时间：2025年11月8日(周六) 09: 00
地点：望江校区基础教学楼B座318实验室
分享者：周寅杰、李思洋
Part1
分享者：周寅杰
分享内容：
Li, H., Wen, Z., Jiang, Q., Li, C., Wu, Y., Yang, Y., Wang, Y., Huang, X., Zhu, M. and Chen, W., 2025. ConceptViz: A Visual Analytics Approach for Exploring Concepts in Large Language Models. arXiv preprint arXiv:2509.20376.
论文简介：
大型语言模型（LLMs）在广泛的自然语言任务中取得了卓越的表现。然而，理解 LLM 如何在内部表示知识仍然是一项重大挑战。尽管稀疏自编码器（Sparse Autoencoders, SAEs）已成为从 LLM 中提取可解释特征的一种有前景的技术，但 SAE 的特征并不会自然地与人类可理解的概念对齐，这使得其解释过程复杂且耗时。为弥合 SAE 特征与人类概念之间的差距，我们提出了 ConceptViz——一个用于探索 LLM 概念的可视分析系统。ConceptViz 实现了一个新颖的 识别（Identification）⇒ 解释（Interpretation）⇒ 验证（Validation） 流程，使用户能够通过输入感兴趣的概念来查询 SAE，交互式地探索概念与特征之间的对应关系，并通过模型行为验证这些对应的有效性。我们通过两个使用场景和一项用户研究验证了 ConceptViz 的有效性。结果表明，ConceptViz 通过简化有意义概念表示的发现与验证过程，提升了可解释性研究的效率，帮助研究者建立对 LLM 特征更准确的心理模型。代码与用户指南已在 https://github.com/Happy-Hippo209/ConceptViz 上公开。
Part2
分享者：李思洋
分享内容：
Sun, Y., Li, X., Zhu, P., Hu, Q., Ren, D., Xu, H. and Zhu, X., 2025, October. Task-Gated Multi-Expert Collaboration Network for Degraded Multi-Modal Image Fusion. In International Conference on Machine Learning (pp. 57571-57586). PMLR.
论文简介：
多模态图像可以利用不同采集设备的优势，从多种维度表征场景信息，在野外救援、城市监控等低空及自然场景中发挥着关键作用。然而，真实场景中多模态图像通常遭受不同类型的退化，可见光图像容易遭受雨雪雾等恶劣天气与噪声模糊等物理退化的影响，红外图像可能存在条纹噪声与低对比度等问题。这些退化问题严重影响了多模态融合的图像质量和应用性能。针对这一问题，论文提出了针对退化多模态图像的All-in-One复原融合统一框架，实现了对不同类型退化任务的分而治之。所提出的方法设计了退化类型感知门控（Degradation-Aware Gating）进行任务路由分配，安排不同的专家组合动态处理不同类型的退化图像复原任务，并利用融合感知门控（Fusion-Aware Gating）引导的多专家系统动态平衡融合任务和复原任务的学习，以实现更好的退化多模态图像复原和融合效果。论文所提出的框架减少复原任务和融合任务之间的矛盾，最大限度地降低了传统先复原再融合的级联结构中的信息损失，通过动态专家系统实现All-in-One退化图像复原与融合的统一，在真实退化场景与低空无人机感知场景上，取得了最佳的图像复原与融合性能，同时在各类下游任务上也实现了最优结果。此外，该研究根据低空与自然场景的各种退化类型，构建了一个可支持退化多模态图像复原与融合的大规模数据集，包含了低空无人机空对地视角场景、地面监控及车载相机视角场景，该数据集可为低空退化多模态图像融合等相关研究提供系统性评测基准。
