报告人：程乐超 合肥工业大学

报告地点：计算机楼308会议室

报告时间：2025年10月14日（周二）上午9：00

报告题目：从视觉调优到知识置换：迈向高效与稳健的视觉模型后训练范式 (From Visual Tuning to Knowledge Swapping: Towards Efficient and Robust Post-training of Vision Models)

个人简介:

程乐超, 博士, 合肥工业大学计算机与信息学院（人工智能学院）副教授，黄山青年学者、博思青年学者。长期致力于可信视觉学习与大模型后训练机制研究，聚焦复杂视觉场景下的不完备数据建模、知识迁移与高效适配。程博士以第一或通讯作者在 CVPR、ICML、ECCV 等国际顶级会议发表论文30余篇，其中多篇入选Oral或Spotlight（含 ICML 2024 Spotlight、ECCV 2024 Oral、ACM MM 2024最佳论文荣誉提名）。主持国家自然科学基金面上及青年项目等多项科研任务，研究成果已在海康威视、浙江网新等企业落地应用。程博士是中国计算机学会（CCF）高级会员、中国图象图形学学会（CSIG）高级会员、CSIG合肥会员活动中心副秘书长、安徽省人工智能学会计算机视觉专委会副主任，曾获安徽省计算机学会优秀青年科学家奖、ACM MM最佳论文荣誉提名奖等多项荣誉。

报告简介:

近年来，随着视觉大模型的规模不断扩大，如何在有限资源下实现高效、稳健的模型适配成为后训练阶段的重要课题。本报告围绕“大模型后训练的三阶段演化”展开系统梳理与研究总结，重点介绍视觉调优、知识蒸馏正则化与知识置换三类后训练机制。报告首先介绍视觉调优方法，探讨如何通过可学习提示或低秩适配实现参数高效的模型适配；其次，通过分析知识蒸馏中的表征耦合问题，提出基于特征方向与范数解耦的几何–统计正则框架，显著提升知识迁移的稳定性与泛化性；最后，通过探索知识置换的学习–遗忘协同机制，通过可交换子空间与动态梯度调节，实现任务间知识的选择性保留与自平衡。该研究体系从参数层、表征层到语义层，构建面向高效与稳健大模型适配的后训练范式，为跨任务迁移、开放场景学习及多模态模型对齐提供了新的理论与技术路径。