10月9日下午1：00，人工智能学院在明德楼208人工智能学院学术报告厅举办了舜耕智能论坛[2026第7期]－青年学者系列。本次论坛邀请了学院故障诊断与迁移学习领域的校聘副教授王锐老师，以及智能地震地层解释领域的校聘副教授高晖老师为师生们作报告。学院80多名师生参加了此次活动。

王锐作了题为《不可见目标工况下域泛化故障诊断方法》的学术报告。报告针对故障诊断模型的有效性很大程度依赖于数据集特点（如样本和标签数量、样本分布等）的问题，聚焦不可见目标工况下的域泛化故障诊断方法。报告中，王锐详细介绍了完备数据场景下的多源域泛化诊断模型、数据私有保护场景下的联邦域泛化诊断模型（FADGN）、部分源域标签缺失场景下的对抗域泛化诊断模型，以及仅单个源域可用场景下的对抗域泛化诊断模型。在介绍数据私有保护场景时，王锐指出，工业数据具有保密性无法直接共享，不同用户数据采集自不同环境呈现“数据孤岛”及非独立同分布问题，且目标机器监测数据无法提前收集，导致训练时目标数据缺失。针对这些挑战，他提出了利用联邦学习实现多用户协同建模的解决思路，通过生成中间分布桥接不同源域分布，并引入对抗训练消除跨域差异，从而实现目标工况的泛化诊断。

汇报现场

高晖作了题为《陆架坡体层序地层智能解释方法研究》的学术报告。报告指出，陆架坡体层序地层解释是认识盆地沉积演化、古环境变迁及油气成藏过程的重要基础，但复杂沉积构型、显著跨盆地差异与实际标签匮乏制约了人工智能方法的泛化应用。针对上述问题，高晖详细介绍了其团队通过实际资料治理与地质—地球物理正演模拟，构建包含3000个无标签实际样本和4000个含标签合成样本的全球陆架坡体基准数据集，并提出了融合自监督预训练、合成监督学习、地质先验驱动对齐及目标域自适应微调的渐进式学习范式。全球多盆地相对地质年代体估计结果表明，该方法能够有效缓解合成-实际域差异，增强细尺度地层结构表征与地质一致性，为地球物理人工智能模型由数据训练走向可靠部署提供了系统性方法。

汇报现场（摄影：蒋泓）

本次论坛不仅有助于人工智能学院师生打破学科壁垒，拓宽视野，提升师生们的学术水平和科研能力，对于促进学术交流与合作，推动技术创新与应用，培养跨学科人才也具有重要作用。