┌─[ profile.txt ]─ ──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── ┐

彭勃

计算机科学博士研究生

中山大学计算机学院

📧 Email 🌐 主页 🎓 Google Scholar ORCID

0000-0003-3468-9507

研究兴趣

组合优化问题形式化方法可微学习计算法学

└ ──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── ┘

## 教育

博士（在读） · 计算机科学与技术

中山大学

2021 – 至今

Master of Science by Research · Computer Science

Queen Mary University of London

2018 – 2019

工学学士 · 软件工程

中山大学

2013 – 2017

## 工作

研究员 · 华为技术有限公司 (诺亚方舟实验室-语音语义组)

2019-10 – 2021-06

参与语言模型相关研究。

助理工程师 · 深圳市慧云物联网技术有限公司 (研究院)

2017-07 – 2018-08

参与物联网项目开发。

┌─[ filter ]─ ──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────── ┐

作者顺位 ≤ 年份 ≥ 被引 ≥

排序

NADA: Neural Acceptance-Driven Approximate Specification Mining

Weilin Luo, Tingchen Han, Junming Qiu, Hai Wan, Jianfeng Du, Bo Peng, Guohui Xiao, Yanan Liu

Proceedings of the ACM on Software Engineering (ISSTA 2025) 会议 · 2025 被引 3 次

提出基于神经接受的近似规约挖掘方法 NADA，通过连续松弛和梯度下降从带噪正负例中搜索近似有限状态自动机，F1 平均提升 41.63% 且速度快 19.8 倍。

DOI: 10.1145/3728956

How to Evaluate Semantic Communications for Images With ViTScore Metric?

Tingting Zhu, Bo Peng, Jifan Liang, Tingchen Han, Hai Wan, Jingqiao Fu, Junjie Chen

IEEE Transactions on Cognitive Communications and Networking 期刊 · 2024 被引 21 次

提出基于视觉 Transformer 的图像语义相似度度量 ViTScore，具有对称性、有界性和归一化性质，在语义通信评估中显著优于传统像素级与结构级指标。

DOI: 10.1109/tccn.2024.3392803

End-to-end learning of LTLf formulae by faithful LTLf encoding

Hai Wan, Pingjia Liang, Jianfeng Du, Weilin Luo, Rongzhen Ye, Bo Peng

Proceedings of the AAAI Conference on Artificial Intelligence (AAAI 2024) 会议 · 2024 被引 8 次

提出忠实 LTLf 编码方法将神经网络参数化以模拟 LTLf 推理，实现端到端学习树结构 LTLf 公式，准确率提升最高 7%。

DOI: 10.1609/aaai.v38i8.28757

PurLTL: Mining LTL specification from imperfect traces in testing

Bo Peng, Pingjia Liang, Tingchen Han, Weilin Luo, Jianfeng Du, Hai Wan, Rongzhen Ye, Yuhang Zheng

Proceedings of the 38th IEEE/ACM International Conference on Automated Software Engineering (ASE 2023) 会议 · 2023 被引 4 次

提出 PurLTL 工具，通过神经搜索与正无标签学习从非完美执行轨迹中挖掘任意 LTL 规约，摆脱模板限制且无需负例，显著优于此前方法。

DOI: 10.1109/ASE56229.2023.00202

Bridging LTLf inference to GNN inference for learning LTLf formulae

Weilin Luo, Pingjia Liang, Jianfeng Du, Hai Wan, Bo Peng, Delong Zhang

Proceedings of the AAAI Conference on Artificial Intelligence (AAAI 2022) 会议 · 2022 被引 15 次

证明 GNN 推理可模拟 LTLf 推理以区分轨迹，提出 GLTLf 方法结合 GNN 推理与参数解释从噪声数据中学习 LTLf 公式。

DOI: 10.1609/aaai.v36i9.21221

TGEA: An error-annotated dataset and benchmark tasks for text generation from pretrained language models

Jie He, Bo Peng, Yi Liao, Qun Liu, Deyi Xiong

Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics (ACL 2021) 会议 · 2021 被引 10 次

提出首个预训练语言模型生成文本的错误标注数据集 TGEA，含 4.7 万句子和 24 类错误，并定义错误检测、类型分类与纠正的基准任务。

DOI: 10.18653/v1/2021.acl-long.469

Representation Learning for Scene Graph Completion via Jointly Structural and Visual Embedding

Hai Wan, Yonghao Luo, Bo Peng, Wei-Shi Zheng

Proceedings of the 27th International Joint Conference on Artificial Intelligence (IJCAI 2018) 会议 · 2018 被引 42 次

提出端到端模型 RLSV，联合学习场景图的结构与视觉嵌入以补全缺失关系，在链接预测和三元组分类任务上优于所有基线方法。

DOI: 10.24963/ijcai.2018/132

Enhancing knowledge graph embedding from a logical perspective

Jianfeng Du, Kunxun Qi, Hai Wan, Bo Peng, Shengbin Lu, Yuming Shen

Joint International Semantic Technology Conference (JIST 2017) 会议 · 2017 被引 9 次

知识图谱嵌入旨在将实体和关系表示为低维向量，本文研究了如何利用 OWL 2 中的 RBox 逻辑公理来改进嵌入学习，通过逻辑预补全和实体双向投影增强翻译模型，从而克服对称、自反、传递等关系带来的表示限制，并在链接预测与三元组分类任务上验证了有效性。

DOI: 10.1007/978-3-319-70682-5_15

✱✱文本反深度伪造检测方法及装置

罗炜麟;彭勃;万海;韩廷琛

国防专利 ✅ 已授权

专利权人：中山大学

一种基于神经符号融合算法的数值推理问题弱监督求解方法及存储介质

曾娟;彭勃;罗炜麟;李耀华;万海

发明专利 ✅ 已授权 · 申请 2025-03-14

专利号：ZL 2025 1 0306023.3 授权公告号：CN 120317361 B

专利权人：中山大学