第75章 答辩（×）上课（√）

IPS而已，而且还没拿到今年的最佳论文，

    这样的学生别说全球了，就算是在全国范围内都有不少，但是，在钱塘大学的计算机系里，大部分的老师对这个名字并不陌生。

    研一，NeurIPS，这两个词放到一所双非学校，还不是像杭电这样的计算机强校里，那就跟在非洲看到野生大熊猫没什么两样。

    更别说周昀还让学校为他破例提前毕业，所以不论如何，大家也都想来看看这样的学生的毕业论文到底是怎么样的。

    （本章未完，请点击下一页继续阅读）第75章答辩（×）上课（√）(第2/2页)

    周昀也没多紧张，毕竟都在NeurIPS上做过报告了，区区一个毕业答辩还不是轻松拿捏？

    “大家好，我叫周昀，我的毕业论文题目是《基于最优传输理论的多模态语义对齐与融合方法研究》。”

    看到这个标题，除了原本就看过论文的林院长、邓永华和答辩组老师之外，在座的其他老师都不由地挑了挑眉。

    如果是其他学生取这个题目，他们可能会想：这学生疯了？

    但如果是周昀的话：有点意思，先看看怎么个事。

    “这个选题倒是有点意思啊？”一位坐在后排的老师点了点头，“很大胆的选题，看题目应该是偏理论研究。”

    “是啊，很久没看到过这样的毕业论文了，不愧是研一就能发NeurIPS还能申请提前毕业的学生。”

    还没开始讲，几位老师就小声讨论了一下，不过很快他们就停止了讨论，因为周昀开始了他的报告。

    “我的研究主要是多模态的语义对齐与融合，主要的想法是将多模态特征分布视为概率测度，

    利用OT框架实现对齐，具体包括分层OT来处理数据簇结构，以及OT变体来适应高维嵌入的性质。

    为了方便理解，我会模拟两类数据的对齐过程，分别是：视觉μ和语言ν。

    以下是其的基本原理.......

    然后，在对其阶段，我将视觉μ和语言ν分布建模为经验测度，通过Kantorovich双对偶形式求解Wasserstein距离：

    W(μ，ν)=sup_{f，g:f(x)+g(y)≤c(x，y)}∫fdμ+∫gdν，

    其中c(x，y)=||x-y||^2/2对应Brenier势的梯度映射

    ......”

    大多数人一开始还能跟的上，因为没有涉及到什么具体的数学公式，都是一些思路，

    就像你在学微积分的时候，老师一开始告诉你微积分的主要思想是‘分割求极限’，因为你知道极限是什么，所以听上去多少能领悟一点，

    但是一旦老师开始讲到具体的题目的时候，部分学生就开始听不懂了，等更加深入地运用到一些实际问题的时候，就只有少数学生能跟上了。

 &nb