一、团队简介

新财经综合实验室是由西南财经大学和中国农业银行联合创建的科技创新和人才培养平台。实验室面向国家重大战略和成渝双城经济圈建设，围绕国家和区域经济发展中的行业痛点和技术难点，以学校“理工攀登”为战略背景，全面推进“新财经”战略升级，为新质生产力发展所需新质人才的培养提供有力支撑。

新财经综合实验室以可信人工智能与行业大数据创新团队为核心，聚焦计算机科学与数字经济的深度融合与交叉创新，以可信AI关键理论与技术攻关、区域经济发展创新应用与成果转化为两大核心研究方向开展有组织科研，服务区域经济、普惠金融、乡村振兴等核心业务场景，以科技创新推动产业链创新与新质产业示范应用，以可信人工智能赋能传统产业创新发展与数字化转型。

团队现有教授2人，博导6人（兼职博导2人）、副教授2人，博士讲师11人，系统工程师2人，博士后2人，硕博士及优秀本科生60余人。

二、研究方向

团队设置五个研究组，以导师团组指导制进行学生培养、理论研究、技术攻关、工程实现与成果落地，具体包括：

（一）机器视觉与计算成像组

成员：蒋太翔（组长）、尹诗白、占求港、汤自新、王武、杨含玫、杨丽巧

1、复杂环境下底层图像复原关键技术

解决复杂环境中（低光照、雾霾、雨天等）底层图像质量下降的问题，提升图像在极端条件下的清晰度和可用性。该研究重点在于构建鲁棒性强的模型，适应各种复杂场景下的图像复原需求，比如自动驾驶、无人机监控以及遥感应用等场景。

2、对抗环境中的图像攻击与防御机制

以发展“可信人工智能”为目标，专注于应对对抗攻击下图像处理系统的脆弱性。确保在面对复杂对抗样本时系统的安全性和可靠性。在理论层面上深化对图像处理鲁棒性的理解，服务于金融、医疗等安全性要求极高的领域。

3、突破物理极限的计算成像系统设计

面向硬件极限场景的单像素成像和单曝光压缩成像，研发新型压缩感知成像系统以突破传统光学系统约束。结合事件相机关注超高速视频与多光谱成像系统，提供创新性的先进成像解决方案，应用于边防边控、遥感检测和公共安全。

4、多传感器异构图像数据的融合方法

针对多传感器异构图像数据的高效融合问题，研究跨模态传感器数据的协同利用，开发适应复杂场景的融合算法，提升系统对多源信息的综合处理能力，从而增强对环境的感知和分析效果。为自动驾驶、智慧城市、公共安全等领域提供了强有力的技术支撑。

（二）空间智能与社会计算组

成员：高强（组长）、黄鹂、王海林、丁浩伦

1、时空轨迹挖掘与概率表示学习

围绕时空轨迹数据研究要素建模、移动性表示学习、可解释表征机理和可信认知场景范式，重点关注开放世界学习、持续学习、可解释学习、因果学习、不确定性学习和生成模型方法理论，解决时空语义理解中的动态交互、开放持续、透明可释和鲁棒表示等问题。

2、实体关系学习与场景演化建模

围绕实体关系与交互行为开展动态语义表征和跨域场景建模，聚焦供应链、在线交易、证券市场等场景下的非连续时间序列分析、企业关系分析、社会关系分析、异常检测和量化交易等场景。解决实体关系与场景演化中的语义可动态交互性、知识可持续性和领域可迁移性。

3、开放场景文本建模与常识推理

聚焦自然语言处理中开放场景认知核心挑战，着重研究命名体识别、关系抽取、文本分析、时间因果识别、谣言检测等领域，涉及生成式学习、可解释学习、多类型增量学习、多视图学习、少/零样本学习等。解决文本建模与常识推理中的开放认知、多模态可解释和因果关系挖掘。

（三）类脑计算与学习机制组

成员：占求港（组长）、杨山田、马奥、蔡庆、刘贵松

1、面向数据安全协同的类脑计算方法

面向多源数据场景，探索数据融合的脉冲编码、隐私保护、多方安全计算等问题，研究类脑联邦学习、多智能体类脑强化学习机制，实现保障数据隐私的低功耗类脑计算方法，提高数据处理的安全性和效率，实现对中心化存储和计算资源的依赖减少。

2、因果推理模型与可解释机器学习方法

围绕因果推理，基于图神经网络、模型表征学习、生物启发计算等技术，研究因果关系发现、推理模型设计、可解释机器学习、安全可信智能等，实现一系列具有高度可解释性和决策透明度的计算模型和学习方法，降低模型在实际应用中的决策风险。

3、面向跨域场景的知识迁移与联邦学习

面向跨域场景，聚焦于异构数据知识表示与融合、小样本学习、模型领域泛化性提升等问题，研究迁移学习、联邦迁移学习、多任务学习等机制，增强跨领域数据处理的安全性和隐私性，提高数据利用效率，促进跨领域知识的安全共享和高效融合。

（四）知识表示与多模态学习组

成员：尹诗白（组长）、张丹、王海林、李拓航、吕新昱

1、多模态大模型隐私保护与安全推理

面向大模型推理过程中的隐私保护与安全性挑战，研发全新的同态加密策略和安全推理协议，结合替代模型，探索隐私保护视角下的模型可解释性，提供兼顾隐私保护与透明度的创新解释机制，广泛应用于医疗、金融等各类隐私敏感场景。

2、多模态全域知识获取与表征

面向多模态数据开展知识推理，探索多元/异构信息高效融合方案，重点关注不同模态的信息一致性，实现跨模态语义信息的精确传递与推理，推动人工智能系统在复杂场景中的理解和推理能力，建立更加智能和泛化的知识表征体系。

3、多模态信息检索与融合

面向海量多源多模态信息，研究跨模态间表征对齐策略、特征相似度计算、以及特征高效融合方案，以提升不同模态信息的互通性和兼容性，增强系统在多模态环境下的理解与决策能力，推动人工智能系统在复杂信息环境中的综合应用。

4、高效适配预训练多模态模型研究

基于多模态预训练模型，结合多模态信息引导技术、跨模态特征对齐、跨域适应与优化方法，探索依托预训练增强的微调模型在跨模态任务中的理解与表现，确保模型在不同任务和领域中的广泛适用性，推动多模态模型的应用与发展。

（五）数据工程与大模型应用组

成员：蔡庆（组长）、丁浩伦（副组长）、各研究组组长

数据工程与大模型应用组主要研究大数据和知识工程、大模型领域应用等，承担实验室硕士生工程能力培养以及项目开发、科研成果转化等工作。

目前承担的核心项目包括：通用人工智能平台开发（已转化）、面向科技金融的人工智能评价系统开发及应用示范（进行中）、四川省社科联智能分析平台（进行中）、健康港湾医疗大模型应用（进行中）

三、团队成果

团队主持参与科技部国家重点研发、国家自然科学基金重点/面上/青年、教育部人文社科、四川省重点研发/省自然科学基金、四川省社科重点/面上以及重大横向项目等30余项；在包括IEEE TPMI、TIP、TKDE、TCYB、TNNLS、TFS、计算机学报、软件学报等国内一流学术期刊以及NeurIPS、IJCAI、AAAI、KDD、WWW、CVPR等国际顶级会议发表论文200+（SCI检索150+、高被引论文10+），授权/授理国家发明专利50余项，自主研发“多模态人工智能算法与处理系统”“面向科技型中小微企业的普惠金融平台”等应用产品，为可信AI赋能新质产业提质增效提供高效支撑。