南大LAMDA 周大蔚 副研究员
报告生成时间： 2026年7月
个人主页： https://www.lamda.nju.edu.cn/zhoudw/ DBLP： https://dblp.org/pid/120/6109.html Google Scholar： https://scholar.google.com/citations?user=kMNaR-YAAAAJ&hl=en
一、学者基本信息
周大蔚（Da-Wei Zhou），南京大学人工智能学院副研究员（Associate Researcher，2024年至今），LAMDA（Learning And Mining from DatA）实验室成员。其研究以机器学习在计算机视觉中的应用为基础，重点推进持续学习（Continual Learning）、预训练模型复用（Pre-trained Model Reuse）与多模态大语言模型（Multimodal LLMs）。他是LAMDA持续学习方向由博士生向青年教师过渡的代表性成员，已招收硕士生并参与实验室的研究生培养。
教育与工作经历： - 2018-2024年，南京大学博士研究生；2024年5月完成博士论文答辩。 - 2022-2023年，新加坡南洋理工大学MMLab访问交流，与Ziwei Liu（刘子玮）教授密切合作。 - 2024年至今，南京大学人工智能学院副研究员、LAMDA成员。
博士导师： 詹德川教授与叶翰嘉副教授联合指导。其个人主页将二人并列为博士导师；叶翰嘉既是直接导师，也是其持续学习研究和留校后的最紧密学术伙伴。
研究主线与代表性贡献： 1. 少样本/类别增量学习： 围绕“学习新类别而不遗忘旧类别”的核心难题，提出前向兼容训练（FACT）等方法。CVPR 2022论文《Forward Compatible Few-Shot Class-Incremental Learning》通过虚拟原型为未来类别预留表征空间，强调从“回顾性抗遗忘”转向“前瞻性可扩展”。 2. 预训练模型驱动的持续学习： 研究如何以较低存储和训练成本使用视觉Transformer、CLIP等预训练模型完成类别增量、领域增量与测试时自适应；ICLR 2023 Spotlight论文《A Model or 603 Exemplars》、CVPR 2024的EASE、CVPR 2025的DUCT、ICCV 2025的ENGINE构成了连续技术线。 3. 方法论与开源基础设施： 参与或主导PyCIL、PILOT、C3Box等持续学习工具箱；其中PyCIL面向类增量学习，PILOT聚焦预训练模型持续学习，C3Box面向CLIP基础持续学习。这些开源资源将论文方法转化为可复现实验基座，也增强了LAMDA在该方向的社区连接。 4. 多模态持续学习： 将持续学习的问题从视觉分类扩展至视觉语言模型和多模态指令微调。2026年发布Prism多模态持续指令微调工具箱，并在ICML 2026发表SAME，体现其研究由传统增量分类向多模态基础模型持续适配延伸。
学术服务与荣誉： 获CVPR 2024 Outstanding Reviewer、NeurIPS 2023/2024 Top Reviewer、ICML 2025 Top Reviewer、IJCV Outstanding Reviewer 2025等认可；2025年入选全球前2%科学家名单。2025年担任ICLR 2026 Area Chair，2026年担任IJCAI 2026 Senior Program Committee成员，并参与IJCAI 2023、AAAI 2025及AAAI 2026的持续学习/模型复用教程组织。
二、DBLP数据统计
2.1 发表记录总览
DBLP pid为120/6109，共收录73条发表记录（截至2026年7月）：期刊论文50篇、会议论文23篇。其中CoRR/arXiv预印本38篇，非CoRR的会议或期刊记录35篇。周大蔚的发表集中于博士阶段后半程和留校初期，研究主题高度聚焦，形成了围绕持续学习、预训练模型适配与多模态模型的连续发表序列。
2.2 年度产出分布
| 年份 | 论文数 | 年份 | 论文数 | 年份 | 论文数 |
|---|---|---|---|---|---|
| 2019 | 1 | 2022 | 8 | 2025 | 20 |
| 2020 | 0 | 2023 | 15 | 2026 | 8（截至7月） |
| 2021 | 7 | 2024 | 14 |
趋势分析： 2019年发表首篇DBLP记录后，2021年起进入持续学习方向的集中产出期。2023-2026年7月共57篇，占全部记录的78.1%；2025年20篇为单年峰值。这一增长与三个阶段相对应：早期的增量深度模型与开放集识别探索，2022-2024年的少样本类增量和预训练模型持续学习体系化研究，以及2025年以来的CLIP、视觉语言模型、多模态指令持续学习拓展。
2.3 主要发表会议/期刊分布（非CoRR）
| 会议/期刊 | 论文数 | 级别 |
|---|---|---|
| CVPR | 5 | CCF-A |
| IEEE TPAMI | 4 | CCF-A |
| ICML | 3 | CCF-A |
| AAAI | 2 | CCF-A |
| ICCV | 2 | CCF-A |
| IJCAI | 2 | CCF-A |
| ICLR | 2 | 未分级（顶级） |
| Sci. China Inf. Sci. | 2 | - |
| IJCV | 1 | CCF-A |
| Machine Learning | 1 | - |
| IEEE TKDE | 1 | CCF-A |
| IEEE TNNLS | 1 | CCF-B |
| ECCV | 1 | CCF-B |
| ACM Multimedia | 1 | CCF-A |
| NeurIPS | 1 | CCF-A |
论文主要投向机器学习与计算机视觉顶级会议/期刊。CVPR与TPAMI合计9篇，体现其研究在视觉持续学习、预训练视觉模型适配上的稳定落点；ICLR、ICML、NeurIPS、AAAI、IJCAI则承载了类增量学习方法、评测与模型复用研究。
2.4 合作者网络总览
DBLP记录对应63位唯一合作者（剔除DBLP作者页面中指向本人同名条目的“Da-Wei Zhou 0001”），合作10次以上者4位，合作5次以上者12位。网络呈现鲜明的“导师双核心—LAMDA持续学习小组—企业与国际延伸”结构：叶翰嘉、詹德川是绝对中心，博士生/青年成员是稳定共同作者，跨机构合作者沿华为、同花顺、阿里巴巴、新加坡南洋理工大学等通道分布。
2.5 核心合作者（Top 30，按DBLP合作频次降序）
| 排名 | 合作者（DBLP名） | 合作次数 | 合作年份 | 身份/机构与关系 |
|---|---|---|---|---|
| 1 | Han-Jia Ye（叶翰嘉） | 62 | 2021-2026 | LAMDA副教授，博士联合导师、直接学术带头人 |
| 2 | De-Chuan Zhan（詹德川） | 62 | 2019-2026 | LAMDA教授，博士联合导师 |
| 3 | Hai-Long Sun（孙海龙） | 10 | 2023-2025 | LAMDA博士生，多模态/持续学习 |
| 4 | Jingyi Ning（宁靖怡） | 7 | 2023-2025 | LAMDA相关，持续学习 |
| 5 | Qi-Wei Wang（王启伟） | 7 | 2022-2024 | LAMDA相关，增量学习 |
| 6 | Fu-Yun Wang（汪福运） | 7 | 2021-2023 | LAMDA成员，增量学习 |
| 7 | Zhen-Hao Xie（谢振昊） | 6 | 2025-2026 | LAMDA成员，CLIP/多模态持续学习 |
| 8 | Ziwei Liu（刘子玮） | 6 | 2023-2025 | 新加坡南洋理工大学MMLab教授，访问合作导师 |
| 9 | Zhi-Hong Qi（祁志红） | 6 | 2023-2025 | LAMDA成员，长尾增量学习 |
| 10 | Lan Li（李兰） | 5 | 2025-2026 | LAMDA博士生，增量学习 |
| 11 | Yan Wang（王岩） | 5 | 2025-2026 | LAMDA相关，预训练模型增量学习 |
| 12 | Bowen Zheng（郑博文） | 5 | 2023-2025 | LAMDA博士生，持续学习 |
| 13 | Jun-Tao Tang（唐俊涛） | 4 | 2026 | LAMDA成员，多模态持续指令微调 |
| 14 | Yu-Cheng Shi（史宇程） | 4 | 2026 | LAMDA成员，多模态持续指令微调 |
| 15 | Lijun Zhang（张利军） | 4 | 2024-2025 | LAMDA教授，在线学习/优化理论 |
| 16 | Yang Yang 0074（杨阳） | 4 | 2019-2023 | 早期增量深度模型合作伙伴 |
| 17 | Tao Hu（胡涛） | 3 | 2025-2026 | 南大AI学院硕士生，周大蔚指导 |
| 18 | Zhenguo Li（李震国） | 3 | 2021-2026 | 华为诺亚方舟实验室AI理论方向负责人 |
| 19 | Zi-Wen Cai（蔡子文） | 3 | 2024-2025 | 预训练模型持续学习合作成员 |
| 20 | Hanbin Zhao（赵汉彬） | 3 | 2024-2025 | 预训练模型增量学习合作成员 |
| 21 | Liang Ma（马亮） | 3 | 2022-2023 | 同花顺相关企业合作研究者 |
| 22 | Shiliang Pu（浦世亮） | 3 | 2022-2023 | 同花顺相关企业合作研究者 |
| 23 | Yi-Kai Zhang（张亦凯） | 3 | 2022-2023 | LAMDA博士生，多模态大模型 |
| 24 | Jia-Qi Yang（杨嘉麒） | 2 | 2026 | LAMDA相关，CLIP增量学习 |
| 25 | Guannan Lai（赖冠南） | 2 | 2025-2026 | LAMDA博士生，模型路由/持续学习 |
| 26 | Yiran Yao（姚一然） | 2 | 2024-2025 | LAMDA相关，长尾增量学习 |
| 27 | Yuanhan Zhang（张元瀚） | 2 | 2023-2025 | 视觉语言模型持续学习合作成员 |
| 28 | Le Gan（甘乐） | 2 | 2024-2025 | LAMDA成员，联邦学习/具身智能 |
| 29 | Qing-Guo Chen（陈庆国） | 2 | 2024-2025 | 阿里巴巴多模态理解方向合作者 |
| 30 | Weihua Luo（罗卫华） | 2 | 2024-2025 | 阿里巴巴多模态方向合作者 |
双导师合作结构： 叶翰嘉、詹德川均与周大蔚合作62次，分别覆盖其73条DBLP记录的约85%。这并非两套彼此独立的合作关系，而是以周大蔚为博士生、两位导师共同构成稳定署名单元的联合指导模式；其首篇记录（2019年）即与詹德川合作，2021年起叶翰嘉进入高频共同作者序列，持续至留校后的2026年。
三、博士教育背景与导师追溯
3.1 南京大学博士阶段（2018-2024）
周大蔚于2018年进入南京大学攻读博士，2024年5月完成博士论文答辩，随后留校任副研究员。博士期间的研究演进清晰：早期从开放集识别、增量深度模型切入；2021-2023年聚焦少样本类别增量学习（FSCIL）、记忆效率与可扩展表征；2024年后系统转向预训练模型、CLIP和视觉语言模型条件下的持续学习。该轨迹将理论方法、视觉模型和基础模型适配相连，为其青年教职阶段的独立研究方向奠定基础。
詹德川与叶翰嘉均为公开列明的博士导师。詹德川提供LAMDA机器学习、增量学习与团队资源的上游学术支撑；叶翰嘉作为直接的青年导师和持续学习/模型复用方向负责人，与周大蔚的共同发表最为密集。两人联合指导使周大蔚同时嵌入LAMDA资深教师网络与叶翰嘉的青年研究小组。
3.2 四代传承链：周志华→詹德川→叶翰嘉→周大蔚
周大蔚位于LAMDA内部一条高度连续的“自培养—留校—再培养”传承链末端：
周志华（LAMDA创始人、教授）
└─ 詹德川（博士2010届，LAMDA教授）
└─ 叶翰嘉（博士2019届，南大副教授；博士联合导师为詹德川、姜远）
└─ 周大蔚（博士2024届，南大副研究员；博士联合导师为叶翰嘉、詹德川）
└─ 胡涛等硕士生（2025年起在周大蔚指导下学习）
这条链条包含两层关系：按直接指导关系，周大蔚由叶翰嘉和詹德川联合指导；按学术谱系，叶翰嘉是詹德川指导的博士生，而詹德川又是周志华的博士生。因此，周大蔚承接了“周志华—詹德川—叶翰嘉”的三代积累，是该链条的第四代青年教师节点。其2024年博士毕业后留校并开始指导硕士生，使链条从单向培养进一步转向代际延续。
3.3 与上游导师网络的关系
| 上游节点 | 与周大蔚的关系 | DBLP直接合作 | 合作特征 |
|---|---|---|---|
| 叶翰嘉 | 博士联合导师、留校后同事 | 62次（2021-2026） | 持续学习、模型复用、CLIP、多模态LLM |
| 詹德川 | 博士联合导师 | 62次（2019-2026） | 增量学习、元学习、团队组织与跨界合作 |
| 姜远 | 叶翰嘉博士联合导师 | 直接合作有限 | 经由叶翰嘉所在LAMDA谱系相连 |
| 周志华 | LAMDA创始人、詹德川博士导师 | 直接合作有限 | 实验室制度、培养体系与上游学术传统 |
周大蔚与周志华、姜远的直接论文数量并非其关系强度的主要体现。其学术位置主要由“叶翰嘉—詹德川”联合指导单元承接，并在LAMDA共同署名、课程/教程和实验室培养体系中与上游网络发生连接。
四、LAMDA团队合作网络
4.1 教师与导师同事层
| 教师 | 合作次数 | 合作年份 | 角色 | 主要交集 |
|---|---|---|---|---|
| 叶翰嘉 | 62 | 2021-2026 | 博士联合导师、同事 | 持续学习、预训练模型复用、多模态模型 |
| 詹德川 | 62 | 2019-2026 | 博士联合导师 | 增量学习、元学习、团队协同 |
| 张利军 | 4 | 2024-2025 | LAMDA教授 | 预训练模型领域增量学习、优化视角 |
叶翰嘉和詹德川共同构成周大蔚最核心的“导师—同事”双中心。周大蔚博士毕业后继续与两位导师高密度合作，这使其既保持了持续学习方向的研究连续性，也将其成果纳入LAMDA更大范围的模型复用、表格学习与多模态LLM网络。张利军与周大蔚合作的DUCT、ENGINE等工作，则把在线学习与优化理论的教师资源引入预训练模型持续适配问题。
4.2 学生与青年成员层
持续学习小组的共同作者呈现明显的代际递进：汪福运、王启伟等是较早共同推进FSCIL方向的成员；孙海龙、宁靖怡、郑博文、祁志红等在2023年后成为预训练模型持续学习阶段的骨干；谢振昊、唐俊涛、史宇程、李兰、胡涛等则推动CLIP与多模态持续学习，或直接接受周大蔚指导。
| 成员 | 合作次数 | 方向/代表性交集 |
|---|---|---|
| 孙海龙 | 10 | PILOT、预训练模型持续学习、多模态 |
| 宁靖怡 | 7 | PTM持续学习综述、视觉语言模型抗遗忘 |
| 王启伟 | 7 | MEMO、类别增量学习综述 |
| 汪福运 | 7 | PyCIL、FACT、BEEF等早期FSCIL研究 |
| 谢振昊 | 6 | CLIP持续学习、多模态持续指令微调 |
| 祁志红 | 6 | 长尾类别增量学习与适配器路由 |
| 李兰 | 5 | 领域增量、CLIP增量学习 |
| 郑博文 | 5 | 特征扩展、类别增量学习 |
| 胡涛 | 3 | 周大蔚指导的硕士生，CLIP/多模态持续学习 |
团队组织特征： 周大蔚并非只在单篇论文中充当共同作者，而是在“工具箱—综述—方法论文—教程”四类产出中持续出现：PyCIL/PILOT/C3Box等工具箱提供工程基座，IJCAI/TPAMI综述梳理研究问题，CVPR/ICLR/ICML/ICCV论文推进方法创新，IJCAI和AAAI教程扩展学术传播。由此形成了面向持续学习研究者的开放协作节点。
4.3 人才培养的起点
周大蔚于2024年留校后已进入LAMDA硕士生招生与培养体系。胡涛2025年进入南京大学人工智能学院攻读硕士，个人主页明确其导师为周大蔚，研究兴趣包括持续学习、预训练模型复用和多模态大语言模型。该关系表明周大蔚已从被联合指导的博士生转为直接承担学生培养的青年导师；与叶翰嘉、詹德川的共同研究网络为其学生提供了跨代际的学术资源。
五、业界合作关系深度分析
5.1 同花顺（Hithink）——少样本类增量学习的直接企业论文通道
| 合作者 | DBLP合作次数 | 合作年份 | 关联方向 |
|---|---|---|---|
| Liang Ma（马亮） | 3 | 2022-2023 | 少样本类增量学习 |
| Shiliang Pu（浦世亮） | 3 | 2022-2023 | 少样本类增量学习 |
| Di Xie（谢迪） | 1 | 2022-2023 | 少样本类增量学习 |
周大蔚与同花顺相关研究者的合作是其个人论文网络中最清晰的持续学习企业通道之一，集中在2022-2023年。代表性论文包括：
- CVPR 2022： Forward Compatible Few-Shot Class-Incremental Learning（周大蔚、汪福运、叶翰嘉、马亮、浦世亮、詹德川）。论文提出FACT，在基础阶段预留未来类别的表征空间，以服务后续少样本类别扩展。
- IEEE TPAMI 2023： Few-Shot Class-Incremental Learning by Sampling Multi-Phase Tasks（周大蔚、叶翰嘉、马亮、谢迪、浦世亮、詹德川）。论文以多阶段任务采样构建元学习式FSCIL训练，并以社交媒体新兴话题、电商新商品类型说明动态分类场景。
同花顺是金融信息服务企业，其研究者参与FSCIL方法研究，表明合作议题具有对动态类别、数据稀缺和模型迭代的现实业务适配性。现有公开论文主要反映联合学术研发与应用问题牵引，不宜将其扩展解读为已经部署到某一具体商业产品。
5.2 华为诺亚方舟实验室——元学习与高效持续适配的长期连接
| 合作者 | DBLP合作次数 | 合作年份 | 所属/身份 |
|---|---|---|---|
| Zhenguo Li（李震国） | 3 | 2021、2024、2026 | 华为诺亚方舟实验室AI理论方向负责人 |
| Lanqing Hong（洪兰青） | 2 | 2021、2024 | 华为诺亚方舟实验室合作者 |
该通道始于元学习，并在周大蔚留校后延伸到持续测试时适配：
- IEEE TPAMI 2024： Contextualizing Meta-Learning via Learning to Decompose。叶翰嘉、周大蔚与华为诺亚合作者Lanqing Hong、Zhenguo Li共同提出LeadNet，通过多表征空间分解实例间关系，以处理支持集中潜在属性差异造成的相似性歧义。
- CVPR 2026： The Golden Subspace: Where Efficiency Meets Generalization in Continual Test-Time Adaptation。赖冠南、周大蔚、Zhenguo Li、叶翰嘉共同研究无源数据、无标签在线数据流下的持续测试时适配；方法以低秩适配器在较小更新子空间中平衡适应效果与在线推理效率，并在分类、分割和自动驾驶场景进行评估。
这条合作线的核心是“有限资源下的泛化与适配”：早期为支持集条件下的元学习建模，后期为流式分布偏移下的高效在线适配。其与华为的联邦学习合作不同；后者主要由詹德川—李新春等团队成员承担，周大蔚的直接合作集中在元学习和持续适配。
5.3 阿里巴巴——多模态大模型与持续指令学习的新增通道
周大蔚在2024-2025年与阿里巴巴多模态方向合作者建立联合发表关系。DBLP中陈庆国、罗卫华、张开富、许钊等人各与其合作2次；主要论文包括：
- NeurIPS 2024： Wings: Learning Multimodal LLMs without Text-only Forgetting，聚焦多模态大模型训练中保持纯文本能力的问题；
- ICML 2025： Parrot: Multilingual Visual Instruction Tuning，面向多语言视觉指令微调；
- Ovis系列相关工作： 与阿里多模态理解方向的开放模型、视觉语言建模合作相衔接。
该通道的意义在于把周大蔚的“抗遗忘”研究从类别增量扩展到多模态LLM训练：过去的对象是类别和视觉表征，新的对象是视觉指令、多语言能力与文本能力保持。合作年限仍较短，当前以联合论文和开源多模态研究成果为主要载体。
5.4 产业问题与技术路线的对应关系
| 产业/应用约束 | 周大蔚相关技术议题 | 代表通道 |
|---|---|---|
| 新类别或新商品样本稀少、旧类别不可遗忘 | 少样本类别增量、前向兼容、原型校准 | 同花顺相关合作 |
| 数据流分布漂移、源数据不可用、在线计算受限 | 持续测试时适配、低秩/小子空间更新 | 华为诺亚合作 |
| 多模态模型不断加入新数据和新指令、需保留原能力 | 多模态抗遗忘、视觉语言模型持续学习 | 阿里巴巴多模态合作 |
| 基础模型庞大、存储/微调成本高 | PTM/CLIP模型复用、适配器和外部知识注入 | LAMDA开源工具箱与顶会论文 |
周大蔚的产学研网络并不以大规模企业名单为特征，而以持续学习这一问题域为主线：不同企业合作对应不同实际约束，学术方法由FSCIL、元学习逐步走向预训练模型与多模态基础模型的高效适配。
5.5 国际学术合作：新加坡南洋理工大学MMLab
Ziwei Liu是周大蔚最主要的国际合作者（6次，2023-2025年）。周大蔚于2022-2023年访问南洋理工大学MMLab并与其密切工作，访问经历将LAMDA的持续学习小组与NTU MMLab连接起来。代表性交集包括：
- Revisiting Class-Incremental Learning with Pre-Trained Models: Generalizability and Adaptivity are All You Need；
- IEEE TPAMI 2024综述 Class-Incremental Learning: A Survey；
- 持续学习、预训练模型适配及相关视觉研究。
该合作不是一次性访问署名，而是在访问期之后仍持续延续至2025年的联合发表通道。它与叶翰嘉、詹德川团队同Ziwei Liu的合作共同构成LAMDA—NTU MMLab在持续学习及视觉基础模型方向的国际连接。
六、Connection圈层总结
第一圈层——双导师与直接师承核心： 叶翰嘉和詹德川各有62次DBLP合作，是周大蔚全部研究网络的双核心。叶翰嘉提供持续学习、模型复用和青年团队组织的直接连接；詹德川提供LAMDA增量学习研究传统与更广阔的课题组资源。周大蔚的博士身份、留校任职和持续共同发表，构成“师生—同事—联合培养”连续关系。
第二圈层——四代LAMDA传承与青年培养： 周大蔚承接“周志华→詹德川→叶翰嘉→周大蔚”的四代学术谱系，是该链条中由2024届博士转为副研究员的最新节点。胡涛等硕士生开始进入其直接指导范围，标志着该谱系已向下一层学生培养延伸。该结构是LAMDA内生培养、毕业留校并建立新研究梯队的典型案例。
第三圈层——持续学习研究小组： 孙海龙（10次）、宁靖怡/王启伟/汪福运（各7次）、谢振昊/刘子玮/祁志红（各6次）等构成稳定的共同研究群。早期成员聚焦少样本类增量与记忆效率，后续成员转向预训练模型、CLIP、长尾学习和多模态指令持续学习；工具箱和综述使这一小组不仅生产论文，也输出开放研究基础设施。
第四圈层——业界合作： 同花顺相关研究者（马亮、浦世亮）是FSCIL阶段最直接的企业论文伙伴；华为诺亚方舟实验室的李震国、洪兰青连接元学习与持续测试时适配；阿里巴巴多模态方向合作者连接视觉语言模型、多语言视觉指令和多模态能力保持。三条通道分别对应动态类别扩展、流式在线适配和多模态基础模型迭代三个产业问题。
第五圈层——国际学术伙伴： 新加坡南洋理工大学MMLab的Ziwei Liu（6次）是最持续的国际合作者。2022-2023年访问经历将周大蔚纳入NTU MMLab网络，并使其预训练模型持续学习研究形成跨国合作延续。
产出规模与发展阶段： 73条DBLP记录中，2023年至2026年7月占57条（78.1%）；63位唯一合作者表明该网络仍以方向聚焦而非无边界扩张为特征。周大蔚的核心学术定位是将持续学习从少样本类别增量问题，系统推进到预训练视觉模型、CLIP、视觉语言模型和多模态指令学习的能力保持与高效适配；其留校和开始指导学生，使这一方向在LAMDA内部具备继续代际传承的组织条件。
七、数据来源与局限性说明
本报告主数据来自DBLP官方作者消歧记录（pid: 120/6109，73条发表记录），并结合以下公开信息源：
- 周大蔚个人主页（履历、博士导师、访问经历、研究方向、论文与新闻）
- DBLP作者搜索API及作者XML记录（发表类型、年度分布、共同作者统计）
- 叶翰嘉、詹德川关系网络报告及LAMDA实验室公开成员/招生信息
- arXiv、CVPR/ICLR/ICML/TPAMI等论文页面与论文署名信息
- 南洋理工大学MMLab、华为诺亚方舟实验室与阿里巴巴相关公开论文/项目资料
- 胡涛个人主页（确认周大蔚已承担硕士生指导）
局限性说明：
- 预印本比例较高： 73条DBLP记录中38条为CoRR/arXiv，部分预印本与后续正式会议或期刊版本可能形成不同DBLP条目；本报告按DBLP记录而非论文去重口径统计。
- 早期教育履历公开信息有限： 个人主页明确披露南京大学博士阶段（2018-2024）、导师与访问经历，但未公开列示本科、硕士院校及博士论文题目，报告不作补充推断。
- 企业任职信息可能随时间变化： 华为、阿里巴巴、同花顺相关合作者的机构归属主要依据合作论文和公开资料所反映的研究时期，未将其视为当前任职状态的永久性表述。
- 合作频次的含义： 叶翰嘉、詹德川各62次的高频合作包含联合指导团队和共同学生的多方署名，反映的是以持续学习方向为核心的团队协作生态，不能简单等同于两两独立项目数。
- 业界合作的边界： 已公开可识别的联合论文、工具开源与应用场景说明了产学研连接；具体项目合同、经费规模、产品部署状态未公开披露，故不在报告中推断。