一、导师简介
Prof. Wing Kwong CHAN（陈荣光）现任香港城市大学计算机科学系副教授，兼任软件工程与方法学实验室（CityUCS Laboratory of Software Engineering and Methodology）主任。其学术背景集中于香港大学，先后获得计算机工程学士学位（BEng）、哲学硕士学位（MPhil）及博士学位（PhD）。值得注意的是，Prof. CHAN在重返学术界完成博士研究前，曾于产业界从事多年软件应用开发与管理，这一经历使其研究兼具理论深度与工程实践导向。
学术服务方面，Prof. CHAN自2008年起担任Journal of Systems and Software编委会成员，并于2013年起担任该期刊特刊编辑；同时担任International Journal of Creative Computing编辑（2015年至今）及International Journal of Big Data Intelligent顾问编辑。在会议组织层面，其曾担任QSIC'10与AST'10程序委员会联合主席、COMPSAC'15-'16软件工程与技术研讨会主席、ICWS'15服务组合领域主席等职务。学术影响力指标显示，其Scopus h-index为35，累计获得超过2000万次引用。
在研究生培养方面，Prof. CHAN指导的博士生曾获香港博士研究生奖学金计划（Hong Kong PhD Fellowship Scheme）资助，毕业生分布于IBM Research China、Goldman Sachs Hong Kong、ASTRI等产业机构及中国科学院、北京航空航天大学等学术单位。其指导的本科生毕业设计项目曾连续两年（2013/14及2014/15学年）获得计算机科学系最佳毕业设计海报奖。
二、近期文章和项目解析
1. 深度学习系统的鲁棒性验证与测试
近期研究聚焦于深度学习模型的可靠性保障。2025年发表于QRS会议的"Scalable and Precise Patch Robustness Certification for Deep Learning Models with Top-k Predictions"提出针对Top-k预测的补丁鲁棒性认证方法，采用成对比较机制评估对抗攻击下的模型稳定性。同年发表于同一会议的"CrossCert: A Cross-Checking Detection Approach to Patch Robustness Certification"进一步构建交叉验证框架，通过多维度检测提升认证精度。2024年发表于ACM Transactions on Software Engineering and Methodology的"Context-Aware Fuzzing for Robustness Enhancement of Deep Learning Models"则引入上下文感知模糊测试技术，针对深度学习模型的脆弱性进行系统性探测。
2. 大型语言模型的安全与隐私
随着生成式AI的普及，Prof. CHAN团队将研究视野拓展至LLM安全领域。2025年ISET会议发表的"Memory-Aware Privacy Protection for Large Language Models in Education"探讨教育场景中的记忆感知隐私保护机制，结合提示调优（Prompt Tuning）技术实现数据匿名化。同期发表的"A Pilot Study of Probing Before Trusting Large Language Models in Self-Learning"则提出"探测-信任"范式，研究LLM在自主学习过程中的幻觉（Hallucination）问题及领域知识整合机制。
3. 软件工程智能化与日志分析
2025年QRS-C会议论文"A Novel Semi-Supervised Model for Generalizing Log Anomaly Detection with Limited Labeled Data"针对有限标注数据场景，提出基于生成对抗网络（GAN）的半监督日志异常检测模型。该研究回应了工业界对低成本、高泛化性运维智能的需求。
4. 多媒体信息检索与可解释性
2024年发表于ACM Transactions on Information Systems的"(Un)likelihood Training for Interpretable Embedding"探讨可解释嵌入的训练目标设计，通过正则化技术提升表征学习的可解释性。同年ICMR会议论文"Improving Interpretable Embeddings for Ad-hoc Video Search with Generative Captions and Multi-word Concept Bank"结合生成式字幕与多词概念库，优化即席视频检索的语义理解能力。
5. 软件测试理论
2024年发表于Software: Practice and Experience的"Identifying Metamorphic Relations: A Data Mutation Directed Approach"提出基于数据变异的蜕变关系识别方法，为缺乏测试预言（Test Oracle）的场景提供系统性解决方案。
三、未来研究预测
1. AI赋能的软件工程工具链
基于当前研究轨迹，Prof. CHAN团队或将深化AI增强开发（AI-Augmented Development）领域的探索。根据Gartner 2024年报告，58%的软件工程组织计划在未来12个月内采用生成式AI以控制成本。结合Prof. CHAN在程序分析、软件测试方面的传统优势，预期其将开发面向代码生成、缺陷检测、自动化测试的智能化工具，并关注AI生成代码的可靠性验证问题。
2. 大模型安全与可信AI
LLM的幻觉问题、隐私泄露风险及对抗脆弱性将持续成为研究重点。考虑到Prof. CHAN在软件鲁棒性认证方面的技术积累，其可能构建形式化验证框架，用于证明大模型在特定输入空间内的行为边界。此外，教育场景中的AI应用伦理、记忆隐私保护等议题亦可能获得持续关注。
3. 云原生与分布式系统的可靠性
Prof. CHAN的研究兴趣涵盖"Big Data Software Infrastructure"与"Software Scalability and Concurrency"。随着云原生架构的普及，针对微服务、Serverless等新型架构的测试与验证技术需求日益增长。预期其将探索分布式系统的故障注入、混沌工程及弹性验证方法。
4. 软件工程智能平台
Gartner预测至2027年，50%的软件工程组织将采用软件工程智能（Software Engineering Intelligence）平台以度量并提升开发者生产力。Prof. CHAN在日志分析、异常检测方面的工作为构建此类平台提供了技术基础，未来或向开发流程挖掘、生产力度量、智能运维（AIOps）等方向延伸。
5. 跨学科应用
FoodMask（实时食品实例分割与识别）等研究表明，Prof. CHAN团队亦关注计算机视觉在垂直领域的应用。结合香港城市大学在数据科学、电子商务等方向的学科布局，预期其将探索软件工程方法与食品科技、智慧物流、金融科技等领域的交叉创新。
Prof. CHAN的学术轨迹呈现出清晰的"工程驱动"特征。与纯理论导向的学者不同，其产业背景使其研究问题直接来源于工业界痛点——从早期的服务导向软件、自适应软件，到当前的深度学习系统可靠性，均反映了软件形态演进中的关键质量保障需求。这种"问题导向"而非"技术导向"的研究范式，使其工作具有较强的应用转化潜力。
在方法论层面，Prof. CHAN团队擅长将传统软件工程中的形式化方法、测试理论迁移至新兴技术领域。例如，将程序分析中的静态分析技术扩展至深度学习模型的鲁棒性认证，或将蜕变测试理论应用于大模型行为验证。这种"旧工具解决新问题"的策略，体现了软件工程学科知识体系的延续性与适应性。
从人才培养角度看，其指导学生的就业分布（涵盖顶级投行、研究机构、高校）表明其培养模式兼顾学术训练与产业适配。对于意向申请者而言，需具备扎实的编程能力、数学基础，并对软件质量保障有实质性兴趣。香港博士研究生奖学金计划提供每月HK$28,400津贴及每年HK$14,200会议差旅资助，CityUHK额外提供首年学费及住宿费减免及第四年全额资助，构成具有竞争力的支持方案。
