深度神经网络最主要的应用之一是图像与文本分类。由于训练数据通常存在一定的缺陷，许多研究对常规的“深度神经网络+交叉熵损失”分类方法进行了改进。经过广泛调研，我们发现许多算法本质上是对训练数据的一种扰动。为此，我们提出了一个深度学习数据扰动分类体系，系统梳理了相关算法。该体系不仅能将表面上毫无关联的算法建立起内在联系，还可衍生出新的分类算法。受此启发，我们设计了逻辑向量扰动算法与反对抗样本学习算法，从理论上分析了这些算法的有效性，并将其应用于不平衡学习、多标签学习等任务，取得了良好的效果。相关成果发表在ACM TKDD、IEEE TPAM1、AAAI等国际期刊与会议上。此外，本报告还将讨论当前LLM应用趋势下的数据优化新挑战。

国科大杭州高等研究院智能科学与技术学院教授、博士生导师。曾就职于中科院自动化所模式识别国家重点实验室、天津大学国家应用数学中心。先后负责了二十余项包括国家自然基金、天津市重点在内的科研项目以及企业横向委托研发课题。曾获中国专利奖、北京科学技术一等奖、中国电子学会优秀硕士指导教师等奖励。目前研究方向为人工智能中的数据优化、合成与安全。