一、主讲人：施龙（IEEE member），江苏靖江人，西南交通大学博士，英国约克大学（University of York）联合培养博士。现任计算机与人工智能学院副教授，硕士生导师，通用人工智能创新团队党支部书记，担任国家自然科学基金委员会通讯评审专家、教育部学位论文评审专家。目前担任中国自动化学会共融机器人专委会委员、自动化学会专业会员。研究兴趣为可信 AI、多模态学习、大模型及类脑计算与脑疾病诊断，迄今在 IEEE Transactions（TSP、TIP、TMM、TCSVT、TCSII）以及 ICML、NeurIPS、AAAI、KDD 和 WWW 等顶级会议发表高质量学术论文 40 余篇，担任 10 余个 IEEE 汇刊审稿人以及会议领域主席。主持国家自然科学基金青年项目、四川省科技厅青年项目以及西南财经大学引进人才科研启动重点资助项目，作为核心人员参与国家自然科学基金面上项目、四川省重点项目多项。曾获西南交通大学优秀博士毕业论文、数字经济与交叉创新研究院优秀共产党员等荣誉称号。指导学生多次获国家奖学金、西南财经大学优秀硕士学位论文、“光华学子综合素质 50 强”、四川省优秀毕业生等荣誉称号。

  二、讲座题目：可信多模态与大模型

  三、地    点：第十教学楼10110会议室

  四、时    间：2026年9月9日（周三）15：00-17：00

  五、主办单位：电子信息与电气工程学院

  欢迎广大师生参与本次讲座！请参加讲座人员于2026年9月9日14：50前入场。

  报告内容：面向复杂开放环境下多模态智能系统在数据质量退化、模态意见冲突与边缘侧部署受限等方面面临的可信性挑战，本报告围绕不确定性驱动与大模型轻量化两条主线介绍相关研究探索。在不确定性驱动的可信多模态学习方面，针对不同模态预测可靠性差异显著、意见冲突及动态融合困难的问题，研究如何显式刻画模态级不确定性，并提出分层意见聚合框架，实现由单模态可靠性评估到多模态可信决策的逐级聚合；进一步面向真实数据中普遍存在的长尾分布与类别不均衡问题，研究不确定性在不同类别和模态间的传播规律，提出不确定性感知的意见聚合与伪数据生成机制，提升模型对少数类样本的识别与可信决策能力。在此基础上，报告进一步从大模型轻量化与边缘部署角度探讨有限算力、存储和能耗约束下的高效模型构建与部署问题，以期推动可信多模态学习从可靠感知与融合进一步走向面向真实场景的“决策—解释—部署”一体化智能系统。