个人简介
傅祉珏，现年22岁，籍贯香港特别行政区，网络昵称 Billyfu。目前为中山大学计算机学院计算机科学与技术系的大三在读学生。在中山大学的求学过程中，积极参与学生事务的管理与服务工作，曾任第五十次学生代表大会的常任代表，深度参与学校重大决策的讨论与制定流程，并负责监督学生会日常的学生工作管理。作为计算机学院2024届学长团的核心构成部分，专注于为新生提供学术指导与专业发展规划方面的支持。在学业生涯中，先后担任过2021级3班与2022级9班的学习委员，成功组织并策划了多项活动，因出色的表现，荣获优秀学生骨干的称号。2021年，在担任港澳台侨班级临时负责人的职务期间，致力于搭建跨文化交流平台，积极促进多元文化的交流与融合。
在学术研究领域，目前的研究方向聚焦于人工智能的前沿领域，尤其在强化学习算法及其在复杂决策系统中的应用研究方面有着深入的体会。在医学人工智能领域，专注于计算机辅助诊疗智能体的开发与医学影像分析技术的创新应用，致力于推动人工智能技术与医疗健康领域的深度融合。目前参与的多个研究项目均与强化学习和计算机辅助医学智能体相关。
除学术研究外，致力于音乐创作领域，擅长运用数字音频技术结合管弦乐团进行编曲与作曲，音乐作品融合了多种音乐风格。作为资深的游戏玩家，在《我的世界》游戏社区中，专注于服务器的规划及跑酷速通的研究，目前正在搭建属于自己的服务器 BillySMP。同时，在 Bilibili 网站上拥有个人自媒体账户，致力于知识的传播、科普内容的分享以及学术研究之余的生活片段的记录。这些跨领域的实践经历，为学术研究提供了独特的创新视角与思维模式。
欢迎志同道合的同学与我交流学习，如想与我联系，可通过以下方式联系到我：
- 电子邮箱：futszkok@gmail.com
- 工作邮箱：futk@mail2.sysu.edu.cn
- 联系地址：广东省广州市番禺区小谷围街道外环东路132号中山大学东校区
研究领域
强化学习及其应用，医学计算机辅助智能体，医学影像分析。
教育背景
2021.09-2026.06 中山大学 计算机科学与技术 本科 Advisor：陆遥 教授
科研（项目）经历
基于强化学习的医学影像配准方法研究 项目负责人 2024.09-至今
医学影像配准是临床诊疗中的重要环节，通过将不同时间、不同模态或不同个体的医学影像进行空间对齐，帮助医生更准确地对比病情变化、制定治疗方案。在MRI、CT等影像检查中，由于患者体位、设备参数等因素的影响，同一患者不同次检查或不同患者间的影像存在显著差异，这些差异可能影响诊断准确性。本项目针对现有深度学习方法在医学影像配准中存在的不可解释性、配准结果不稳定等问题，探索基于强化学习的智能配准方法。通过设计专门的强化学习智能体，模拟医生进行影像配准的决策过程，在保证配准精度的同时提高方法的可解释性。目前与中山大学肿瘤防治中心开展合作研究，重点探索该方法在肿瘤靶向放射治疗计划制定中的应用价值。
- 个人职责：作为项目负责人，全面负责医学影像配准智能体的算法设计与开发工作。具体包括：分析临床影像数据特点，设计适合医学影像配准的强化学习框架；开发基于SAC算法的刚性配准智能体，实现初步的影像对齐功能；规划多智能体协同配准方案，研究非刚性配准的实现路径；设计并执行配准效果评估实验，验证方法的有效性。
- 技术路线：采用Soft Actor-Critic（SAC）强化学习算法构建基础配准智能体，利用其熵最大化特性提高探索效率；设计多智能体协同框架，通过智能体间的信息共享和策略协调处理复杂配准任务；使用ITK、SimpleITK等医学图像处理库进行影像预处理和特征提取；基于PyTorch框架实现网络模型，利用GPU加速训练过程。
- 项目成效：目前已完成刚性配准智能体的开发，在腹部CT数据集上的实验显示，配准精度达到临床可用水平，较传统方法有明显提升。正在进行多智能体协同配准的研究，重点解决非刚性形变情况下的配准问题。项目成果有望为临床医学影像分析提供更可靠、可解释的智能配准工具。
基于强化学习的法医物证多人身份鉴定问题研究 项目负责人 2025.04-2025.06
法医物证鉴定在刑事案件侦破中具有关键作用，其中基于STR（短串联重复序列）的DNA分析技术是核心手段。在多人参与的犯罪现场，混合STR图谱的分析尤为困难，需要准确推断参与人数、各人贡献比例以及具体贡献者身份。传统分析方法依赖专家经验，效率较低且一致性不足。近年来，虽然深度学习在生物特征识别方面取得进展，但在法医DNA鉴定领域面临标注数据稀缺、模型决策过程不透明、难以适应复杂现场条件等挑战。本项目创新性地引入强化学习方法，通过设计专门的智能体和奖励机制，让系统能够从有限的标注数据中学习有效的分析策略，并逐步适应各种复杂的实际案件场景。
- 个人职责：负责整体研究方案的设计与实施。具体包括：分析混合STR图谱的特点和鉴定需求，拆解为可量化的强化学习任务；针对人数推断、贡献度分析、贡献者识别和波形去噪等子任务，分别设计合适的强化学习算法；协调生物信息学专家，构建符合实际案件特点的模拟训练环境；优化算法在真实案件数据上的表现，确保结果满足司法证据要求。
- 技术路线：针对人数推断任务，采用REINFORCE算法处理离散的分类问题；对于贡献度分析这类连续值预测问题，使用SAC算法实现精确回归；在贡献者识别任务中，引入蒙特卡洛树搜索（MCTS）来提高匹配准确性；采用DDPG算法处理波形去噪任务，平衡去噪效果和特征保留。所有模型均基于PyTorch实现，利用GPU集群加速训练。
- 项目成效：目前系统在模拟数据集上的初步测试显示：人数推断准确率达到90%以上，能够正确识别2-5人的混合样本；贡献度分析的平均误差控制在5%以内，满足案件分析的基本要求；贡献者识别的准确率超过80%，显著高于传统方法；波形去噪任务的平均误差低于10%，有效提升了STR峰型识别率。这些结果为后续实际案件应用奠定了良好基础。
全屋智能设备权限管理与多用户共享系统（YatSpark） 项目负责人 2025.04-2025.06
随着物联网技术和智能家居设备的广泛普及，全屋智能正加速进入普通家庭。然而，现有系统在面对多用户环境时，常出现权限控制单一、共享混乱与使用行为难以追溯等问题，严重影响用户体验与设备安全。为此，本项目提出开发 YatSpark（全屋智能设备权限管理与多用户共享系统），致力于通过身份认证、权限分配、共享规则管理与操作日志审计等功能，构建一个安全、可控、协同的智能家居环境。YatSpark 不仅支持用户角色区分与权限细化设置，还强化了使用安全性和行为可追踪性，适用于复杂家庭成员结构下的智能设备共享需求，推动智能家居从“个体使用”迈向“多用户协同”。
- 个人职责：作为项目负责人，统筹系统开发全过程。具体工作包括：组织需求分析，确定系统功能范围和性能指标；设计系统整体架构，划分功能模块；协调前后端开发团队，确保各模块顺利集成；参与核心业务逻辑的编码实现，特别是权限管理算法部分；组织系统测试，确保功能完整性和性能达标；负责项目进度管理和成果汇报。
- 技术路线：YatSpark 采用前后端分离架构，前端基于 uni-app 实现一次开发、多端适配，支持网页、小程序与移动 App 的统一体验。后端使用 Spring Boot 构建 REST API，结合 JWT 实现无状态身份认证与权限控制，支持多用户角色分配、设备管理与日志审计。通过 MyBatis 与事务机制保障数据一致性，系统具备良好的可扩展性与跨平台部署能力，适用于多用户智能家居场景。
- 项目成效：YatSpark 系统在功能与性能测试中表现出良好的稳定性与实用性，核心模块如权限隔离、精细授权、电器控制与日志审计均通过验证，满足多用户场景下的智能家居权限管理需求。系统响应时延低于1秒，资源占用控制良好，可支持常见并发访问压力。验收阶段未发现严重缺陷，具备上线发布条件。
智能家庭场景下隐私保护的视频异常行为检测算法研究 项目负责人 2023.12-2024.12
家庭安防摄像头的普及带来了隐私泄露的风险。传统的云端视频分析方案需要将原始视频数据上传至服务器，存在严重的隐私隐患。本项目研究在保护隐私的前提下实现高效视频分析的技术方案，通过在设备端进行智能模糊化处理，去除身份特征同时保留行为信息，使边缘服务器能够进行有效的异常行为检测而不获取用户敏感信息。该技术可应用于独居老人看护、儿童安全监护等场景，在保障安全的同时尊重用户隐私。
- 个人职责：作为项目负责人，主导算法研究和系统开发。具体工作包括：分析视频数据中的隐私敏感区域和行为特征；设计自适应模糊化算法，平衡隐私保护和特征保留；开发轻量级行为检测模型，适应边缘计算环境；优化系统整体架构，降低端到端延迟；组织数据集收集和标注工作；设计并执行对比实验，验证方案有效性。
- 技术路线：采用动态高斯滤波实现自适应的隐私区域模糊化；基于SSD框架实现空间特征提取，结合CNN-LSTM网络建模时序行为模式；通过OpenCV实现实时视频处理流水线。
- 项目成效：最终系统在保护隐私的同时，异常行为检测准确率达到90%以上，较传统方案提升15%；平均响应延迟0.26秒，比云端方案提升45%；身份信息泄露风险降低70%以上。项目为智能家居场景下的隐私保护视频分析提供了可行的技术方案。
基于乐句的乐谱生成语言设计与编译 项目负责人 2025.03-至今
现有乐谱编辑工具存在两极分化问题：图形化软件（如MuseScore）操作直观但缺乏结构化表达能力；文本排版系统（如LilyPond）专业性强但学习成本高。这限制了计算机在音乐创作和分析中的应用。本项目提出YatOrc语言，以乐句为基本单元设计专用领域语言（DSL），让音乐创作者可以用更接近自然音乐思维的方式表达乐谱，同时保持计算机可处理的精确性。YatOrc编译器将高级音乐描述转换为标准MusicXML格式，兼容主流乐谱软件，为音乐AI研究和计算机辅助作曲提供基础工具。
- 个人职责：负责语言设计和编译器开发的全部工作。具体包括：分析音乐创作中的常见模式和结构，设计语言的核心语法；定义语言的上下文无关文法，明确词法和语法规则；实现词法分析器和语法分析器，完成从源代码到抽象语法树的转换；设计语法制导翻译方案，生成中间表示和目标代码；开发与现有乐谱软件的接口，确保输出兼容性；优化编译器性能，提高处理效率。
- 技术路线：项目在研中，仍处于设计阶段。
- 项目成效：项目在研中，仍处于设计阶段。