制和管理应用程序的基础，目前工业方法主要涉及固定速度传感器和车辆全球定位系统（GPS）记录，但是其存在速度数据不完整的问题。此外，此前方法没有利用相邻道路实时交通速度之间的空间相关性，仅通过每条道路单独执行估计算法来构建，导致计算不高效。课题组在智能交通系统领域顶级期刊IEEE Transactions on Intelligent Transportation Systems上发表了题为“Real-Time Traffic Speed Estimation with Graph Convolutional Generative Autoencoder”的论文，该论文提出了一种新的深度学习模型GCGA，结合了深度学习技术的最新发展，利用少数众包车辆提供GPS记录，用于大区域的实时速度估计。该模型融合了GCN和GAN的概念和设计原理，以完成出色的图形特征提取，并采用一种实用的GCGA训练方法来微调网络参数以解决图形输入数据不完整的问题。与传统方法相比，该模型可以提取交通网络中与图有关的空间特征，一次绘制交通速度图，同时放宽了对固定速度传感器的依赖，充分利用了动态，独立和不完整的车载GPS记录。仿真结果表明，此方案可以取得目前最优的预测精度，且提出的GCGA作为一个通用的图形特征生成方法，有望应用于解决其他研究和工业问题。图5 GCGA模型示意图该论文的第一作者及通讯作者均为南科大助理教授余剑峤，Facebook AI Research及香港大学电气与电子工程系研究员Jiatao Gu为合作作者，南科大为第一单位。 （三）交通模式识别作为智能交通系统中的另一项基本任务，目前的研究主要基于可提供有关个人出行方式的详细且精确信息的GPS数据，但是其面临特征选择不足，数据维数高以及数据利用不足等问题。针对此，余剑峤课题组还在IEEE Transactions on Intelligent Transportation Systems上发表了题为“Travel Mode Identification with GPS Trajectories using Wavelet Transform and Deep Learning ”的论文，提出了一种基于离散小波变换（DWT）和深度学习技术（DNN）的最新发展的新型出行模式识别机制，采用任意长度的GPS轨迹在全局和在线出行模式识别场景中得到精确的结果。该机制是在出行模式识别中使用小波变换和递归神经网络的开创性研究之一，利用DWT获得隐藏的时频域特征并使用DNN进行出行模式推断。与先前的工作不同，该机制充分利用了GPS轨迹中的时间相关性来训练用于识别的智能系统，并且轨迹的长度不需要固定，且由于DWT和DNN的计算效率高，采用该机制可实时进行整个识别过程。实验结果表明，该机制显着优于相同数据集上现有的行驶模式识别方法，并且计算时间短。图6.提出的出行模型识别机制的数据流图7. 提出的出行模型识别器示意图南科大余剑峤助理教授为论文唯一作者。 （四）此外，目前对于出行模式识别的研究严重依赖于具有准确行驶模式信息的GPS轨迹的手动注释，存在经济上效率低下且容易出错的问题。课题组在交通工程领域顶级期刊Transportation Research Part C 上发表了论文“Semi-supervised Deep Ensemble Learning for Travel Mode Identification”，提出了一种基于代理标签的半监督深度集成学习方法，以使用最少数量的带注释数据进行出行模式识别任务。该方法利用集成四种网络的神经网络，基于已知的少量带注释数据，生成未标注数据的代理标签，并将其与原始注释数据一起用作训练目标。图8.数据处理流程基于GeoLife数据集的案例研究证实了该方法的有效性，与最先进的出行模式识别方法相比，该方法在所有相同数据集配置下取得的结果明显优于其他方法。论文唯一作者为余剑峤助理教授。 （五）除上述国际顶级期刊文章成果发表外，余剑峤课题组在2020年度IEEE国际智能交通系统会议上发表了多篇交通模式识别研究论文，开创性地提出通过半监督及无监督学习方法进行出行模式识别的学习模型。课题组发表题为“MultiMix: A Multi-Task Deep Learning Approach for Travel Mode Identification with Few GPS Data”的会议论文，提出了基于GPS数据的另一种基于多任务的半监督学习框架的交通模式识别方法。该方法使用标记、未标记和合成数据来训练一个深度自动编码器，通过同时优化三个相应的目标函数来进行训练。案例学习结果表明，与以前的方法（有监督和半监督）相比,基于数据混合的多任务学习方法表现出最佳的识别性能。图9. MultiMix的结构论文第一作者为南科大一年级硕士研究生宋晓壮，通讯作者为余剑峤助理教授，南科大与悉尼科技大学联培博士研究生Christos Markos为论文合作者。（六）课题组同时发表了题为“Unsupervised Deep Learning for GPS-Based Transportation Mode Identification”的会议论文，首次利用无监督深度学习方法对运输模式下的GPS轨迹数据进行聚类以进行交通模式识别。该方法通过利用固定大小的轨迹段作为输入数据对深度卷积自编码器网络（CAE）进行预训练，并在CAE中的嵌入层上附加一个聚类层，将聚类中心保持为可训练的权重。之后通过重训练复合聚类模型来取得模型重构和聚类损失之间的平衡。在真实数据集上的实验证实该方法在交通模式识别方面显著优于传统聚类算法和半监督技术，无需使用任何标签就可取得具有竞争力的识别精度。论文的第一作者为南科大与悉尼科技大学联培博士Christos Markos，通讯作者为余剑峤助理教授。以上几项工作获得国家自然科学基金、广东省自然科学基金、广东省类脑智能计算重点实验室等项目和机构的资助。