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。

2020年7月18日晚，由深圳市政务服务数据管理局、南山区人民政府主办，南山区政务服务数据管理局、华为技术有限公司承办，第二届“华为云杯”2020深圳开放数据应用创新大赛（SODiC）成果分享汇暨颁奖晚会成功举行。本次大赛以“数聚粤港澳，智汇大湾区”为主题，自2020年3月27日启动以来，历时3个多月，经历了全球范围的精彩角逐，最终正式圆满落幕。 来自我校计算机科学与工程系宋轩副教授课题组的研究生冯德帆，本科生唐之遥和莫宇同学在“南方科技大学-东京大学超智慧城市联合研究中心”教授的联合指导下，参赛作品《医院门诊人力资源和诊室资源优化配置分析》获得了数据分析赛道冠军，揽获奖金10万元人民币。来自计算机科学与工程系杨双华教授课题组的研究生钱凯、周玉珏、冯泽正和刘宇焕组成的滴水不漏战队，参赛作品《数据驱动的供水管网漏损检测与溯源解决方案》获得了数据分析赛道三等奖，获得奖金2万元。 深圳开放数据应用创新大赛定位于国际一流的数据赛事和创新孵化器。本届大赛设置数据创意赛、数据分析赛、数据算法赛和南山专题赛共四个赛道，参赛选手范围扩大到全球，吸引了来自北京大学、香港大学、新加坡大学、科大讯飞等海内外名校和优秀企业6379名选手报名参赛，组成的1809支团队，总计提交1205份作品。从初赛脱颖而出的60支团队，经过线上AI训练营等层层选拔，进行了激烈的“数据大比武”，最终晋级总决赛，角逐创新大赛全国总冠军。经过激烈角逐，各赛题全部冠亚季军团队和优胜团队最终尘埃落定。图1：2020“SODiC” 颁奖典礼现场 数据时代，共建粤港澳大湾区智慧城市 深圳承载国家智慧城市建设先行示范区的使命，为认真贯彻落实《关于支持深圳建设中国特色社会主义先行示范区的意见》、《粤港澳大湾区发展规划纲要》等重要文件精神，积极贯彻国家大数据战略，持续积极推进政务数据开放共享利用，优化智慧城市数字资源的配置效率，促进数据跨界、跨域融合开发与应用，深入推进一流智慧城市建设和数字政府改革。 深圳市以“数聚粤港澳，智汇大湾区”主题大赛为契机，聚焦粤港澳大湾区一体化发展，在全球范围内征集基于开放数据的大数据创新应用解决方案，内容涉及疫情防控、环境保护、民生医疗、社会治理等领域，有力推进政府数据开放共享，提升公共数据资源价值，培育数字经济新产业、新业态和新模式，打造全球数据创新应用和智慧城市建设发展新高地。 图2：《医院门诊人力资源和诊室资源优化配置分析》团队获得冠军（一等奖） 图3： 宋轩副教授与获奖队伍代表唐之遥的合影图4： 《数据驱动的供水管网漏损检测与溯源解决方案》团队合影 AI大数据，助推智慧城市+智慧医疗新成果 获奖作品《医院门诊人力资源和诊室资源优化配置分析》简介：赛题依照智慧城市理念构建一个大数据平台，整合多种数据，如从气象局平台获取气象数据。内置训练好的AI模型，时事且智能的展示医院的运行状态和与智慧城市的联动。 基于龙华区某医院的门诊大楼布局图、医疗资源（包括医生资源、护士资源和检查检验资源），利用建模算法对固定服务对象（疾病排名靠前的就诊患者）进行资源优化配置的问题，参赛团队提出了一套结合预测、优化、模拟三维一体的优化配置框架。具体内容包括：（1）针对医务人员资源配置问题，我们从病人人数这一关键因素入手，通过预测未来一周的来院病人人数，提高医务人员每周排班的人员使用效率。（2）针对诊室资源配置问题，我们根据诊室之间的距离，来对诊室配置进行优化，从而减少病人在医院内的等待时间以及走路消耗的时间。（3）我们对医院内的病人的移动轨迹进行了模拟，一方面验证诊室配置优化的有效性，一方面为避免某一位置病人人数过多带来的疫情传播隐患等问题提供有效的参考。 参赛团队开发的智慧医疗系统具有如下的优点：第⼀，模型使⽤真实时事的数据，模拟结果更加准确。第⼆，优化效果显著，能够⽤于真实布局优化。第三，就诊数预测准确率⾼，可⽤于做排班参考。第四，模型扩展性⾼，可以扩展为智慧医疗系统。 图5：智慧医疗系统模型框架 获奖作品《数据驱动的供水管网漏损检测与溯源解决方案》简介：赛题依照智慧城市理念，整合供水管网的空间分布信息和检测数据的时间序列信息，训练供水管网漏损情况分析模型，为建立节水型城市提供支持。 基于光明区某区域的供水管网布局图、检测数据（流量、压力）和用水数据，分析整个供水管网的漏损情况的问题。参赛团队提出了一整套包含管网漏损检测、管网漏损溯源和可视化辅助决策工具的解决方案。具体内容包括：（1）根据监测站点位置信息与监测站点时序数据（流量计、压力计实时数据），设计了一款漏损检测模型，通过结合单通道检测分析结果与多通道检测分析结果，来综合判断最终的可疑漏损时间点。（2）根据真实管网布局图和真实传感数据（有漏损事件）与建模仿真管网生成的仿真传感数据（无漏损事件）对比生成的残差数据，放入基于CNN的溯源模型中，得到管网中各个节点的漏损概率，由此得到管网漏损的最大概率源头。（3）基于上述两个模型，制作了一款可视化辅助决策工具，功能包括：根据管径范围筛选管道，根据模型预测结果查验可疑漏损点以及实时检测和报警。参赛团队提出的解决方案具有如下优点：第一：采用了多模型融合的检测模型，具有较高的鲁棒性。第二：可以做到快速检测和精准溯源，具有较高的应用价值。第三：可视化工具可以辅助上层决策，做到漏损的快速响应，减少漏损带来的损失。图6: 基于地理信息可视化分析的漏损实时展示及报警工具颁奖仪式视频链接为：https://v.qq.com/x/page/x3118xn1ym2.html

近期，南科大计算机科学与工程系程然课题组在计算智能及其应用领域取得重要研究成果进展，在IEEE Transactions on Evolutionary Computation (SCI影响因子：11.169)、IEEE Transactions on Cybernetics (SCI影响因子：11.079)、IEEE Transactions on Systems, Man and Cybernetics: Systems (SCI影响因子：9.309)、Journal of Hematology & Oncology (SCI影响因子：11.059) 等知名期刊发表并成功被录用共6篇论文，所提出的算法成功应用于电容式电压互感器（CVT）误差评估、肢端肥大症分级诊疗等领域。 （1）电容式电压互感器（CVT）给电能表提供电压信号，其测量误差直接影响电能计量的准确性。CVT在110kV及以上变电站中得到了广泛应用，然而CVT长期运行后易出现误差异常。为了跟踪CVT的计量误差状态变化，一般采用基于标准器比对的定期停电检定法，但由于变电站停电困难等原因，CVT往往无法按期检定，导致长期运行准确性难以得到保证。以IEEE Fellow A.G.Phadk为代表研究了CVT预检定在线评估方法，首先对站内部分CVT进行停电检定，再通过对变电站的精确建模求取其他CVT的计量误差。其缺陷在于未能完全脱离停电检定，且由于停电评估的时效性有限，无法实现CVT计量误差状态的长期动态跟踪。因此，在完全无需标准器的条件下，实现CVT计量误差状态在线评估，是计量领域的国际性难题。程然课题组通过与华中科技大学李红斌教授团队合作，通过测量学科与信息学科的交叉与融合，首次将计算智能优化的思想用于解决物理设备测量误差状态评估问题，提出了信息物理融合的CVT群体计量误差评估模型，以群体模型实现了对CVT个体的误差评估，可实现CVT个体计量误差状态的在线评估。相关工作成果已发表在计算智能顶级期刊IEEE Transactions on Evolutionary Computation。南科大何成研究助理教授是第一作者，程然助理教授是通讯作者，华中科技大学李红斌教授团队是合作作者。此外，项目研制的装置及平台，已应用于山西、山东、浙江、湖南、湖北等地的近300个变电站，现已累计发现16台互感器误差异常，全部经停电检定验证了评估的有效性，实现了无标准器条件下对CVT计量误差状态的准确在线评估与预警。程然助理教授为通讯作者，何成研究助理教授为论文第一作者，其他合作者包括南科大姚新教授 (IEEE Fellow)、华中科技大学李红斌教授团队等。南方科技大学为第一单位。 （2）肢端肥大症通常是由垂体腺瘤引起的生长激素的持续性分泌引起的一种临床综合征，其患病率约为60/百万人，年发病率约为0.03~0.04/万。由于其隐匿的发作，模糊的症状和缓慢的进展，该疾病的诊断通常被延迟，导致严重的并发症，例如心血管疾病和治疗困难。因此，必须使用自动高效的筛选方法，促进该疾病的快速准确诊断。图 2 深度学习方法在不同级别肢端肥大症预测结果课题组在医学领域知名期刊Journal of Hematology & Oncology上发表了一种通过学习面部照片特征，构建肢端肥大症自动诊断和严重程度分类的深度学习方法。该方法可以帮助人们方便地进行自我筛查，从而对肢端肥大症进行早期诊断并因此得到早期治疗。并且，该方法是第一个具有肢端肥大症严重性分类功能的自动化方法，并对每种分类取得了89%以上的准确率（超过一般医师水准），为进一步推广应用奠定了基础。南科大程然助理教授为论文共同通讯作者，合作单位包括北京协和医院与剑桥大学公共卫生和初级保健司。 （3）物流调度、航班规划等复杂应用场景中，设计方案的评价随着时间动态改变。这类优化问题在现实中广泛存在并且求解困难。为了推动该领域的发展，亟待提出能反映动态优化问题复杂特性并且可控的测试集，从而推动动态优化算法在现实问题中的应用。课题组在IEEE Transactions on Cybernetics上发表了一种生成连续动态优化问题的测试集，同时对现有的测试集进行了全面的综述，并探讨了它们在捕获不同问题特征方面的缺点。该研究提出了高度可配置的基准测试套件，能够生成不同特性的问题实例，且基准生成的组件在梯度，高度，最优位置，条件数，形状，复杂性和变量交互方面是高度动态的。图2. 具有不同变量交互程度的可控复杂动态优化问题实例 程然助理教授为通讯作者，Danial Yazdani博士为论文第一作者，其他合作者包括英国华威大学Juergen Branke教授。南方科技大学为第一单位。 （4）随着计算智能方法在更广泛的应用问题上的使用，其从问题本身学习的能力亟待增强。为此，越来越多的工作提出使用机器学习模型来驱动计算智能。通常，这种基于模型的进化算法的性能高度依赖于所采用模型的训练质量。而传统机器学习方法需要大量的训练数据进行模型训练，而且受维度灾难的影响，这类方法通常很难解决维度较高的问题，约束了计算智能方法的应用范畴。课题组在IEEE Transactions on Cybernetics上发表了一种由生成对抗网络（GAN）驱动的进化多目标算法。在提出的算法中使用生成对抗网络（GAN）强大的生成能力替代传统的交叉变异方法。该方法基于生成学习的角度，从现有数据中学习有潜力的分布模式，从而在训练数据有限的情况下，高效学习问题本身模式，解决问题维度较高的优化问题。该方法的提出为计算智能与深度学习的结合开辟了一条新的道路。图3. 用于计算智能方法中候选解生成的对抗生成网络模型训练框架 程然助理教授为通讯作者，何成研究助理教授为论文第一作者，合作者包括香港城市大学TAN Kay Chen教授 (IEEE Fellow) 和英国萨里大学金耀初首席教授 (IEEE Fellow)。南方科技大学为第一单位。