YEF | CCF优博前沿技术论坛

从2006年起CCF设立优秀博士学位论文奖（2022年已更新为“CCF优秀博士学位论文激励计划”，简称CCF优博），每年从国内高校计算机学科博士毕业生中，评选不超过10名CCF优秀博士学位论文获得者，十余年来已有一百多位博士获此殊荣。CCF优博的研究涵盖体系结构、操作系统、数据库、人工智能、量子计算等领域的前沿问题。获奖者逐渐成长为国际知名大学科研院所教授和研究员、长江学者、国家杰青优青、企业总经理/总监等。

本论坛从历届CCF优博获得者中邀请部分杰出代表：中科院计算所韩银和研究员、严明玉副研究员，清华大学董胤蓬博士，西安交通大学谢琦副教授，微软亚洲研究院李琨研究员分享其前沿研究成果，从计算机体系结构、图算法加速、3D视觉鲁棒性、卷积神经网络、AI4Science等几个方面进行探讨，进行技术和观点的碰撞，畅想可能的挑战与突破机遇，助力我国高水平计算机博士研究生的培养和发展。

严明玉，CCF专业会员、中科院计算所副研究员。2020年于中科院计算所获得工学博士学位，并留所工作。研究方向是图算法的”软硬兼施“加速。在包括MICRO、HPCA、AAAI、IJCAI等在内的领域顶级会议或期刊上发表论文20余篇。入选CCF青年人才发展计划、中科院青促会、中科院青年团队计划，曾获北京市技术发明一等奖。博士论文《图处理加速架构》入选2022年度CCF优秀博士学位论文。

报告主题：面向图算法的“软硬兼施”加速研究

报告摘要：图（Graph）是描述和分析实体之间关系/交互的通用语言，被广泛应用于表示各种日常生活数据和科研数据，例如地铁路线图、分子拓扑等等。图算法具有超强的图数据处理能力，已经被应用于路线导航、蛋白质功能预测、知识推理等重要领域。例如，图神经网络算法就已经被应用于许多知名企业的推荐系统中。随着图数据规模的不断增大，图算法的运行时间也不断增长。因此，图算法的加速研究就变得尤为重要。该报告将会介绍我们团队通过”软硬兼施“的研究路线加速图算法的相关工作。

董胤蓬，清华大学计算机系博士后研究员，导师为朱军教授。主要研究方向为机器学习与计算机视觉，聚焦深度学习鲁棒性的研究，发表TPAMI、IJCV、CVPR、NeurIPS等顶级国际期刊和会议论文四十余篇。曾获得CCF优秀博士学位论文激励计划、CCF-CV学术新锐奖、微软奖学金、百度奖学金、字节奖学金、清华大学“水木学者”计划、博新计划等。

报告题目：3D世界中视觉感知模型的鲁棒性

报告摘要：3D视觉技术近年来发展迅速，在自动驾驶、机器人等诸多应用中发挥着巨大作用，然而3D视觉模型也面临着多种安全风险。一方面，视觉感知模型在数据偏移（如视角变换、数据噪声等）下稳定性较差，本报告将首先介绍ViewFool等方法，在3D场景中更好地评测模型的自然鲁棒性。另一方面，视觉感知模型在物理世界的对抗攻击下也存在鲁棒性不足的问题，本报告将介绍基于等距变换、流形优化等攻击方式，在物理世界中生成更加自然有效的3D对抗样本。

个人简介：谢琦，西安交通大学数学与统计学院副教授。2020年12月获西安交通大学数学专业理学博士学位。目前主要从事机器学习与计算机视觉的基础问题研究。在CCF A类期刊与会议发表论文18篇，IEEE Trans.论文10篇，其中以第一作者在领域顶刊TPAMI发表论文3篇；谷歌学术被引己达3428次，三篇论文入选ESI高被引论文。曾获2021年ACM中国优博提名奖，入选2022年CCF优秀博士学位论文激励计划。

报告题目：参数化卷积方法及其应用

报告摘要：卷积算子是卷积网络核心，在现代深度学习领域发挥了重要的作用。然而，常用的离散形式卷积核无法灵活进行函数变换或调整离散化采样位置，功能上仍具有局限性，不适用于旋转与尺度不变性刻画、卷积核动态调整和非网格卷积等操作。参数化（连续化）卷积方是克服上述问题的一个重要技术，因此逐渐引起重视。现阶段，参数化卷积方法的研究处在起步阶段，本报告将介绍一种适用于底层视觉任务的参数化卷积方法，并以旋转等变卷积算子的构造为代表，介绍一系列参数化卷积方法的应用。 

李琨，CCF专业会员、微软亚洲研究院异构计算组研究员。主要研究方向包括高性能计算，智能超算，AI4Science等。研究成果在系统领域国际顶级期刊和会议上发表论文10余篇并申请了多项专利，高效支撑多项国家级科研项目。曾获中科院院长奖、计算所所长特别奖、国家奖学金、微软“明日之星”等多项奖励和荣誉，博士学位论文获得2022年度中国计算机学会（CCF）优秀博士学位论文激励计划、美国计算机协会（ACM） SIGHPC China优秀博士学位论文奖。

报告主题：大规模并行计算驱动的云上AI4Science新范式

报告摘要：并行计算是计算科学的一个重要分支。近几十年来，其迅速发展并解决了很多科学和工程领域的重大挑战。然而，目前大多数大规模科学计算仍然依赖传统的超级计算机，其发展严重受限于超算资源访问难、集群可扩展性差和应用移植重复优化等多重瓶颈。在硬件和网络技术的支持下，云为科学计算提供了一个潜在的架构统一、高性能、低成本的弹性计算平台。为了在云上赋能科学计算，我们提出了云上大科学的概念，旨在实现大规模并行计算驱动的云上AI4Science新范式，并以经典的 Stencil算法及其应用为案例，介绍了面向云上CPU+GPU异构处理器的高性能 Stencil 计算系统Tetris。