生。
念叨这个名字的时候，在场的很多老师都不由地看向座位上的周昀，因为很多老师来旁听就是为了这个他。
也许这个名字现在在学术界并不算出名，毕竟也不过就是发表了一篇NeurIPS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。
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)}∫ f dμ+∫ g dν，
本章未完，请点击下一页继续阅读！