大数据与知识工程实验室

研究点云配准、补全、目标检测、语义分割等，目前致力于大规模点云预训练在自动驾驶与机器人领域的应用。 本课题组近年来致力于研究点云处理相关技术。由于真实采集的点云数据广泛存在噪声，缺陷等问题，首先需要经过点云去噪，补全或者上采样等手段提升真实采集的点云质量。通过这些任务所获得的点云数据可以进一步处理下游任务如点云检测，语义分割，点云分类以及追踪等任务。此外，点云的标注费时费力，本课题组旨在从点云预训练角度出发，利用大量无标注的点云数据设计自监督任务进行预训练，这些模型可以以较低的标注、训练代价迁移至下游任务。这一系列工作所涉及的技术可以应用到如机器人，自动驾驶等领域，具有一定的产学研结合前景。本课题组欢迎对此方向感兴趣的同学加入，共同探究点云处理中有意义且有价值的问题！

基于人工智能的医疗、海洋、航空等领域的技术和应用。

研究多模态知识图谱的构建，知识抽取，知识补全，知识链接；事件知识抽取，因果、时序、反事实关系抽取及问答。

本方向针对应用领域的大语言模型的架构、微调和知识增强等。

研究数据驱动的故障检测、诊断、预测算法及其在工业界的应用和验证。不同工业应用中的时间序列数据自身所具有的非稳态、周期和趋势等特性，对深度学习模型在实际场景中的广泛应用、以及模型在长期部署环境中的性能一致性形成了较大的挑战。如何构建评估算法性能、可靠性的数据集，并以此设计具备实用性的深度学习模型，不仅对真正解决应用问题至关重要，还可以启发对于算法本身的范式创新。

研究元数据管理、数据发现、交互式数据分析等。数据湖管理包含：数据抽取、数据清洗、数据集成、数据版本控制、元数据管理。数据湖对于企业和科研都有广泛的应用场景，而有效的数据湖管理能有效减少错误传播，为后期数据集成、数据发现等任务提供高质量的输入，从而最大限度发挥原始数据的价值。

研究软件开发生命周期活动中机器学习方法的应用，建立新型软件工程开发框架。