知识图谱
图谱及推荐组以教育领域为切口，专注于知识图谱和推荐系统研究，分为两个核心研究方向：知识图谱构建研究和未来推荐系统研究。知识图谱构建研究从非结构化的自然语言文本中提取实体和关系等基本元素构建精确且全面的知识图谱，并基于已有的知识图谱推理发现更广泛的未知事实信息，以构建大规模、具有应用潜力的知识图谱，为问答系统、语义搜索和个性化推荐等领域的技术创新提供支持。未来推荐系统研究针对推荐系统中的流行度偏差、公平性、算法歧视、信息茧房等问题，基于知识图谱推理、因果推断等方法研究更具社会责任、更利于用户发展的推荐算法。
图像处理
图像处理组致力于推进国内智慧医疗发展，依托人工智能和大模型技术，以医学影像处理为主要研究对象，并与天津市肿瘤医院紧密合作。研究旨在降低训练成本并提升模型在医疗资源匮乏地区的表现。主要研究方向包括弱监督学习、半监督学习、域自适应研究及域泛化研究。弱监督学习利用粗粒度标注数据，减少对精确标注的依赖，从而降低成本和时间，提升医学影像分析精度。半监督学习结合少量标注数据和大量未标注数据，通过自训练和生成对抗网络等技术，挖掘未标注数据中的信息，增强模型在临床应用中的可靠性。域自适应研究解决模型在不同数据分布下的性能下降问题，通过源域与目标域之间的映射关系，确保模型在多样化临床环境中的适用性。域泛化研究提升模型在未见过的数据分布上的表现能力，通过学习域不变特征，确保模型在新数据分布下的高准确性和鲁棒性，特别是提升在医疗资源匮乏地区的表现效果。
区块链
区块链组的研究涵盖多个前沿和关键技术点。在底层优化方面，区块链组关注分片架构及性能优化，旨在实现区块链系统的高效负载均衡，从而提升系统性能；探索区块链交易并行处理技术，以减少交易冲突并提高系统吞吐量和效率；研究DAG（有向无环图）结构的可扩展性，专注于异步并发区块链结构解决方案，增强区块链系统的扩展性和性能表现。在应用研究方面，区块链组重点研究区块链分布式联邦学习架构，解决传统联邦学习中的单点故障问题，保障数据隐私和安全；在区块链车联网应用领域，探索链上链下协同存储与多方协作的方案，确保车联网数据在全生命周期中的安全保护；研究区块链安全检测技术，结合深度学习识别钓鱼账户，提升区块链网络的安全性。区块链组已在TC、ICDCS等会议上发表近10篇学术论文，申请/授权专利近20项。
语音识别
语音识别组重点关注语音逆推技术，致力于从语音信号中提取信息并推导嘴部运动轨迹，创新性地从音节和音素层面进行内容解析。同时还在语音驱动的虚拟人脸动画生成技术上开展研究，通过将人脸生成过程分为轮廓和表情两个步骤，大幅提高了生成结果的逼真度。语音识别组关注自然语言处理与智能交互的结合，通过语音、手势等多种方式实现自然的人机交互，提升用户体验。同时还探索个性化语音合成和内容推荐技术，通过分析用户的行为和偏好，提供个性化的语音服务和内容，推动语音识别技术在各个领域的广泛应用。基于研究成果，语音识别组建立了多模态数据库，专注于整合语音、图像等多维数据资源，以支持深度学习模型的训练和性能提升。语音识别组已在ICSSP、INTERSPEECH等语音领域顶会发表论文近10篇，申请/授权专利近20项。
新能源
新能源组长期从事风电功率、光伏功率、电网负荷预测等方面的研究，致力于通过深度学习技术为可再生能源系统赋能。组内主要研究方向包括风速/风电功率预测、光伏功率预测、能源系统状态监测与故障诊断、电力系统调度。风速/风电功率预测。提取风电机之间的时空相关性，结合风电场处的气象特征，实现高精度功率/风速预测。光伏功率预测。结合阳光强度、云量、温度等条件，预测光伏发电功率。能源系统状态监测与故障诊断。利用传感器数据进行设备健康监测、研究基于数据驱动的故障诊断算法、分析设备运行数据以预测维护需求。电力系统调度。研究能源系统中的各类电源和能源变换环节的设计与优化，研究可再生能源条件与负荷峰谷差异的优化匹配。课题组近年来发表多篇SCI一区/二区论文，与多次国家电网等企业进行深度合作，共同推动新能源技术的进步和应用。
网络安全
入侵检测系统是入侵检测系统是一种用于监控网络流量和设备的网络安全工具。但面对现在复杂与未知的攻击时，传统的入侵检测系统表现较差，虚报率较高。为了提高入侵检测系统的性能，研究者们将人工智能技术与入侵检测系统结合在了一起。网络安全组主要研究深度学习技术在入侵检测系统上的应用。组内时刻关注深度学习的发展方向与前沿技术，在图神经网络、transformer、大模型等深度学习技术方面已取得一些成果，例如使用图神经网络对DDoS、DoS等攻击进行检测，并且准确率达到99.99%；使用ChatGLM、LLaMA等大语言模型对网络数据进行检测，并在CIC-IDS2017、CIC-DDoS2019等大型公开数据集上达到99%以上的准确率。