2026年春季学期视觉计算实验室第6次论文研读预告

时间：2026年4月18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：徐骏驰、张键军

Part1

分享者：徐骏驰

分享内容：

[1] R. Sheng et al., "CellScout: Visual Analytics for Mining Biomarkers in Cell State Discovery," in IEEE Transactions on Visualization and Computer Graphics, vol. 32, no. 2, pp. 1497-1512, Feb. 2026, doi: 10.1109/TVCG.2025.3636102.

论文简介：

[1] 细胞状态发现对于理解生物系统和提高医疗效果至关重要。该过程的一个关键方面是识别定义特定细胞状态的不同生物标志物。然而，细胞状态和生物标志物的共同发现过程出现了困难：生物学家经常使用降维来可视化二维空间中的细胞。然后，他们通常将视觉上聚集的细胞解释为不同的状态，从中寻求识别独特的生物标志物。然而，由于集群内部的不一致，这种假设往往是无效的，使得过程反复试验且具有高度的不确定性。因此，生物学家迫切需要有效的工具来帮助揭示不同细胞群与其潜在生物标志物之间隐藏的关联关系。为了解决这个问题，我们首先设计了一种基于专家混合 (MoE) 技术的机器学习算法，以识别细胞群和生物标志物之间有意义的关联。我们与生物学家合作进一步开发了可视化分析系统CellScout，帮助他们探索和完善这些关联关系，以推进细胞状态的发现。我们通过专家访谈验证了我们的系统，并从中进一步选择了一个代表性案例来证明其在发现新细胞状态方面的有效性。

Part2

分享者：张键军

分享内容：

[1] Hu Y, Wang S, Li W, et al. Interpreters for GNN-based vulnerability detection: Are we there yet?[C]//Proceedings of the 32nd ACM SIGSOFT international symposium on software testing and analysis. 2023: 1407-1419.

论文简介：

[1] 传统漏洞检测方法由于高度依赖大量人工投入，存在明显局限性。采用自动化手段开展漏洞检测已成为研究热点，其中，深度学习方法尤其取得了显著成果。由于图结构较文本能够更有效表征代码的结构特征，基于图神经网络（Graph Neural Network, GNN）的漏洞检测方法显著优于基于文本的方法。因此，基于 GNN 的漏洞检测方法正受到越来越广泛的关注。

然而，对于安全分析人员而言，GNN 模型在很大程度上仍属于“黑盒”模型，难以提供清晰证据来解释为何某一代码样本会被判定为存在漏洞或不存在漏洞。针对这一问题，现阶段已有大量面向 GNN 的解释方法被提出。然而，这些解释方法在漏洞检测模型上的解释结果往往存在较强的不一致性，且难以令安全领域专家信服。

为解决上述问题，本文作者基于漏洞检测任务中的核心关注点，提出了一套用于评估基于 GNN 的漏洞检测器解释方法质量的原则性准则，具体包括稳定性、鲁棒性和有效性三个方面。本文作者通过大量实验，系统评估了六种经典解释方法（即 GNN-LRP、DeepLIFT、GradCAM、GNNExplainer、PGExplainer 和 SubGraphX）在四种漏洞检测器（即 DeepWukong、Devign、IVDetect 和 Reveal）上的解释性能。

实验结果表明，目标解释方法在有效性、稳定性和鲁棒性方面整体表现较差。在有效性方面，本文作者发现，实例无关方法由于能够更深入地刻画检测模型的内部机理，因此其表现优于其他方法。在稳定性方面，基于扰动的解释方法由于具备模型无关性，对模型参数的轻微变化表现出更强的适应能力。在鲁棒性方面，实例无关方法在面对相似类型漏洞时，能够提供更加一致的解释结果。