北京
来源：市场资讯
（来源：中国图像图形学会CSIG）
中国图象图形学学会博士/硕士学位论文激励计划旨在推动中国图像图形学领域的科技进步，鼓励创新性研究，促进青年人才成长。
为宣传科技工作者积极进取的工作精神，分享获奖人的科研故事，本期推文我们独家对话2025年度CSIG硕士学位论文激励计划提名获得者杜凯乐，听他讲述科研路上的坚守与成长，以榜样之力，赴创新之约。
问题一：感谢您接受CSIG专访，请先进行一下自我介绍：
感谢CSIG的邀请，很荣幸能够参与本次专访。我毕业于苏州科技大学，目前在东南大学从事人工智能与模式识别方向的研究，主要关注多标签类增量学习与开放环境下的持续学习问题，致力于提升模型在真实动态场景中的稳定性与泛化能力。近年来围绕关系建模、类别不平衡以及过自信预测抑制等关键问题开展了系统研究，相关成果发表于ECCV、AAAI及IEEE Transactions系列期刊与会议。同时，我也积极参与学术服务工作，担任ICML、AAAI、ACM MM等国际会议审稿人。希望通过基础研究与实际应用结合，推动持续学习技术在智能视觉系统中的发展。
问题二：在科研过程中，有没有什么好的方法可以推荐给大家？
在科研过程中，我认为首先要学会从问题本身出发，而不是从方法出发。与其急于设计复杂模型，不如反复分析任务的真实困难与失败案例，明确问题的本质来源。其次，要保持持续复现与对比的习惯，通过严格的实验设计验证每一步改动是否真正有效，这对于避免“偶然提升”非常重要。此外，建议尽早建立系统化的实验与记录机制，包括参数设置、结果变化和负面实验，这些往往是后续创新的重要依据。最后，科研需要长期积累与耐心，多与同行交流、主动阅读不同方向的工作，往往能带来新的研究视角与启发。
问题三：请对您的论文进行简要介绍：
我的研究主要围绕多标签类增量学习展开，关注模型在开放环境中面对类别持续扩展与标签不完整标注时的稳定学习问题。相关论文从关系建模、类别不平衡以及过自信预测等关键挑战出发，提出了一系列改进方法。例如，通过增广图卷积网络构建跨任务标签关系，缓解标签空间割裂带来的性能退化；进一步针对多标签增量学习中普遍存在的过自信预测问题，提出置信度自校准机制，有效降低假阳性错误；同时在学习目标与样本层面引入双重平衡策略，以同时抑制灾难性遗忘与类别偏置。实验结果表明，所提出方法在多个标准数据集上均取得了稳定且显著的性能提升。
问题四：请问您在论文筹备过程中遇到最大的挑战是什么？是怎样克服的呢？
在论文筹备过程中，最大的挑战是如何准确定位多标签类增量学习中的核心问题，并通过充分的实验与理论分析证明方法的有效性。由于该方向同时面临类别持续扩展与标签不完全标注带来的复杂影响，模型性能的变化往往由多种因素共同造成，早期很难判断改进是否真正来源于方法本身。为此，我通过大量对比实验与消融分析，反复验证不同模块的实际作用，并重点分析失败案例，从现象中追溯问题本质。同时，通过持续阅读相关领域工作并与同行交流，不断修正研究思路。最终通过系统化实验设计与长期迭代，逐步明确关键问题并形成完整、可靠的研究方案。
问题五：请问您有什么获奖感言呢？
能够获得这份荣誉，我感到非常荣幸与感谢。首先要衷心感谢我的导师胡伏原教授一直以来的悉心指导与耐心支持，从研究选题到论文打磨，每一步都给予了我极大的帮助与启发。导师严谨的科研态度和对学术质量的高标准要求，让我逐渐学会如何真正做好科研。未来我将继续保持踏实认真的科研态度，不断探索新的问题，努力产出更有价值的研究成果，以回馈导师的培养与信任。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
