張信明

電　話：(0551)63602446

E - Mail：xinming@ustc.edu.cn

個人主頁: https://dsxt.ustc.edu.cn/zj_js.asp?zzid=1284; http://staff.ustc.edu.cn/~xinming

主要研究方向：無線網絡(車載網絡、物聯網絡、數字孿生網絡、智能互連等)、大數據安全(數據融合、隱私增強、區塊鏈)等、目標(文本、圖像、視頻)識別與理解、圖理解與圖神經網絡等。

張信明，男，1964年10月生，安徽天長人，教授，博士生導師(計算機學院、大數據學院)，KAIST客座教授(2005.09-2006.08)。IEEE高級會員，中國計算機學會(CCF)高級會員，IEEE智能電網教育委員會委員。1985、1988年獲中國礦業大學學士、碩士學位，2001.12獲中國科學技術大學工學博士學位(研究方向：計算機網絡與網絡計算)。2002.3起在中國科學技術大學計算機係(學院)從事教學科研工作。已指導畢業學術博士生11人、學術碩士生41人、專業碩士183人。主持國家自然基金麵上項目5項(2021-2024、2017-2020、2014-2017、2011-2013、2006-2009)，國家重點研發計劃課題項目1項(2020-2023)，國家重點研發計劃子課題項目2項(2020-2022\2017-2020)，973二級子課題1項，騰訊、招商銀行、華為等多個企業項目。已在一流國際期刊(62篇，其中26篇為IEEE Trans.)，國內一級學報(8篇)，包括CVPR、AAAI、WWW、ICCV、INFOCOM、CIKM、ICDCS、ICC、WCNC、ICCCN、SSTD在內的重要國際會議等上發表(含錄用)了100多篇學術論文，2015年發表的1篇IEEE Trans. on Mobile Computing論文入選ESI Computer Science學術領域近10年高被引論文(全球1%)並曾多次入選ESI Computer Science學術領域近2年熱點論文(全球0.1%)。以第一申請人申請發明專利14項(已獲授權5項)。

導師選題：

大規模圖基礎模型的研究	圖能反映不同對象之間的關係，因而是世界上最廣泛存在的一種數據類型。為了實現圖上的通用人工智能（AGI），一個重要問題是如何設計圖基礎模型，使其能夠利用大量數據協同訓練，並解決各種特定任務。但這一目標的實現存在巨大挑戰。不同於文本和圖像數據，圖具有複雜的拓撲結構，且不同領域圖的含義截然不同，例如分子圖的節點表達了原子性質，而社交網絡圖節點則反應用戶特征，這使得協同訓練不同領域圖數據變得非常困難。此外，圖上的任務也具有多種類型，任務目標完全不同，例如藥物發現，用戶分類。因此，本課題主要旨在解決兩方麵問題：(1).如何利用多領域圖數據共同訓練？(2).如何利用基礎模型中的通用知識來解決不同的特定任務？
科學圖學習模型的研究	由於圖能夠表示對象的關係，因而很多領域的科學研究對象都可以表現為圖數據，例如材料科學的分子圖，生化科學的蛋白質圖，金融科學的交易圖等。隨著圖人工智能技術的發展，不同領域的研究者都在考慮如何利用圖人工智能為本方向的科學研究賦能，從而更好地解決本學科中的科學問題。而其中存在的主要挑戰是如何針對不同方向研究中的特定問題來針對性地設計圖學習模型，從而更精準地學到所需的知識從而解決特定研究問題。本課題主要旨在解決：針對不同的科學問題，如何挖掘其中的特定信息並針對性地設計有效的圖學習模型？
基於圖的多模態大模型優化策略的研究	本課題從圖的視角探索多模態大模型的優化策略。主要從效率提升和訓練優化兩個方向出發。(1)效率提升：多模態大模型中，視覺token遠大於文本token的數量，限製了模型推理效率。探索基於圖的token merge，減少視覺token，提升模型效率。(2)訓練優化：現有訓練策略基本是數據的直接使用沒有更好的采樣策略。已有的論文證明了從易到難的學習方式可以很好的提升模型性能。該方向探索基於圖的數據層次建模與采樣策略。