时间：2025 年 10 月 18 日 星期六

地点：成都大学 10 教 10110 会议室

报告人：王昶迪（同学）、张云鹏（同学）

王昶迪同学聚焦图神经网络（GNN）在视觉任务中的性能瓶颈，分享《An Adaptive Multi-Granularity Graph Representation of Image via Granular-ball Computing》，提出基于颗粒球计算（GBC）的自适应多粒度图像图表示方法，解决现有图构建方法无法动态生成语义匹配的多尺度块与边的问题。该方法核心创新在于：一是无需人工标注或额外学习，通过 GBC 将图像自适应划分为 “颗粒球”（矩形块），关键区域（如物体边缘）用细粒度小块表征，冗余区域（如天空）用粗粒度大块覆盖，在保留结构语义的同时降低数据复杂度；二是设计 “锚点作为瓶颈（A3B）” 策略，以颗粒球为信息压缩载体，平衡数据冗余剔除与判别性特征保留。实验验证显示，基于该图表示的 GAT 模型（GRI-GAT）在 CIFAR-10 数据集（4 倍上采样）准确率达 76.048%，较传统 GNN 模型参数减少 60% 以上；在 MNIST 数据集测试准确率 98.818%，兼顾轻量化与高识别性能，为智能康复中的医学影像分析、视觉交互设备图像处理提供新范式。

随后，张云鹏同学针对高维数据冗余与无监督特征选择（UFS）目标空间信息捕捉不足的问题，解读《Explicit unsupervised feature selection based on structured graph and locally linear embedding》，提出融合结构化图与局部线性嵌入的显式 UFS 方法（SGLLE）。该方法突破传统 UFS 局限：一是引入仅含 0/1 的显式选择矩阵，无需稀疏正则项即可实现特征筛选，避免特征排序环节，直接定位最优特征子集；二是在目标特征子空间同步学习自适应结构化图（而非预定义图），通过拉普拉斯矩阵秩约束强化数据聚类结构，结合局部线性嵌入保留流形特性。实验表明，SGLLE 在 Yale、lymphoma 等 9 个数据集上表现优异，较 LS、SPEC 等对比方法，ACC 平均提升 5.28%、NMI 平均提升 5.79%，其中 Yale 数据集 ACC 达 89.46%（较基线提升 5.27%），为智能康复多模态数据（如脑电 + 视觉信号）的特征降维与噪声剔除提供高效解决方案。

本次分享围绕 “图像结构化表征” 与 “高维数据特征筛选” 两大核心议题，展现机器学习在计算机视觉与数据处理领域的创新价值。王昶迪同学的图表示方法为康复场景下的细粒度图像分析（如术后伤口视觉监测）提供技术支撑，张云鹏同学的特征选择方案则解决多源康复数据的冗余简化难题。与会师生围绕 “颗粒球参数适配”“结构化图泛化性” 展开深入讨论，为后续智能康复设备的视觉感知模块优化、多模态数据融合提供关键思路，进一步强化了跨领域技术交流与应用转化的研究氛围。

一  审：  周    楠

二  审：  罗浚溢

三  审：  施开波