3月28日下午，由大数据与数据科学、智能化软件工程与系统、人机交互与协同计算、智能网络与系统、人工智能学科方向联合承办的第一期“研究生顶会论文预宣讲报告”（FudanCSF3-TVP）通过腾讯会议成功在线举行。5位硕博士生分享了他们近期录用在VLDB 2022、ICSE 2022、WWW 2022、CVPR 2022等顶级学术会议上的论文成果，吸引了近180余位学生积极参与，并与报告同学进行热烈互动。
潘姝烨同学介绍了录用在VLDB2022上关于寻找时间序列之间的相关性问题的研究成果。针对目前大多数研究的主要局限，提出了非线性相关搜索 (NLC)，搜索两个长时间序列上的相关窗口对，考虑了非线性相关、可变窗口长度、窗口未对齐的复杂情况，有效提升了性能。
张晨曦同学通过介绍他们小组在微服务异常检测中的研究成果，展示了如何使用统一的图结构来建模复杂的调用链结构，并将日志事件融合入该图结构使用基于门控图神经网络的Deep SVDD模型进行微服务异常检测，以有效解决微服务异常检测中复杂调用和复杂交互关系。
潘思成同学的报告分享了近期在因果推荐方面的最新工作：基于因果学习的视角，提出一个从评论中剔除假性相关特征的模型R3（Recommendation via Review Rationalization），该模型尝试挖掘出能使假性相关特征与预测结果条件独立的特征集，基于此特征集的推荐具有更好的鲁棒性。
顾嘉臻同学介绍了关于深度学习库测试方面的研究进展。针对现有测试方法的不足，提出了基于模型架构模糊的测试用例生成方法和衡量模型训练阶段不一致性的指标，可以生成多样化的模型来测试训练阶段的库代码。该方法在三个库（TensorFlow、CNTK、Theano）中发现了39个新错误，并有数个被开发者确认/修复
孙玉齐同学介绍了他在基于图像的渲染方向的科研成果。针对当可用的视图数量有限，重构的场景几何也会随之稀疏，从而导致渲染效果显著下降的问题，提出了Sparse-IBRNet（SIBRNet）算法，通过引入深度补全实现了在不同稀疏场景几何下性能鲁棒的方法，该方法可支持少量的视图输入，并在多个数据集上取得了较好渲染效果。
虽然本次活动是线上举办的，但丝毫没有影响到老师和同学参与的热情。大家都期待着再次举办同类型的报告。
