要说现场能勉强跟得上周昀思路的，除了早就看过论文的邓永华和林院长，那就只有车伟强和那位浙大的答辩老师了，
至于其他三位老师，也听不明白的，但是却他们不得不硬着头皮去听，因为他们是答辩老师，等会儿可能需要提问题，
这就让他们有点汗流浃背了，他们也担心等会儿自己提的问题会不会闹出笑话，更别说林院长还坐在后面旁听。
当PPT放到最后一页的时候，周昀朝台下微微鞠了一躬。
“以上就是我的主要研究内容，请各位老师批评指正。”
顿时，整个会议室陷入了一种诡异的寂静，有点大学课堂上老师请学生站起来回答问题，然后大家都默不作声的感觉。
台下第一排，三位没听懂的老师都很有默契的互相对视了一眼，露出了尴尬的微笑。
终于，那位浙大老师打破了沉默，让另外三位答辩老师如释重负：“周昀同学，你的毕业论文非常优秀，
我对你的分成最优传输框架很感兴趣，你提到使用Gromov-Wasserstein距离来处理模态间的几何不一致，
但能否更深入地解释一下在非欧几里得度量空间中，为什么又要通过FusedGromov-Wasserstein变体来平衡内容和结构对齐？
此外，在高维嵌入中，你如何通过谱正则化来确保求解的数值稳定性？”
此时的周昀已经完全地进入了状态，他点了点头：“非常好的问题，GW距离确实擅长捕捉跨域结构相似性，
但对于多模态语义对齐，我们需要同时考虑特征内容和关系结构，因此我采用了FGW，它结合了经典OT的内容传输和GW的结构匹配。”
他说着走到讲台旁边，拉过一旁的白板，拿起笔开始边写边讲：“FGW的定义为：FGW_α(μ，ν，C_X，C_Y，D)=(1-α)OT(μ，ν，D)+αGW(μ，ν，C_X，C_Y)，
其中α∈[0，1]是融合参数，D是内容成本矩阵（如||x-y||^p），C_X和C_Y是各自模态的内部相似矩阵，
在非欧几里得空间中，比如视觉嵌入的球面流形或语言的超双曲空间，我将度量泛化为Riemannian度量
......
不知道这是否能解决您的第一个问题？”
浙大老师点点头：“可以了。”
周昀点点头，将白板上的内容擦去：“好，那接下来我回答您的第二个问题。”
马克笔不断在白板上写下各种奇怪的符号，至少在一些旁听的老师和学生眼里是这样的。
“对于高维嵌入的数值稳定性，维度灾难会导致C_X和C_Y的谱不稳定，我引入了谱正则化：对相似矩阵施加核范数罚项，min||C||*+λ||C-K||F^2
......
这样就能这确保了在噪声环境下，FGW的梯度下降不会发散，实验中在ImageNet-1K上的鲁棒性提升了15%。”
浙大老师并没有第一时间回答，而是重新翻到了论文的对应页面，看了一会儿才朝着周昀点了点头，眼里满是对周昀的欣赏：“我没问题了。”
此时，车伟强也放下了手里的笔，朝周昀笑了笑：“周昀同学，你的论文写得非常扎实，理论深度就算是我都有些自愧不如，
不过你能否解释一下关于你在多模态融合中提到的Schrödinger桥框架，在高维嵌入中，你如何处理SB路径优化的非凸性问题以保证收敛？”
旁听学生中有车伟强的学生，当他们看到老师脸上的笑容时，心中浮现出三个字——科幻片！
入学一两年以来，他们从来没见过车伟强在他们面前笑过。