“中国图学学会大数据专委会走进山东科技大学”学术报告会

2019-09-18 16:32 2013 山科新闻网

时间:2019年9月22日 (星期) 上午8:00-12:00

地点:山东科技大学 J13蓝光报告厅

1568795685650576.png



特邀讲者俞扬

图片2.png


俞扬博士,南京大学教授,中组部万人计划青年拔尖人才计划。主要研究领域为机器学习、强化学习。获2013年全国优秀博士学位论文奖、2011年CCF优秀博士学位论文奖。发表论文40余篇,获得4项国际论文奖励和2项国际算法竞赛冠军,入选2018年IEEE Intelligent Systems杂志评选的“国际人工智能10大新星”,获2018亚太数据挖掘"青年成就奖”,受邀在IJCAI’18作关于强化学习的"青年亮点"报告。

报告题目:高效强化学习的一些探索

报告摘要:强化学习通过自主与环境交互,学习适应环境的最佳策略,近期在围棋、星际争霸等游戏中展示出达到甚至超越人类的决策能力,如能在真实业务中用于求解最优策略,将创造巨大价值。然而目前强化学习方法通常样本利用率很低,需采集大量的环境交互试错数据,导致最佳策略的学习过程试错代价极大,严重阻碍了强化学习在许多真实业务中落地。本次报告将汇报我们在提高强化学习效率方面的一些探索。

 


特邀讲者 张敏灵

图片3.png


张敏灵,东南大学计算机科学与工程学院教授。分别于2001年、2004年和2007年于南京大学计算机科学与技术系获学士、硕士和博士学位。主要研究领域为机器学习、数据挖掘。现任中国人工智能学会机器学习专委会秘书长、中国计算机学会人工智能与模式识别专委会常务委员、江苏省人工智能学会学术工委主任等。担任《ACM Trans. IST》、《Neural Networks》、《Frontiers of Computer Science》等国际期刊编委、《中国科学:信息科学》青年编委等。应邀担任ACML'18大会主席,PAKDD'19、ACML'17、PRICAI'16等程序主席,以及IJCAI/AAAI/ICDM等国际会议SPC或领域主席20余次。获CCF-IEEE CS青年科学家奖(2016)等。

报告题目:偏标记学习的研究

报告摘要:偏标记学习(partial label learning)是一类重要的弱监督学习框架,在该框架下每个对象同时具有多个候选标记,但其中仅有一个为其真实标记。偏标记学习技术已在多媒体内容自动标注、自然语言处理、生态信息学等领域得到成功应用,本报告将从三方面介绍偏标记学习的研究现状:首先,简要讨论偏标记学习的问题设置及其与相关弱监督学习框架的关系;其次,对现有偏标记学习算法进行总结并介绍我们在该方面的最新工作;最后,给出偏标记学习的相关学术资源。

 


特邀讲者 孟德宇 


图片4.png


孟德宇,西安交通大学教授,博导。任西安交大大数据算法与分析技术国家工程实验室机 器学习教研室负责人。共接收/发表论文80余篇,其中包括IEEE汇刊论文26篇,CCF A类会 议论文32篇。目前主要聚焦于自步学习、误差建模、张量稀疏性等机器学习与计算机视觉 领域的基础研究问题。

报告题目:从粗放式到集约式:针对复杂数据的鲁棒性深度学习方法

报告摘要:现有深度学习方法的有效性依赖于训练数据集的高质量要求,当训练集呈现蕴含显著复杂噪声、类别不均衡等现实问题时,其有效性往往不能得以保证,这被称之为深度学习的鲁棒性问题。本报告将特别针对底层视觉与高层视觉中典型鲁棒性深度学习问题,尝试分别对其本质内涵展开深入讨论,综述其研究现状,并介绍针对这些内涵所特别设计的基于误差建模的变分推断网络与基于元学习的自适应样本加权等新型鲁棒性学习策略。所设计的方法一方面具有自动化匹配数据复杂特性的学习模式,从而具有鲁棒性学习功能;另一方面是传统模型驱动方法论与现代数据驱动方法论的本质融合,能够有效结合两类方法论的优势,在适应数据的基础上同时具备较强推广与迁移能力,从而对于现实复杂问题具有更好的泛化可用性。



特邀讲者 邬霞

图片5.png


邬霞,北京师范大学人工智能学院教授,认知神经科学与学习国家重点实验室研究员,博士生导师。国家自然科学基金优秀青年基金获得者,入选教育部新世纪优秀人才支持计划。近年来,在基于脑成像技术的大脑认知功能探究、神经反馈,脑疾病诊断及预测等相关方面,以第一/通讯作者在Human Brain Mapping、NeuroImage、Pattern Recognition、Journal  of Neural Engineering等高水平期刊,以及IPMI、MICCAI等医学图像处理顶级国际会议发表论文60余篇。

报告题目:基于图论的脑网络构建与应用研究

报告摘要:大脑不同于身体的其它器官,虽然其有一个固定的解剖结构,但功能储备非常巨大,它可以感知外界并产生思想与行动;而图或网络可以对大脑的这种组织模式进行生动刻画。因此,以图论为基础,构建大脑的图论网络对描述和研究脑的作用机制十分重要。本次报告以图论的角度,从脑网络的构建方法及其在脑疾病诊断、脑状态解码中的应用三个方面展开,旨在提供图论在脑科学应用中的新思路。



特邀讲者 张道强

图片6.png


张道强,南京航空航天大学计算机科学与技术学院教授,副院长,国家优秀青年基金获得者,“万人计划”青年拔尖人才,江苏省333工程中青年领军人才;担任中国图学学会图学大数据专委会副主任、中国图象图形学会理事、中国人工智能学会机器学习专委会常委、中国计算机学会人工智能与模式识别专委会委员、江苏省人工智能学会医学图像处理专委会主任。近年来围绕脑影像智能分析及其在脑疾病早期诊断中的应用等方面开展研究,发表论文200 余篇,被SCI 收录100 余篇。部分第一/通讯论文发表在领域内重要国际期刊,如IEEE TPAMI、IEEE TMI、IEEE TIP、Neuroimage、Human Brain Mapping、Medical Image Analysis等,以及重要国际会议,如NIPS、MICCAI、IJCAI、AAAI、CVPR、KDD等。据Google Scholar 统计,论文已被国际同行引用10000 余次。目前担任《Journal of The Franklin Institute》、《PLOS ONE》、《自动化学报》等期刊编委,担任国际学术会议IDEAL’16、MLMI’13/14程序委员会主席。研究成果获教育部自然科学二等奖(第一完成人),以及一流国际期刊《Pattern Recognition》2006-2010“Most Cited Article”奖暨2007-08 双年度最佳论文提名奖、国际会议PRICAI’06 、STMI’12和BICS’16 最佳(学生)论文奖。2014-2018 连续5 年入选Elsevier 中国高引学者榜。

报告题目:脑影像智能分析与脑疾病早期诊断

报告摘要:近年来,“脑科学计划”吸引了各国政府和公众的广泛关注。脑影像技术是研究脑科学的重要工具之一, 然而由于脑影像数据所固有的高维度、多模态、异构和时变等特性,对其进行快速有效分析是当前研究的关键问题之一。 在本报告中,我们将首先简要介绍脑影像分析的基本方法,然后重点介绍我们近几年在基于机器学习的脑影像/脑网络智能分析方面的相关工作,并介绍其在脑疾病早期诊断、影像遗传学、脑认知与脑解码中的应用。




编辑:admin