任慕成讲师（高校）

1. 自然语言处理 - 知识与认知驱动的可解释性推理

该方向主要针对目前以大模型为代表的深度学习模型存在的黑盒问题，尤其在面向复杂推理场景时，模型的性能大幅下降并且不可预测。将研究如何利用知识、结合人类认知行为，实现在复杂场景下的可解释性推理，会涉及到时下主流的prompt tuning、in-context learning和rationale reasoning等推理技术。前期将针对现有NLP中的复杂推理任务数据集进行，后期将向垂直领域特定任务进行迁移和应用。

2. 自然语言处理&计算机视觉 - 多模态世界模型设计

近几年大模型的出现，让大部分人认为通过一味的增加数据和扩大参数，那么通用人工智能AGI便会到来。 然而Lecun为首的科学家提出世界模型一说，相比与传统的大模型，世界模型包含多个模块，每个模块如同大脑中的每个区域一般彼此互动，根据不同的场景需求完成任务，更加鲁棒以及富有可解释性。在这个方向，我们将探索将神经认知学的原理应用到大模型中，实现世界模型，去完成较为复杂的推理任务。

3.自然语言处理&计算机视觉&医学 - 多模态认知推理模型在医学辅助决策上的研究和应用

探索和挖掘NLP和CV在医学领域的各式各样的应用，具体可以分为两个方向。 一：以决策辅助、疾病预测、病历生成等目前主流的任务为主，利用实验室资源优势，去探索上述研究1&2的深度。 二：聚焦到目前尚未有人或者很少人关注、但很有意义的临床任务，比如中医辨证论治，弘扬传统，跟随政策，探索上述研究的广度。

1. 中医方向，针对辨证任务设计可解释推理机制。

2. 西医方向，针对MIMIC数据集，进行ICD自动编码、术后疾病预测等任务。