Yang Yun, Hu Yuanyuan, Zhang Xingyi, Wang Song. Two-Stage Selective Ensemble of CNN via Deep Tree Training for Medical Image Classification[J]. IEEE Transactions on Cybernetics, 2022, 52: 9194-9207.
Yang Yun, Rao Yulong, Yu Minghao, Kang Yan. Multi-layer information fusion based on graph convolutional network for knowledge-driven herb recommendation[J]. Neural Networks, 2022, 146: 1-10.
Xia Yuelong, Chen Ke, Yang Yun. Multi-Label Classification with Weighted Classifier Selection and Stacked Ensemble[J]. Information Sciences, 2021, 557: 421-442.
Du Fei, Yang Peng, Jia Qi, Nan Fengtao, Chen Xiaoting, Yang Yun. Global and Local Mixture Consistency Cumulative Learning for Long-tailed Visual Recognitions[C]. IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2023: 15814-15823.
Du Fei, Yang Yun, Zhao Ziyuan, Zeng Zeng. Efficient Perturbation Inference and Expandable Network for continual learning[J]. Neural Networks, 2023, 159: 97-106.
Qi Jun, Yang Po, Newcombe Lee, Peng Xiyang, Yang Yun, Zhao Zhong. An Overview of Data Fusion Techniques for Internet of Things enabled Physical Activity Recognition And Measure[J]. Information Fusion, 2020, 55: 269-280.
Qi Jun, Yang Po, Waraich Atif, Deng Zhikun, Zhao Youbin, Yang Yun. Examining sensor-based physical activity recognition and monitoring for healthcare using Internet of Things: A systematic review[J]. Journal of biomedical informatics, 2018, 87: 138-153.
Qi Jun, Yang Po, Hanneghan Martin, Tang Stephen, Zhou Bo. A Hybrid Hierarchical Framework for Gym Physical Activity Recognition and Measurement Using Wearable Sensors[J]. IEEE Internet of Things Journal, 2019, 6: 1384-1393.
我单位祁君老师参与的“模型-知识-数据”集成：面向基层医养的集成智能理论与方法”项目拟申报2026年度云南省科学技术奖，特进行公示，公示期为2026年4月16日-2026年4月22日，共5个工作日。
公示期内，如对公示内容有异议，请以书面方式实名向我校科研生产力和创新办公室反映，并提供必要的证据材料，以便核实查证。提出异议的个人必须在书面异议材料上签名，并提供有效联系方式。凡匿名、冒名和超出期限的异议不予受理，公示详情如下：
一、项目名称：“模型-知识-数据”集成：面向基层医养的集成智能理论与方法
二、提名者：云南大学
提名等级：云南省自然科学一等奖
三、项目简介
本项目属于人工智能及交叉领域方向。面向“健康中国2030”国家战略，聚焦人工智能赋能云南基层医养服务所面临标注数据匮乏、标签类别高度不均衡、中医处方依赖经验传承、物联网健康监测数据异构动态等困境，凝练以下科学问题：在模型受限、知识失衡、数据割裂的复杂开放环境下，如何构建鲁棒、可扩展、协同的集成智能算法与模型。为此，本项目突破了单一模型、单一知识源、单一数据模态的局限，以“集成”为主线，确立了以“模型集成—知识集成—数据集成”自顶向下的集成智能理论与方法框架，构建了以模型集成为决策中枢、以知识集成为演化机制、以数据集成为感知基石的集成智能研究体系。
1．面向深度学习与多标签学习的模型集成理论：针对深度学习模型梯度消失、过拟合，多标签分类中标签关联复杂、分类器冗余以及外部先验知识难以有效融合导致的模型受限问题，提出了“结构—决策—增强”三层递进的模型集成理论。在模型结构层面，提出深度树训练与两阶段选择性集成方法，通过在隐藏层构建多输出分支补充梯度流，并依据准确率与双重故障多样性自动筛选最优子集加权融合，从源头缓解了梯度消失与过拟合问题。在决策输出层面，建立带稀疏正则化的加权堆叠集成模型，引入图拉普拉斯正则化精准建模标签间潜在相关性，将模型集成理论从单标签推广至高维多标签空间。在知识增强层面，构建领域知识图谱驱动的多层图卷积网络，将复杂领域先验知识通过多通道信息融合嵌入深度网络，实现知识增强的模型集成。
2.面向稀缺知识保护与持续演进的动态知识集成机制：针对长尾数据分布易丢失尾部稀缺知识、增量学习易发生知识灾难性遗忘所导致的知识失衡问题，构建了稀缺知识保护与动态知识集成互补的协同机制。在知识分布层面，提出全局与局部混合一致性累积学习，通过最小化MixUp与CutMix增强批次间表示差异注入隐含先验知识，设计头尾软标签重加权损失，实现知识向尾部平稳迁移，建立稀缺知识保护机制。在知识演化层面，建立轻量级编解码架构动态扩展解码器以隔离旧知识，引入混合标签不确定性学习与推理期扰动均值估计，突破固化架构演进瓶颈，实现新旧知识高效协同的动态知识集成。
3.面向多源异构感知的物理活动数据集成方法：针对多源异构感知数据集成的理论顶层设计缺失、技术体系匮乏与算法创新不足所导致的数据割裂问题，建立了“理论—技术—算法”三维一体的数据集成方法体系。在理论层面，提出异构感知数据对齐理论，构建“设备-主体-时序”异构表征空间，破除了非受控环境下跨模态数据异构壁垒，为多源数据集成奠定了理论基石。在技术层面，打通了从底层多模态信号清洗、时空对齐到高层语义抽取的端到端数据集成链路，构建了物联网环境下物理活动数据处理的数据流转与对齐范式。在算法层面，设计了混合分层识别框架，深度融合单类支持向量机、神经网络与隐马尔可夫模型，实现了噪声隔离、空间特征映射与动态时序分析的机理统一。
通过科技查新，上述科学发现点除项目组所发表的成果外，未见其它研究文献报道。
项目组在中科院一区Top、CCF推荐A类等顶刊顶会发表论文45篇，其中8篇代表性论文他引563次，20篇核心论文他引1632次，高被引论文1篇，获20余位国内外院士及权威专家引用与高度评价。项目负责人先后入选国家级“网信优秀人才培养支持项目”，云南省“海外高层次人才引进计划”、“杰青”、“中青年学术技术带头人”。
四、代表性论文专著目录
五、主要完成人基本情况
联系人：徐修然
联系电话：81889062
西交利物浦大学
2026年4月16日