可信评估
设计能够反映未来部署环境、而不是随机划分数据的评估方法。
欢迎来到我的主页
冯鹏宇
可信机器学习与图表示学习方向的本科生研究者。
俄亥俄州立大学 · 计算机科学与工程 · 大二
你好，我是冯鹏宇。我喜欢把现实世界中的复杂问题转化为可检验的机器学习实验，目前关注可信图学习、时间分布变化和高风险场景中的人工智能。
研究方向
我正在研究的问题
图表示学习
在学习网络结构的同时，保留微弱但关键的节点级信号。
应用人工智能
研究误报、分布漂移和标签稀缺真正影响结果的机器学习问题。
代表性论文
研究与发表
每篇论文均有独立详情页，包含摘要、实验协议、论文报告结果与代表图表。
2026
全文论文已录用 · TELEPE 2026
概念漂移下比特币反洗钱的拓扑韧性：一种解耦双路径图神经网络
Exploring Topological Resilience: A Decoupled Dual-Pathway Graph Neural Network for Bitcoin Anti-Money Laundering under Concept Drift
在仅使用 94 维本地交易特征的条件下，对比特币反洗钱模型进行严格的时间外评估，并提出将拓扑学习与本地特征保留分离的双路径图模型 TSG-Net。
论文报告的测试结果：非法类精确率 0.96、召回率 0.61、F1 0.75。
2025
已发表 · IEEE ACCTCS 2025
机器学习与深度学习在医学图像分割中的应用——以肝脏 CT 图像为例
Application of Machine Learning and Deep Learning in Medical Image Segmentation—an Example of Liver CT Images
对传统机器学习与卷积方法在肝脏 CT 分割中的应用进行比较，涵盖预处理、评价指标和 U-Net 的潜在改进方向。
DOI: 10.1109/ACCTCS66275.2025.00026
教育与研究
经历
俄亥俄州立大学
计算机科学与工程本科生 · 大二
目前关注可信机器学习、图学习、时间分布变化与金融取证。
比特币反洗钱中的时间图学习
独立研究 · TELEPE 2026 全文论文已录用
构建避免时间泄漏的评估协议，并研究双路径图神经网络在严格时间划分下的表现。
肝脏 CT 图像分割
独立研究 · 发表于 IEEE 会议论文集
完成第一个完整科研闭环，包括文献研究、模型比较、结果分析与学术写作。
关于我
关注基准测试与真实应用之间的落差。
我在大一从医学图像分割开始科研。这个项目让我学习了如何组织研究问题、比较方法，并把一篇论文推进到正式发表。
目前，我更关注严格评估：按时间划分数据、信息受限场景、类别不平衡，以及对失败案例的透明报告。我也希望参与可信图学习和高风险人工智能方向的研究合作。
联系方式
研究交流与合作
欢迎通过邮件联系我。