Frontier of Artificial Network
A Series of Invited Talks @ FAN Group, CityU

Biography: 李灏峰，中山大学系统科学与工程学院副教授，博士生导师，信息工程专业教研室主任，中山大学研究生院培养与质量管理处副处长。他于2020年获得香港大学计算机科学专业博士学位，于2015年获得中山大学计算机科学专业理学学士学位。其研究方向包括人工智能、深度学习与计算机视觉等，在该方向著名国际期刊和会议已发表论文40余篇，包括中科院一区期刊Nature Methods、IEEE TIP、IEEE TMI、IEEE CYB、IEEE JBHI、MedIA以计算机A类会议ICCV、AAAI、ACMMM等。作为项目负责人主持国家自然科学基金青年基金项目和广东省自然科学基金面上项目，曾担任人工智能顶会AAAI 2026、AAAI2027的程序委员。他曾带领团队参加机器学习顶级会议NeurIPS 2022举办的细胞分割挑战赛，在100支参赛队伍中获得全球亚军。

Abstract: 本讲座由中山大学系统科学与工程学院李灏峰副教授主讲，聚焦以数据为中心的人工智能前沿方向。区别于传统模型导向的研发思路，讲座紧扣AI落地的核心数据瓶颈，系统回应三大关键挑战：一是应对数据噪声干扰，提出对抗鲁棒的在线交替生成防御框架与基于频域特征去噪的超分辨率方法，有效提升模型面对对抗攻击噪声的鲁棒性；二是破解数据样本及标签稀缺难题，研发单样本生成对抗网络与两阶段去噪扩散模型，仅需极少量标注即可合成高质量病理影像样本，实现小样本下的性能跃升；三是攻克无标签数据利用困境，构建融合注意力重建损失与对称位置编码的自监督预训练范式，显著提升脑影像分割与病理全切片分类精度。

Biography: 现任哈尔滨工业大学数学学院副研究员。本科和博士毕业于北京大学地球与空间科学学院，导师为宁杰远教授。研究领域为人工智能和地球物理。在TPAMI、Journal of Geophysical Research: Solid Earth、Journal of Geophysical Research: Machine Learning and Computation、Science China Earth Sciences、科学通报、地球物理学报等期刊上发表论文17篇，谷歌学术引用275次。主持国自然青C、中国博士后面上、深地国家重点专项专题等项目。

Abstract: 域偏移是人工智能模型从实验室走向真实场景的障碍。训练数据与实际数据常因设备、环境及采样条件不同而分布不一致，导致模型跨域性能下降。传统无监督领域自适应常通过调整深层特征缩小域差异，但需更新大量参数，计算开销高，且难以解释和控制。我们发现当预训练模型已形成稳定特征空间时，可将领域自适应转化为固定空间中的决策边界优化，并提出了Feature-Space Planes Searcher领域自适应框架：无需重塑特征，只需利用目标域已有的结构先验与几何模式，如类内紧凑、类间分离、边界避开高密度区域，搜索更符合目标分布的决策平面。实验表明，仅调整决策边界也能实现高效、稳定、可解释的跨域迁移。该框架适用于自然图像、蛋白质结构预测、遥感分类和地震检测等多种场景，并为大模型低成本可靠部署提供新路径。