我們很高興地宣布，一篇題為「具有信息恢复功能的稳健图对比学习」的開創性期刊論文在2025年8月份剛剛被《IEEE Transactions on Information Forensics and Security》錄取接受。論文由本院教師朱禹林以第一作者身份與香港理工大學,美國華盛頓大學聖路易斯分校合作完成： Yulin Zhu, Xing Ai, Yevgeniy Vorobeychik, Kai Zhou. Robust Graph Contrastive Learning with Information Restoration. (2025). IEEE Transactions on Information Forensics and Security [Accepted] 論文摘要 图对比学习（GCL）框架在图表示方面取得了显著成就学习。然而，与图神经网络（GNNs）类似，GCL 模型也容易受到图结构攻击的影响。作为一种无监督方法 GCL 在抵御对抗性攻击方面面临更大的挑战。此外，关于增强 GCL 的鲁棒性的研究还相当有限。为了深入探究 GCL 在受污染图上的失败之处，我们研究了针对 GCL 框架的图结构攻击所带来的有害影响。我们发现，除了常规观察到的图结构攻击倾向于连接不同节点对这一现象之外，这些攻击还从信息论的角度削弱了图与其表示之间的相互信息，而这是 GCL 高质量节点嵌入的基石。基于这一理论见解，我们提出了一个具有可学习清理视角的鲁棒图对比学习框架，旨在通过恢复由结构攻击引起的减弱的相互信息来净化增强后的图。此外，我们设计了一个完全无监督的调优策略来调整超参数，而无需访问标签信息，这与防御者的知识完全一致。大量的实验表明了其有效性。 研究團隊成員 香港珠海學院 朱禹林博士，資訊科學學系助理教授
Daily Archives: Friday August 22nd, 2025
我們很高興地宣布，一篇題為「简单而有效的无梯度图卷积网络」的開創性會議論文將於2025年9月左右在《International Joint Conference on Neural Networks》上發表。論文由本院教師朱禹林以第一作者身份與香港理工大學合作完成： Yulin Zhu, Xing Ai, Qimai Li, Xiaoming Wu, Wai-Lun Lo, Kai Zhou. (2025, June 30th-July 5th ). Simple yet Effective Gradient-Free Graph Convolutional Networks. International Joint Conference on Neural Networks, Rome, Italy. 論文摘要 近年来，线性化图神经网络（GNN）在图表示学习领域备受关注。与非线性图神经网络（GNN）模型相比，线性化 GNN 更加高效，且在诸如节点分类等典型下游任务中能取得相当的性能。尽管一些线性化 GNN 变体旨在缓解“过度平滑”问题，但实证研究表明，它们在某种程度上仍受此问题困扰。在本文中，我们将过度平滑与梯度消失现象联系起来，并设计了一个无梯度训练框架，以实现更高效、更有效的线性化 GNN，从而显著克服过度平滑问题并增强模型的泛化能力。实验结果表明，我们的方法在节点分类任务中取得了更好且更稳定的性能，且在不同深度下训练时间大幅缩短。 研究團隊成員 香港珠海學院 -朱禹林博士，資訊科學學系助理教授
恭喜我們的 MSAAI 畢業生何海玉的碩士畢業論文被國際期刊Artificial Intelligence and Robotics Research接受 (https://www.hanspub.org/journal/AIRR.html)! Haiyu He, Youhai Peng, Yulin Zhu(通訊作者), Wai-Lun Lo. (May. 2025). Research on the Application of Machine Learning Algorithms for Steel Defect Classification in the Perspective of Smart Infrastructure. Artificial Intelligence and Robotics Research. 論文摘要 本文基于美国国家标准与技术研究所和钢铁工业协会的UCI带钢缺陷公开数据库，对智慧基建中的钢材缺陷分类问题展开研究。样本来源于北美3家钢厂2018~2021年的1941个样本，共有27类特征。选择6种算法并采取数据预处理、特征工程以及超参数调整策略来建立高效的精准钢材缺陷智能分类方案。创新点包括：搭建多种算法融合模型；设计特征分类筛选与调优方案；采用SMOTE解决不均衡样本问题；设置完整的试验评价系统。结果表明，LightGBM和神经网络的精确率和召回率均超过96%。消融实验与参数敏感性分析证明了这些方法对于特征选取和超参数的重要性。后续的研究将扩大收集的样本数量，并尝试结合深度学习和计算机视觉等新技术，使模型更具有普适性、鲁棒性和更高的检测精度，促进智慧基建更广泛的智能化发展。 部分論文照片 Detection results of
Congratulations to our MSAAI graduate, Li-Sha Zhou, on having her master’s capstone project accepted at the International Conference on Machine Intelligence and Nature-Inspired Computing 2025 (https://www.ic-mind.org/)! Li-Sha Zhou, Richard Tai-Chiu Hsung, Harris Sik-Ho Tsang, Tony Yu-Lin Zhu, Wai-Lun Lo, “A Robust Drone based Parking Space Detection System Based on Deep
