CCF-AI@牛宝体育学术报告会,将于2024年9月27日(星期五)举行,由中国计算机学会人工智能与模式识别(CCFAI)专业委员会主办,牛宝体育计算机与信息安全学院、CCF桂林分部、广西可信软件重点实验室、广西图像图形与智能处理重点实验室联合承办。本次活动邀请了三位国内人工智能领域的知名专家做学术报告与专题座谈。欢迎全校师生拨冗参会!活动日程安排如下:
会议时间:2024年9月27日 14:30-17:30
会议地点:牛宝体育花江校区慧谷1号楼106会议室
时间 | 题目 | 报告人 |
学术报告 | ||
14:30-15:30 | 从随机一致性视角对学习理论洞见、重构与延拓 | 钱宇华教授 山西大学 |
15:30-16:30 | 结合半监督学习的噪声标签学习及其扩展 | 孙皓亮 副研究员 山东大学 |
16:30-17:30 | 大规模非完全信息博弈决策 | 高阳 教授 南京大学 |
报告人简介:
钱宇华,教授/博导,国家高层次人才,教育部新世纪人才,国家优青,山西大学大数据科学与产业研究院院长,计算智能与中文信息处理教育部重点实验室副主任,中国人工智能学会粒计算与知识发现专委会副主任,山西省科技创新领军团队负责人。主持国防重大专项、国自然重点、揭榜挂帅、重点研发、优青等重点重大类项目10余项;在AI、ACM TOIS、JMLR、ML、IEEE TPAMI、IEEE TKDE、《中国科学》、IJCAI、AAAI等重要期刊与会议发表论文200余篇。成果广泛应用于国防科技、数字经济等领域。获山西省自然科学奖一等奖、CCF 优博、百篇优博提名奖、全球高被引科学家等。
报告题目:从随机一致性视角对学习理论洞见、重构与延拓
报告摘要:机器学习是人工智能诸多领域的共性基础与关键技术,机器学习理论、模型与算法的原理可解释性关乎到人们可否可信有效地使用人工智能。然而,在基于机器学习进行决策时,由于受到数据噪音、标注偏好等复杂因素影响,或由于缺乏足够证据和先验知识,决策结果与真实情况由于随机产生的一致性时有发生。此随机一致性将导致决策缺乏客观性与可重复性,给机器学习理论与模型的可信性造成解释性灾难,给经典可学习理论与方法带来了挑战。为此,如何重构具有原理可解释性的可学习理论成为了人工智能的一个基本科学问题。报告从发现人工智能领域广泛存在的随机一致性现象出发,对传统机器学习理论进行重新审视、重构与延拓,以期构建更加科学可信的机器学习理论与方法。
孙皓亮,博士、博士后,山东省高层次青年人才,现任山东大学副研究员,硕士生导师,研究方向贝叶斯机器学习及受限条件下的鲁棒机器学习算法。已在顶级期刊和会议上发表论文10余篇,包括IEEE TPAMI、TIP、IJCV、MLJ、PR、ICML、CVPR、ICCV、ECCV,授权专利3项,其中美国专利1项,获山东省优秀博士学位论文奖等。主持国家自然科学基金、省自然科学基金、中国博士后基金4项,参与多项国家重点研发计划、国家重大国防、山东省自然科学基金重大基础研究项目。担任IEEE TPAMI、TIP、TKDD审稿人及ICML、NeurIPS、ICLR、AAAI、CVPR、ICCV、ECCV等顶级会议程序委员会委员。
报告题目:结合半监督学习的噪声标签学习及其扩展
报告摘要:标签噪声学习是弱监督学习中的典型设置,建模噪声转移矩阵和结合半监督学习是两类典型方法。前者具有统计一致性,确保在噪声训练数据逐渐增多的条件下,分类器收敛至由干净数据习得的最优分类器。而后者在实验中取得了最好性能。本报告将从模型校准的角度探讨该类方法的优势,并从样本选择和超参选择的角度提升标签噪声学习性能。
高阳教授、博导,中国人工智能学会会士。目前任南京大学智能科学与技术学院党委书记兼执行院长,南京大学-中国移动联合研究院院长,南京大学陆海安全决策教育部重点实验室副主任,江苏省军事人工智能技术军民融合创新平台负责人,南京大学健康医疗大数据国家研究院常务副院长。2009年入选江苏省“333高层次人才培养工程”第二批中青年科学技术带头人,2010年入选教育部新世纪优秀人才支持计划,所领导的南京大学人工智能推理与学习团队入选2019年度江苏省高等牛宝体育优秀科技创新团队,2022年入选江苏省军民融合领军人才和天池特聘教授。作为第一负责人主持国家自然科学基金重大项目课题一项、重点项目一项,军民共性技术联合基金项目一项,装备预研教育部联合基金项目一项,面上项目三项,青年项目一项;主持科技部国际合作专项一项,江苏省自然科学基金重点项目(江苏省973项目)一项,科技部科技创新2030—“新一代人工智能”重大项目课题一项,军委装备发展部重大基础子项,军委装备发展部创新特区项目课题等。
在国际学术期刊(IEEE Transactions系列)、国际会议(CCF-A/B类会议)和国内一级刊物上(计算机学报、软件学报等)发表学术论文数200余篇,译著《统计强化学习》、《机器学习的算法视角》、编著《分布式人工智能》等。获授权专利20余项,国际PCT专利1项;获江苏省科学技术奖二等奖一次(“面向复杂交互场景的新型机器学习技术”,排名第一)、中国人工智能学会吴文俊自然科学奖二等奖一次(“强化学习理论与应用”,排名第一)、军队医疗成果奖二等、三等各一项,获中国计算机学会多智能体系统专业学组研究成就奖。
目前担任中国人工智能学会智能服务专委会副主任/机器学习专委会常委/粒计算与知识发现专委会常委;中国计算机学会杰出会员,人工智能与模式识别专业委员会副主任、秘书长/多智能体系统学组副组长/大数据专家委委员;中国指挥与控制学会信息融合专委会副主任/智能博弈与兵棋推演专委会常委;江苏省人工智能学会常务副理事长;江苏省软件与信息服务标准化委员会人工智能标准工作组组长等。担任《软件学报》、《智能系统学报》、《计算机科学》、《模式识别与人工智能》、《ZTE Communications》等期刊的编委。
报告题目:大规模非完全信息博弈决策
报告摘要:决策智能是人工智能技术的重要组成。强化学习是解决序贯决策任务的学习范式,而多智能体强化学习则是解决博弈决策任务的学习范式。在实际场景中,博弈决策任务往往面临着规模大、信息不完全等挑战。本报告从多智能体系统建模、多智能体系统约简、博弈策略迁移、分布式决策等多个角度,介绍了技术的进展;同时,也介绍了相关技术和平台在掼蛋等棋牌类博弈以及军事场景中的应用;最后,展望了大模型时代下的技术发展。