近日，第十届CCF大数据学术会议（CCF BIGDATA 2022）在四川省成都市举行。本届大会由中国计算机学会（CCF）主办，CCF大数据专家委员会、西南交通大学、成都市新经济发展委员会承办。

会议为国内外学术界、产业界以及相关管理部门的专家提供广泛交流和合作平台，推动大数据多学科交叉融合、“研、用、创”紧密结合的良性生态，促进大数据技术与产业发展，同时支撑“东数西算”等国家数字经济新底座发展。

本次会议邀请国内外大数据领域的著名专家学者做特邀报告，设有专题论坛和分组报告等多种形式的学术交流活动。优秀青年学者专题论坛为本次大会的首个分论坛，由北京理工大学袁野教授、电子科技大学吕琳媛教授担任执行主席，报告人有北京航空航天大学童咏昕教授、中国人民大学魏哲巍教授、北京理工大学李长升教授、南京大学俞扬教授和浙江大学沈春华教授。 

童咏昕教授做了主题为“联邦计算：从数据联邦到联邦学习”主题讲座。他首先讲述了在跨部门间的数据孤岛给大数据共享计算带来全新挑战的背景下，如何在各部门原始数据不出本地的前提下，实现多方安全的数据共享与协同分析。其次，提出联邦计算以及其“数据不动计算动、数据可用不可见”的新型思路。随后还阐述了数据联邦与联邦学习的区别与联系，并分析了当前联邦学习的前沿技术，对该领域当前挑战和未来发展进行了总结展望。

魏哲巍教授的报告题目为“谱域图神经网络理论基础”。报告首先介绍了图神经网络任务和一些前沿应用，从图傅里叶变换、图卷积的设计和图谱滤波器的多项式近似等方面探讨了谱域图神经网络的理论基础，并在最后讨论了谱域图神经网络现有的一些成果和对未来工作的展望。

李长升教授以“图神经网络的自适应机制”为主题，从图神经网络的背景知识出发，介绍了其针对图神经网络目前存在问题的三种解决方法。为了解决图神经网络中存在过期、有噪声的节点和边的问题，他提出了基于强化学习选择是否保留节点的AdaNet方法。同时设计了Framework of FreeKD方法来实现节点之间的自适应调整，从而提升两个GNN网络之间的知识迁移效果。报告中还介绍了一种能克服GNN连接矛盾的OCTNet方法，该方法基于信息瓶颈在图神经网络中取得了较好的效果。最后，李长升总结了自适应知识传播机制是图神经网络成功的核心机制，未来工作将尝试将该方法应用于更为复杂的图神经网络中。 

针对将强化学习应用于工业决策的实际问题中，俞扬教授从游戏AI出发，就目前强化学习的最新发展情况，分析了实际应用中强化学习所面临的约束条件。对比门槛高、成本大的构造模拟器方法，俞扬提出了一种构建环境模型和自适应策略相互结合的方法。对于构造环境模型时所遇到的复合误差和执行偏差问题，通过分析复合误差产生的不同方式，提出了中间切入、分步匹配的方式来消除了平方级误差；并提出一种最小化对抗性虚拟风险的方法来处理执行偏差。最后，俞扬将环境感知和策略适应相结合，提出了一个通用反馈控制系统识别器预训练模型——GFSEncoder，并展现了该模型在多种场景下的应用情况以及其适应不同环境时的优良表现。

沈春华教授以视频的方式做了题为“Weakly Supervised Anomaly Detection with Deep Learning”的专题讲座。首先详细讲述了弱监督异常检测问题的内涵，并分析了现有的无监督、半监督和弱监督方法与深度强化学习方法DPLAN的区别。其次，介绍了一种面向异常检测的偏差环境模拟方法，分别测试该方法对已知异常点和未知异常点的预测能力，探究了模型各个部分对结果的影响。最后，他总结了DPLAN的优点，表明其是目前最先进的弱监督异常检测方法。 

论坛在参会嘉宾热烈的讨论中顺利结束，与会人员认为收获颇丰，并希望CCF能多举办这类会议，以便大家相互交流学习。

（陈晨）