IEEE国际自动化科学与工程会议（CASE，全称为International Conference on Automation Science and Engineering）是IEEE机器人与自动化学会（RAS）主办的三大旗舰级会议之一，在自动化领域享有极高声誉。作为跨行业、多学科自动化研究的重要国际学术交流平台，CASE会议致力于推动自动化基础研究的深入发展与广泛应用，汇聚全球顶尖学者与业界精英共同探讨前沿技术。第21届CASE会议（CASE 2025）将于2025年8月17日至21日在美国洛杉矶隆重举行。
在本届会议中，香港科技大学（广州）工业信息与智能研究所（Triple-I）师生团队表现亮眼，共有6篇高质量学术论文成功入选，充分展现了研究所在自动化科学与工程领域的卓越研究实力。
Triple-I专注于工业信息与智能技术的前沿研究与实际应用，致力于探索智能化转型的创新模式与实施路径。研究所积极构建产学研协同创新体系，与政府机构、龙头企业及社会各界建立深度合作关系，共同推动粤港澳大湾区乃至全球工业产业的高质量发展与智能化升级。
目前，Triple-I已与多家国内外知名企业建立战略合作伙伴关系，包括华为技术有限公司、腾讯控股有限公司、广东中鹏热能科技有限公司、安捷利（番禺）电子实业有限公司、中国国际海运集装箱（集团）股份有限公司、施耐德电气（Schneider Electric）以及Movensys Inc.等行业领军企业。合作范围涵盖信息技术、智能制造、新能源等多个战略性新兴产业，为推动科技成果转化与产业创新发展注入强劲动力。
论文一：
Title: Federated Learning for Deep Anomaly Detection with Noisy and Heterogeneous Data
面向带有噪声和异构数据的深度异常检测的联邦学习
Author:
Ao Li, The Hong Kong University of Science and Technology (Guangzhou); The Hong Kong University of Science and Technology
Songze Li, the School of Cyber Science and Engineering, Southeast University; the Engineering Research Center of Blockchain Application, Supervision and Management (Southeast University), Ministry of Education
Fugee Tsung, The Hong Kong University of Science and Technology (Guangzhou); The Hong Kong University of Science and Technology
主要内容：
我们研究在联邦学习框架下进行深度异常检测（DAD）的无监督学习问题。传统的联邦学习算法在实际应用中面临两个主要挑战：1）训练数据中可能含有未知异常；2）客户端的数据通常是非独立同分布的。为了解决上述问题，我们提出了 FedDAD，一个用于训练 DAD 模型的、面向噪声和异构数据的联邦学习框架。FedDAD 利用服务器端少量正常样本作为“锚点”，提升了客户端在异构数据下识别异常的能力。识别出异常数据后，客户端利用对比学习来训练本地特征提取器，进一步增强对正常数据与异常数据的区分能力。实验结果表明，使用 FedDAD 训练得到的模型甚至能够达到与集中式训练的模型相当的性能。
论文二：
Title: Automated Knowledge Graph Construction for Supply Chain Datasets Assisted by LLMs
大语言模型辅助下的供应链数据集知识图谱的自动构建
Author:
Luxuan Wang, The Hong Kong University of Science and Technology (Guangzhou); The Hong Kong University of Science and Technology
Fugee Tsung, The Hong Kong University of Science and Technology (Guangzhou); The Hong Kong University of Science and Technology
主要内容：
在当今数据驱动的供应链管理环境中，在不同资源的利益相关者之间建立联系对于有效的分析和决策至关重要。知识图谱（Knowledge graphs）通过将零散的库存数据组织到语义丰富、相互关联的网络中，从而实现了情境化的理解和强大的推理。然而，由于供应链数据集的多种数据来源（例如，文本、表格）等问题，使得供应链数据集的自动化知识图谱构建极具挑战性。本文提出了利用大型语言模型（LLMs）来解决以上挑战的新框架——AutoKG4SC，该框架可以自动从多种数据来源构建知识图谱以捕获实体之间复杂的相互依赖关系，消除了对特定供应场景知识和人类先验知识的需要。我们通过一个现实中半导体供应案例验证了该框架，证明了AutoKG4SC从供应链数据集构建高质量知识图谱的能力，其有效的知识图谱构建框架和快速策略，可以很容易地适应信息更丰富的数据集和其他应用场景。
论文三：
Title: MCCoder: Streamlining Motion Control with LLM-Assisted Code Generation and Rigorous Verification
MCCoder：融合运动控制及大语言模型辅助的代码生成与严格验证
Author:
Yin Li, The Hong Kong University of Science and Technology (Guangzhou)
Liangwei Wang, The Hong Kong University of Science and Technology (Guangzhou)
Shiyuan Piao, The Hong Kong University of Science and Technology (Guangzhou)
Boo-Ho Yang, MOVENSYS Inc.
Ziyue Li, University of Cologne
Wei Zeng, The Hong Kong University of Science and Technology (Guangzhou)
Fugee Tsung, The Hong Kong University of Science and Technology (Guangzhou); The Hong Kong University of Science and Technology.
主要内容：
大语言模型（LLMs）在代码生成方面展现出巨大潜力，但在工厂自动化，尤其是运动控制领域，编程仍主要依赖人工，调试效率低且存在安全隐患。这主要源于机械与电气系统的高度耦合及严格的安全要求。现有AI辅助编程多数聚焦于PLC，鲜有关注高级语言与函数库的应用。为应对上述挑战，我们提出MCCoder，一种融合LLM与软运动控制器的代码生成系统。MCCoder通过多任务分解、混合型检索增强生成（RAG）及迭代自我修正的结构化流程，结合成熟的运动库提升生成质量；并集成三维仿真器用于直观验证，同时记录完整轨迹实现数据级验证，显著提升代码的准确性与安全性。此外，我们构建了MCEVAL数据集，覆盖不同复杂度的运动任务，用于弥补运动控制代码生成领域缺乏评估标准的空白。实验表明，MCCoder在该数据集上整体性能提升33.09%，在复杂任务上提升达131.77%。
论文四：
Title: Empowering PHM Applications with Time Series Foundation Models: A Unified Multi-Task Learning Approach
基于时间序列基础模型的PHM应用增强：一种统一的多任务学习方法
Author:
Yongzi Yu, The Hong Kong University of Science and Technology (Guangzhou)
Feng Zhu, The Hong Kong Polytechnic University
Di Wang, Shanghai Jiao Tong University
Fugee Tsung, The Hong Kong University of Science and Technology (Guangzhou); The Hong Kong University of Science and Technology
主要内容：
目前，小型的、面向特定任务的模型主导了故障预测与健康管理（Prognostics and Health Management, PHM）应用的开发。然而，这些孤立的模型往往难以应对实际工业环境中存在的多样化和碎片化需求。时间序列基础模型（time-series foundation models）的出现引起了广泛关注，为PHM应用提供了一种更加灵活且高效的方法。本研究探讨了时间序列基础模型如何增强PHM应用。以典型的航空发动机退化数据集为研究背景，我们提出了一种基于预训练时间序列基础模型的新型统一多任务学习方法。具体而言，我们利用这些基础模型作为时间序列表示学习的基础，以应对各种PHM任务。为了适应这些任务的多样化需求，我们设计了针对多任务学习目标的专用输出头。随后，使用特定数据集对预训练基础模型进行微调，以构建本地化的任务专用模型。我们通过使用C-MAPSS数据集进行案例研究，验证了所提方法的有效性。实验结果表明，基础模型在PHM应用开发中具有良好的可行性和显著的效果。
论文五：
Title: An Efficient Dual-Observer Method for Leader-Following Consensus Control of Multiagent Systems
多智能体系统的领导–跟随一致性控制的高效双观测方法
Author:
Ziming Wang, The Hong Kong University of Science and Technology (Guangzhou)
Shiyuan Piao, The Hong Kong University of Science and Technology (Guangzhou)
Yiding Ji, The Hong Kong University of Science and Technology (Guangzhou) ; The Hong Kong University of Science and Technology
Xin Wang, Southwest University
Fugee Tsung, The Hong Kong University of Science and Technology (Guangzhou); The Hong Kong University of Science and Technology
主要内容：
多智能体系统（MASs）控制的许多现有研究主要集中在输出或一致性跟踪问题上，往往忽视了外部干扰的影响和控制资源的高效利用。本文提出了一种新颖的自适应双观察者控制方案，该方案采用切换阈值事件触发策略来优化通信资源的利用。利用神经网络来逼近MASs的非线性动态，并设计自适应控制策略以实现一致性跟踪。然后，我们进行了稳定性分析，以确保每个智能体的输出能够有效跟随领导者的轨迹，并保持可控的有界跟踪误差。此外，我们的方案能够预先选择触发间隔的下限，从而防止芝诺现象出现，这对于控制器的实际应用至关重要。最后，在模拟雷达信号追踪仿真实验上验证了我们所提方法的有效性。
论文六：
Title：Quantify Uncertainty Beyond Covariate Shift in RUL Estimation by Conformal Prediction
通过共形预测量化 RUL 计算中包括变量偏移的不确定性
Author:
Shiyuan Piao, The Hong Kong University of Science and Technology (Guangzhou)
Ying Wang, Shanghai Jiao Tong University
Ruyi Huang, The Hong Kong Polytechnic University
Di Wang, Shanghai Jiao Tong University
Fugee Tsung, The Hong Kong University of Science and Technology (Guangzhou); The Hong Kong University of Science and Technology
主要内容：
近年来，自动化科学与工程（ASE）领域的进步显著提升了工业设备剩余使用寿命（RUL）的预测与健康管理（PHM）方法。虽然准确的RUL预测对机械设备的可靠性至关重要，但深度学习（DL）模型往往忽略了现实世界中的不确定性。不确定性量化（UQ）为风险感知型维护提供了重要的置信度衡量，但仍面临协变量偏移和依赖优化或分布假设等挑战。为了解决这些问题，我们提出了一种自适应共形RUL预测器（ACRP），其性能优于传统方法。我们的方法将共形预测与组加权策略相结合，以一种无需模型、无需分布假设的方式实现不确定性量化，并具有严格的理论保障，确保在协变量偏移条件下生成满足有效性与高效性标准的可靠预测区间。该方法可适配于任何模型，大量实验表明其具备良好的鲁棒性与通用性，从而增强了工业环境中人工智能驱动的PHM解决方案的可信度。
