中山大学
Queen Mary University of London
中山大学
参与语言模型相关研究。
参与物联网项目开发。
Weilin Luo, Tingchen Han, Junming Qiu, Hai Wan, Jianfeng Du, Bo Peng, Guohui Xiao, Yanan Liu
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。
Tingting Zhu, Bo Peng, Jifan Liang, Tingchen Han, Hai Wan, Jingqiao Fu, Junjie Chen
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。
Hai Wan, Pingjia Liang, Jianfeng Du, Weilin Luo, Rongzhen Ye, Bo Peng
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%。
Bo Peng, Pingjia Liang, Tingchen Han, Weilin Luo, Jianfeng Du, Hai Wan, Rongzhen Ye, Yuhang Zheng
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。
Weilin Luo, Pingjia Liang, Jianfeng Du, Hai Wan, Bo Peng, Delong Zhang
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。
Jie He, Bo Peng, Yi Liao, Qun Liu, Deyi Xiong
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。
Hai Wan, Yonghao Luo, Bo Peng, Wei-Shi Zheng
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。
Jianfeng Du, Kunxun Qi, Hai Wan, Bo Peng, Shengbin Lu, Yuming Shen
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。
0000-0003-3468-9507