- 综合排序
- 最热优先
- 最新优先
- 来自专栏NewBeeNLP
复旦大学：多模态知识图谱最新综述
来自复旦大学，先上路径： Title：Multi-Modal Knowledge Graph Construction and Application: A Survey Link：https://arxiv.org
4.7K60编辑于 2022-06-06 - 来自专栏博文视点Broadview
复旦大学教授详解大规模语言模型
自2020年 OpenAI 发布了包含1750亿个参数的生成式大规模预训练语言模型 GPT-3（Gen- erative Pre-trained Transformer 3）[1]以来，包括Google 由于GPT-3并没有开放源代码，根据论文直接重现整个训练过程并不容易，因此文献[8]中介绍了根据GPT-3的描述复现的过程，并构造了开源系统OPT（Open Pre-trained Transformer GPT-3和OPT 中没有对这个部分给出详细的描述。 基础大模型GPT-3在处理任务上通常仅能生成一些句子，需要后续模块根据句子内容来提取答案。 （3）使用更多的指令数据，利用奖励函数输出得分。利用强化学习机制，根据奖励得分进一步优化大模型。
1K20编辑于 2023-09-07 - 来自专栏肉眼品世界
复旦大学发布：2021元宇宙年度报告
的底层性思考，但元宇宙并非无源之水无本之木，其发展历程始终是立足于过去的底层技术及其文化基质上，我们希望发散一束光，为踟躇不前者探照前方的路，为概念不明者解惑答疑，为元宇宙发展进程测定其尺速，因此腾讯新闻与复旦大学新闻学院传播系共同编写了这份元宇宙报告
39420编辑于 2022-04-19 - 来自专栏安满周
调查活动将与复旦大学联名发布报告
其中，在12月14日的“科技服务日”中，调查活动组委会将与复旦大学网络空间国际治理研究基地联名发布《数字政府服务与治理能力提升专题报告》、《网络安全行业发展专题报告》（行业发展与生态建设、新技术应用与网络安全 复旦大学网络空间国际治理研究基地——12月14日上午 上海：《数字政府服务与治理能力提升专题报告》12月14日下午 上海：《网络安全行业发展专题报告》2022调查活动《数字政府服务与治理能力提升专题报告 这两个专题报告，由复旦大学网络空间国际治理研究基地主任、教授沈逸主导编写，将分别在14日上午和下午的发布会中由沈逸教授面向全社会发布。 （最终议程及参会嘉宾已现场为准）联名单位及发布人简介复旦大学网络空间国际治理研究基地是国家互联网信息办公室和教育部于2018年7月评选的十家网络空间国际治理研究基地之一，已正式进入实体化运行建设，目前依托复旦发展研究院孵化 沈逸，复旦大学国际关系与公共事务学院院长助理，国际政治系教授、博士生导师，复旦大学网络空间国际治理研究基地主任，国家社科基金重大项目“总体国家安全观视野下的网络治理体系”首席专家。
88850编辑于 2022-12-29 复旦大学肖仰华：AI的尽头是人文
肖仰华 复旦大学计算与智能创新学院教授、博导，上海科学智能研究院AI科学家，上海市数据科学重点实验室主任【精彩观点】1.技术进步历来伴随人的某些能力退化，这不是今天才出现的问题。 3.能力外包可能“反噬主体”：当你尚未具备某种专业能力，就把它交给AI，你反而失去了发展该能力的机会。 关键在于：1.清醒识别人机边界，谨慎外包以防能力反噬；2.以人文为锚，发展新文科，重建整体性认知与社会学框架；3.为多数人开辟“未知疆域”的用武之地；4.在教育与个人成长中，着力高阶认知、框架构思与内在品格
58710编辑于 2025-10-28- 来自专栏DrugOne
复旦大学王满宁团队提出ProteinF3S模型，通过融合蛋白序列、结构和表面信息进行酶分类预测
2025年1月3日，复旦大学王满宁教授团队在Briefings in Bioinformatics上发表文章ProteinF3S: boosting enzyme function prediction 作者将ProteinF3S与一些具有代表性的方法进行了比较，如表1所示，在基于不同酶反应类型的蛋白质分类任务上，ProteinF3S的准确度超越了现有方法。 更重要的是，ProteinF3S利用来自所有三种形式的互补信息，可以获得最佳性能。 表2 消融实验 作者还进行了案例分析。 此外，表3底部的两行也说明了融合过程中残差设计的必要性。残差的设计实现了选择性融合，使模型在合理的尺度和方向上传输互补信息。 表3 不同融合策略对比 在这项研究中，作者提出了融合蛋白质序列、结构和表面之间存在的互补信息的框架ProteinF3S。
36110编辑于 2025-03-20 - 来自专栏TechLead
复旦大学王龑团队发布《静态与动态情感的面部表情识别》综述
论文链接：https://arxiv.org/pdf/2408.15777 复旦大学，王龑博士后领衔，发布《静态与动态情感的面部表情识别》（A Survey on Facial Expression Recognition 首先，我们将数据集、评估指标和工作流程（包括文献和代码）引入了一个公共的GitHub仓库中（第1、2和3节）。 DI、3D、UA、CP、CD、LS 和 CM 分别表示静态、动态和工作流程。SL、EI、MM、SD、SS 和 VL 分别表示采样、表情强度、多模态、静态到动态、半监督和视觉-语言。 3) 我们总结、分析并讨论了FER在不同基准数据集上的最新进展和技术挑战，涵盖了实验室内FER、自然环境中的SFER和自然环境中的DFER的设置。 接下来，我们将首先介绍SFER的一般架构，然后从挑战解决的角度详细说明SFER方法的具体设计，包括抗干扰的SFER、3D SFER、考虑不确定性的SFER、复合SFER、跨域SFER、弱监督SFER和跨模态
92010编辑于 2024-09-06 - 来自专栏机器之心
向「非升即走」说「不」，复旦大学即将推出替代方案
在前几天举办的一个学术论坛上，复旦大学校长、复旦大学上海医学院院长金力教授对外透露，复旦大学即将推出「非升即走」的替代计划，让在行业内做得足够好的青年科学家不升也能留。 复旦大学校长金力教授作主题报告。 除了复旦大学之外，国内也有部分高校在引进人才时强调不进行非升即走。 无非升即走要求」[3]。 在提升学术竞争力，培养科研人才的道路上，这些高校的探索或许能够为我们找到一条新路。 参考链接： [1] http://www.ccschy.com/jiaoyu/254074.html [2] https://www.tmtpost.com/watch/RMCSir [3]https:
67940编辑于 2022-12-15 - 来自专栏AI科技评论
复旦大学校友周礼栋升任微软全球资深副总裁
周礼栋本科毕业于复旦大学计算机科学系，后前往康奈尔大学深造，先后获得计算机科学硕士及博士学位，师从 Fred B.
62330编辑于 2022-09-09 - 来自专栏AI科技评论
复旦大学：利用场景图针对图像序列进行故事生成 | AAAI 2020
作者 | 王瑞泽 编辑 | Tokai 本文介绍了复旦大学研究团队在AAAI 2020上录用的一篇关于多模态文本生成工作: 《Storytelling from an Image Stream Using 图3：层次化解码器概述. 二、实验结果 1. 定量分析 表1：在VIST数据集上的不同模型性能比较. 图4展示了3种不同模型生成的故事和真实故事的样例。第一行是输入的一个图像序列。第二行是生成出的场景图。第三行是不同模型生成的故事。可以看出SGVST生成的故事更通顺，而且信息更丰富、更有表现力。 3. 实验结果表明，本文提出的模型取得了优秀的表现，并且能产生信息更加丰富、语言更加连贯的故事。 4.
1.3K40发布于 2019-12-24 复旦大学团队成功研发新型二维闪存
近日，复旦大学研究团队成功利用二维材料制造了功能齐全的存储芯片，并将其直接集成到了传统的硅基芯片上，兼具高速度、低功耗与大容量特性，可大幅提升AI训练与推理效率。 复旦大学集成电路与微纳电子创新学院、集成芯片与系统全国重点实验室研究员刘春森和教授周鹏为论文通讯作者，刘春森研究员和博士生江勇波、沈伯佥、袁晟超、曹振远为论文第一作者。 如何将二维材料与CMOS集成又不破坏其性能，是复旦大学研究团队需要攻克的核心难题。“我们没有必要去改变CMOS，而是要去适应它。” 根据论文指出，复旦大学团队使用了其称之为ATOM2CHIP（一款基于原子级器件到芯片）的工艺，直接在传统的 0.13 微米 CMOS 硅芯片顶部生长了一层只有几个原子厚的二硫化钼。
37910编辑于 2026-03-19CVPR 2026｜复旦大学提出OmniLottie：首个端到端多模态矢量动画生成框架！
作者单位：复旦大学、阶跃星辰、HKU MMLab, University of Queensland 论文地址：https://arxiv.org/pdf/2603.02138 项目主页：https: 生成的Lottie token随后被反分词（detokenized）为Lottie JSON格式，从而实现矢量动画的生成，如图3所示。 Lottie图层属性 Lottie图层属性可以分为以下三类： 基础图层属性（Base layer properties） 捕获基本的元数据，包括标识符（, ）、图层类型 、索引与层级关系（, ），以及诸如 （3D 该分词器支持五种基本图层类型，每种类型由唯一的类型参数标识：预合成（ty=0）、纯色（ty=1）、空对象（ty=3）、形状（ty=4）和文本（ty=5）。 如图3所示，基本属性被序列化为 animation v="..."，空图层也以类似方式编码，从而产生了一种适合VLM高效处理的结构化、分层文本表示。
56310编辑于 2026-03-05- 来自专栏深度学习自然语言处理
复旦大学教授邱锡鹏：NLP 任务中有哪些巧妙的 idea？
，目前已经有1188+关注，40000+浏览量，今天就为大家分享下获得最高点赞的答案，复旦大学邱锡鹏教授的回答： ? 这个问题很有趣！ 3. 潜在语义分析 ( Latent Semantic Analysis ) 基于上面的分布式假设和词袋模型，我们可以构建一个词-文档矩阵 ( term-document matrix ) ? 。
1.1K31发布于 2019-12-09 - 来自专栏AI科技评论
动态 | 谷歌与复旦大学成立联合实验室，专注AI等新兴科技
5 月 31 日，谷歌与复旦大学签署两年期合作协议，并建立战略合作关系。这是谷歌继中国中心后，在中国基于人工智能的又一次探索。 ? 据 Google 官方新浪微博 @Google 黑板报 消息，谷歌与复旦大学签署两年合作协议，并成立「复旦大学-谷歌科技创新联合实验室」。 5 月 31 日，Google 在上海与复旦大学举行签约仪式并签署两年期合作协议，建立战略合作关系。 复旦大学常务副校长桂永浩教授、校长助理徐雷教授、Google 大中华区总裁石博盟（Scott Beaumont）、Google 大中华区公共政策与政府事务经理张弘、Google 中国教育合作部经理朱爱民等出席了签约仪式 本次与复旦大学的合作，也是谷歌在中国这片土地上基于人工智能的又一次探索。
1K50发布于 2018-07-26 - 来自专栏数说工作室
复旦大学提出中文分词新方法，Transformer连有歧义的分词也能学
本文经机器之心（微信公众号：almosthuman2014）授权转载，禁二次转载 参与：思源、一鸣 复旦大学邱锡鹏等研究者提出新型分词方法，只有能 Cover 多个分词标准和最新 Transformer 鉴于这一点，复旦大学提出了一个简洁而有效的模型，它能适用于多种中文分词标准。这种模型使用共享的全连接自注意力机制，从而能根据不同的标准进行分词。 最终，他们在 8 个不同的分词标准上进行了测试，使用了 5 个简体和 3 个繁体中文的语料。实验说明，模型可以有效提升在多标准分词中文任务中的表现。 下图 3 展示了 8 中不同分词标准的二维 PCA 降维结果，它们都是通过本论文的模型学习而来。我们可以看到，8 种分词标准在嵌入空间会映射到 8 个离散的点，这表明每一个分词标准都有所不同。 图 3：多标准中文分词学到的不同分词基准。
1.2K20发布于 2019-07-12 - 来自专栏机器之心
首个基于时序平移的视频迁移攻击算法，复旦大学研究入选AAAI 2022
复旦大学开展针对视频模型中对抗样本迁移性的研究，以促进视频模型的安全发展。 近年来，深度学习在一系列任务中（例如：图像识别、目标识别、语义分割、视频识别等）取得了巨大成功。 为了进一步剖析上述观点，来自复旦大学姜育刚团队的研究人员首先针对多个常用视频识别模型（video recognition model）的时序判别模式间的相似性展开研究，发现不同结构的视频识别模型往往具有不同的时序判别模式 在不同模型设计架构下，Non-Local、SlowFast 和 TPN 间的时序判别模式相似程度较低；而在相同设计架构下，分别使用 3D Resnet-50 和 3D Resnet-101 作为 backbone 为了探究时序平移攻击方法的性能，研究人员在 UCF-101 和 Kinetics-400 两个数据集，Non-local，SlowFast，TPN 三种不同结构的视频模型中进行对比实验，其中视频模型分别使用 3D Resnet-50 和 3D Resnet-101 作为 backbone。
81430编辑于 2021-12-22 复旦大学 × 阶跃星辰开源最新力作PixelSmile：AI 终于实现人脸表情PhotoShop
作者：Jiabin Hua，Wei Cheng等 解读：AI生成未来 复旦大学与阶跃星辰最新研究开源，聚焦人脸的细粒度表情编辑，把表情编辑真正做出了 PhotoShop 编辑的感觉！ 最近，复旦大学与阶跃星辰联合推出 PixelSmile，把这件事往前推了一大步。
53010编辑于 2026-04-02- 来自专栏深度学习自然语言处理
一文了解复旦大学DISC实验室4篇COLING 2022论文内容
在COLING 2022中, 复旦大学数据智能与社会计算实验室 (Fudan DISC) 共计 4 篇文章被录用, 其中包括 3 篇长文和 1 篇短文。 3 Locate Then Ask: Interpretable Stepwise Reasoning for Multi-hop Question Answering 作者：王思远，魏忠钰，范智昊，张奇
1.4K20编辑于 2022-08-26 - 来自专栏数据猿
复旦大学教授张军平：极端情况下，人工智能的尽头就是人工
如2019年3月埃航737 MAX8的空难，就是过份相信机器的自动驾驶，以至于驾驶员后来无法接管引发的悲剧。 能列举的人工智能短板还有很多，我就不一一枚举了。 关于作者张军平 张军平，复旦大学计算机科学技术学院教授、博士生导师。主要研究方向是人工智能、机器学习、图像处理、生物认证及智能交通。 曾主持3个国家自然科学基金、863项目、教育部博士点基金和浦江人才计划各一项，参与国家自然基金重点一项，也是973项目“数字媒体理解的理论论和方法研究”的主要参加人之一。 1名在美国水牛城大学任tenure-track副教授，1名在复旦大学任青年研究员。在国内的学生毕业后主要在BAT工作。 在金融方面的研究成果曾在2018年被复旦大学官网首页报道。
1K20发布于 2020-09-04 - 来自专栏机器之心
复旦大学提出中文分词新方法，Transformer连有歧义的分词也能学
机器之心报道 参与：思源、一鸣 复旦大学邱锡鹏等研究者提出新型分词方法，只有能 Cover 多个分词标准和最新 Transformer 的方法，才是好的中文分词方法。 鉴于这一点，复旦大学提出了一个简洁而有效的模型，它能适用于多种中文分词标准。这种模型使用共享的全连接自注意力机制，从而能根据不同的标准进行分词。 最终，他们在 8 个不同的分词标准上进行了测试，使用了 5 个简体和 3 个繁体中文的语料。实验说明，模型可以有效提升在多标准分词中文任务中的表现。 下图 3 展示了 8 中不同分词标准的二维 PCA 降维结果，它们都是通过本论文的模型学习而来。我们可以看到，8 种分词标准在嵌入空间会映射到 8 个离散的点，这表明每一个分词标准都有所不同。 图 3：多标准中文分词学到的不同分词基准。 本文为机器之心报道，转载请联系本公众号获得授权。
95420发布于 2019-07-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号