玄钧智能 · 科研路线图

[ STRATEGIC PRINCIPLES ]

四大战略原则

// 01

▸ 理论先行

每个产品功能先写研究文档，再写代码。所有模型必须对应可证明的数学形式化。

// 02

▸ 数据为王

自建中文心理学数据集，对接真实用户（脱敏），发布 HL-DLEP 协议。

// 03

▸ 伦理即品牌

隐私优先（DP-SGD）、危机兜底（人工介入）、不滥用。不做噱头营销。

// 04

▸ 数学形式化

"这些不都得有数学模型嘛"，每个决策、每个阈值、每个隐私预算都能用公式表达。

[ RESEARCH QUESTIONS ]

核心研究问题

RQ1

▸ 多任务情感识别

在中文数字遗产对话场景下，如何构建一个能同时识别细粒度情感（21 类）、心理危机等级（PHQ-9/GAD-7 风格）、人格维度（Big Five）的多任务模型？

RQ2

▸ 隐私约束下的可用性

面对 GDPR / 个保法与数据稀缺（罕见危机样本），如何在 ε ≤ 1.0 的差分隐私预算下训练仍可用（F1 ≥ 0.80）的模型？

RQ3

▸ 长程陪伴的人格漂移

当模型部署到长程陪伴场景（用户连续对话数月）时，人格漂移（personality drift）和情感稳态（emotional homeostasis）如何形式化度量？

RQ4

▸ 多 Agent 伦理决策

在多 Agent 伦理决策（遗愿 vs. 家庭 vs. 法律 vs. AI）中，能否用 Arrow 不可能性定理 + 加权社会选择 框架给出可解释的决策路径？

[ METHODOLOGY · MATHEMATICAL FORMALISM ]

方法论与数学形式化

// M1 · MULTI-TASK LOSS

多任务损失函数

GradNorm（Chen et al., 2018）动态调节三任务权重：

ℒ = α · ℒ_emotion + β · ℒ_crisis + γ · ℒ_personality

ℒ_emotion = 21 维多标签交叉熵（sigmoid）
ℒ_crisis = 5 级有序回归（ordinal regression）
ℒ_personality = 5 维回归（MSE）

// M2 · DP-SGD

差分隐私随机梯度下降

理论保证 (ε, δ)-Rényi DP，Abadi et al. 2016：

σ = √(2 · log(1.25 / δ)) / ε

梯度裁剪阈值 C = 1.0
目标隐私预算 ε ≤ 1.0, δ ≤ 10⁻⁵
理论下界：模型效用损失 O(√(d·log(1/δ)) / (n·ε))

// M3 · DRIFT METRIC

人格漂移度量

连续 t 个对话的人格预测漂移：

D_t = (1 / (t − 1)) · Σᵢ ‖p̂ᵢ − p̂ᵢ₋₁‖₂

稳态条件：D_t < τ 连续 K 轮（τ = 0.05, K = 10）
收敛速率：理论上界 O(1/√T)（Matusita 距离）

// M4 · MULTI-AGENT

加权社会选择决策

Arrow 不可能性 + Constitutional AI 原则约束：

a* = argmax_a Σᵢ wᵢ · uᵢ(a)
subject to Σwᵢ = 1, w_AI ≤ 0.3

N = { 遗愿执行者, 家庭, 法律, 平台, AI 自身 }
偏好 uᵢ ∈ ℝᵐ 满足 Pareto 与 IIA
Theorem: 上述加权机制满足 Pareto + 弱非独裁性

[ EXPERIMENTAL RESULTS ]

已完成的Baseline 实验

3 个实验 / 5 个随机种子 / 5-fold 交叉验证 · 所有数据公开可复现

// EXPERIMENT 001

Pipeline 验证

sklearn TF-IDF + LR · 合成数据 1000 条

Accuracy

1.0000±0.0000

F1 Macro

1.0000±0.0000

Cohen's κ

1.0000±0.0000

Train Time

0.01sec

✓ Pipeline 验证通过。
✓ 数据特征：合成无噪声，100% 区分。
⚠ 仅作 sanity check，不具备科研结论效力。

// EXPERIMENT 002

真实感数据集

加入 5% 噪声 + 中性 / 矛盾 / 反讽样本

Accuracy

0.9450±0.0106

F1 Macro

0.9438±0.0109

Cohen's κ

0.8875±0.0217

ROC AUC

0.9481±0.0168

✓ F1 = 0.94，达到工业级可用水平。
✓ Cohen's κ > 0.85（"almost perfect"）。
✓ 已具备部署意义。

// EXPERIMENT 003 · LATEST

高难度基准

10% 噪声 + 20% 矛盾 / 反讽 · 1488 条

Accuracy

0.8946±0.0222

F1 Macro

0.8896±0.0233

Cohen's κ

0.7793±0.0465

ROC AUC

0.8805±0.0177

✓ F1 = 0.89，与 BiLSTM @ ChnSentiCorp 公开 ~0.85 相当。
✓ Cohen's κ = 0.78（"substantial"）。
✓ 发表级 baseline 已建立。

// F1 COMPARISON

F1 Macro 演进（5 seeds mean）

实验 001 · Pipeline 验证1.0000

实验 002 · 真实感数据集0.9438 ± 0.0109

实验 003 · 高难度基准0.8896 ± 0.0233

实验 004 · 特征工程改进 (word+char)0.8896 ± 0.0233

实验 005 · 模型对比（4 模型均值）~0.902

★ 实验 006 · 真实数据 ChnSentiCorp (新)0.8511 ± 0.0127

参照：BiLSTM @ ChnSentiCorp~0.85

关键发现：特征工程改进（004）和模型选择（005）均未突破 0.90 上限 → 经典方法在合成数据上已饱和。

下一步：升级到 BERT 微调（chinese-bert-wwm-ext），目标 F1 ≥ 0.94，突破信息瓶颈。

BERT 微调 Multi-task 21 类情感

[ 5-YEAR PUBLICATION ROADMAP ]

5 篇学术论文目标

ACL · CHI · EMNLP · NeurIPS · Nature Digital Health

ACL 2027 Phase 2 进行中

▸ Multi-task Learning for Fine-grained Chinese Emotion in Digital Legacy Dialogue

21 类情感本体 + 多任务架构 · 截止 2027-05

EMNLP 2027 待启动

▸ Privacy-Preserving Mental Health Crisis Detection with DP-SGD (ε ≤ 1.0)

DP-SGD 隐私训练 · 心理危机识别 · 截止 2027-06

CHI 2028 待启动

▸ Personality Drift in Long-term AI Companionship: A Mixed-Methods Study

人格漂移度量 + 用户研究 · 截止 2027-09

NeurIPS 2028 待启动

▸ Multi-Agent Ethical Decision Framework for Digital Legacy

Arrow 不可能性 + 加权社会选择 · 截止 2028-05

NATURE DIGITAL HEALTH 2029 待启动

▸ A Digital Companion for End-of-Life Psychological Care: A Randomized Controlled Trial

RCT 临床试验 · IRB 审批 · 真实用户 200 人 · 截止 2028-09

[ MILESTONES ]

项目里程碑

PHASE 0 · 2026 Q3

▸ 研究路线图 + 文献综述

问题陈述、4 个研究问题、文献综述、方法论、5 篇论文目标。

PHASE 1 · 2026 Q4

▸ 最小可验证原型 + Baseline 实验

3 个 baseline 实验已完成。F1 = 0.89，与 BiLSTM @ ChnSentiCorp 相当。

PHASE 2A · 2027 H1 · 进行中

▸ 自建中文心理危机语料

对接 Xynapse 真实用户数据（脱敏）+ 临床合作 + 人工标注。需 IRB 审批。

PHASE 2B · 2027 H2

▸ BERT 微调 + 多任务学习

chinese-bert-wwm-ext 微调 + GradNorm 多任务 + 目标 F1 ≥ 0.94。需 GPU 服务器。

PHASE 2C · 2027 H2

▸ DP-SGD 隐私训练

在 ε ≤ 1.0 预算下训练，理论保证 (ε, δ)-Rényi DP。

PHASE 3 · 2027 Q4 to 2029 Q4

▸ 5 篇学术论文

ACL 2027 → EMNLP 2027 → CHI 2028 → NeurIPS 2028 → Nature DH 2029。

[ RISK MANAGEMENT ]

风险识别与缓解策略

等级

风险

概率

缓解策略

高

数据隐私合规问题（GDPR / 个保法）

高

DP-SGD + 联邦学习 + 严格脱敏 + 第三方审计

高

心理危机标注错误（漏检自杀风险）

中

三人独立标注 + Cohen's κ ≥ 0.7 + 临床心理师终审

高

模型过度诊断（误判为高危）

中

高阈值 (FPR ≤ 5%) + 强制转人工兜底 + 可关闭

中

学术论文被拒

高

多会议投稿 + arXiv 预印本 + 持续打磨

低

伦理审查不通过

中

IRB 审批 + 伦理委员会监督 + 公开审查报告

低

GPU 资源不足

中

云端 GPU 弹性租用 + LoRA 减少显存

[ EXPERIMENT LOG ]

完整实验数据公开

所有实验代码、数据、报告 JSON 均托管在公司内网。
数据：/home/serverchnsd/research/iamyours/
论文投稿时可提供完整复现包 + 公开数据集镜像。

▶ 查看实验结果 I Am Yours 产品页 →

▸ 学术合作邀请

我们正在寻找：
· 中文情感计算 / 心理危机识别方向合作学者
· 临床心理咨询机构（标注 / IRB）
· GPU 算力赞助（学术合作）
· ACL / EMNLP / NeurIPS / CHI 同行审稿

联系合作 →