天吉网

講座信息

當前位置: 天吉网 >> 講座信息 >> 正文

2021年數據智能論壇

發布日期:2021-09-29    點擊:

報告序號:1

錢宇華,教授、博士生導師,山西大學大數據科學與産業研究院負責人,計算智能與中文信息處理教育部重點實驗室副主任。主要從事人工智能、大數據、複雜網絡、數據挖掘與機器學習等方面的研究事情,獲科技部中青年科技創新領軍人才、國家優秀青年基金獲得者、2018-2020年全球高被引科學家、三晉學者、山西省中青年拔尖創新人才、教育部新世紀人才、山西省學術技術帶頭人、山西省青年學術帶頭人等榮譽稱號。

報告時間:2021年9月30日9:00-9:50

報告地點:西校區XGA-306

報告題目:DIG: Data Intelligence Generation

報告摘要:近年來,人工智能逐漸被認爲是第四次科技革命的引擎,國際上主要經濟體都把其作爲了國家戰略進行了部署。人工智能傳統上主要分爲符號主義和連接主義兩個流派,70余年來都取得了長足發展,然而對于通用人工智能和強人工智能還有许多科學問題需要探索。本報告瞄准“創造自主進化的人工智能,探索人類世界的未知智能”這一學術目標,分享交流我們在進化人工智能方面的一些开端探索,以期引起人工智能或相關領域的一些學術思考。


報告序號:2

王钰,博士,副教授,硕士生导师,研究偏向为图像处置惩罚,机械学习及模式识别等。主持国家自然科学基金、山西省自然科学基金、教育部重点实验室开放课题等多项国家和省部级课题。在《IEEE Transactions on Geoscience and Remote Sensing》、《IEEE Transactions on Knowledge and Data Engineering》、《Neural Computation》、《IEEE Geoscience and Remote Sensing Letters》、《系统科学与数学》等海内外学术期刊和聚会会议上发表学术论文40余篇。

報告時間:2021年9月30日10:00-10:50

報告地點:西校區XGA-306

報告題目:正則化m×2交织驗證要领

報告摘要:機器學習中,交织驗證要领廣泛應用于預測誤差估計、算法性能對照、特征(模型)選擇等多種基本機器學習任務。然而,傳統的交织驗證要领未考慮由于數據切分隨機性導致的訓練測試數據漫衍纷歧致,機器學習結果不魯棒和不行複現等的嚴重問題,爲此,我們通過對交织驗證中數據切分的隨機性添加正則化約束,提出了一種新的交织驗證要领——正則化mX2交织驗證。理論和實驗證明了提出的要领在泛化誤差估計、算法性能對照、特征選擇等各個機器學習任務上均具有優越的性能。


報告序號:3

闫濤,博士,硕士生导师,从事微观三维重建与进化盘算方面的研究。近年来主持国家自然科学基金等纵向项目3项,横向项目10余项,以第一作者在《Pattern Recognition》、《Information Sciences》、《电子学报》、《盘算机辅助设计与图形学学报》等海内学术期刊发表论文10余篇,担任学术期刊《Soft Computing》、《Neural Processing Letters》等国际期刊审稿人,申请专利10余项,授权2项。

報告時間:2021年9月30日11:00-11:50

報告地點:西校區XGA-306

報告題目:空間時頻變換的微觀三維形貌重建要领

報告摘要:微观三维形貌重建作为超精密三维显微设备的焦点技术,可对精密制造领域中的庞大零部件外貌实现微米级精度的三维信息获取与检测,为微细加工厂景提供质量保证,但微米级光学成像自己的局限性无法保证微观场景的高质量成像,给高精度的三维形貌重建带来挑战。因此,陈诉人从最优尺度表征、多粒度融合及三维时频变换视角提出一系列基于空間時頻變換的微觀三維形貌重建要领,实现了亚微米级精度的三维形貌重建结果,应用于中国印钞造币总公司的人民币制版的质量检测中。


報告序號:4

王婕婷, 博士, 主要研究偏向为统计学习理论与要领,重点关注泛化误差上界的探索与分类要领。 在《Machine learning》、《IEEE Transactions on Fuzzy Systems》、《盘算机研究与生长》等海内外重要学术期刊发表论文10余篇。

報告時間:2021年9月30日14:30-15:20

報告地點:西校區XGA-306

報告題目:隨機一致性視角下的可學習理論與要领

報告摘要:可学习理论是统计机械学习的基本理论与算法约束. 基于机械学习进行决策时,由于受到数据噪音、标注偏好等因素影响, 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发生的一致性时有发生. 此随机一致性在机械学习模型的学习结果中普遍存在, 将导致决策缺乏客观性、可解释性与可重复性, 给经典可学习理论与要领带来挑战.机械学习算法大多以最大化准确度为焦点准则, 例如决策树及 KNN 算法中的众数投票战略及经典学习算法以错误率的凸连续上界作为替代损失 (如 SVM 算法的 hinge 损失, Adaboost 算法的指数损失, 逻辑斯蒂回归的对数损失等). 然而, 简朴的准确度指标作为反馈或启发准则, 包罗了带有偏差的随机一致性, 这对于学习机泛化性能的评价是不行靠、不精准的. 因此, 研究如何消除学习历程中的随机一致性,建设基于纯一致性怀抱的机械学习算法与理论体系成为人工智能研究领域的一个重要科学问题.


報告序號:5

梁新彥,博士,主要研究偏向为机械学习与数据挖掘,重点关注可解释的多模态机械学习及其应用。在《IEEE Transactions on Evolutionary Computation》、《International Journal of Approximate Reasoning》等海内外重要学术期刊发表论文多篇。

報告時間:2021年9月30日15:30-16:20

報告地點:西校區XGA-306

報告題目:多模態數據的語義級融合

報告摘要:多模態是大數據與人工智能等領域數據的常見形態,如何有效融合差异模態信息進行智能決策是重要科學問題。盡管面向多模態信息處理的人工智能技術已經取得長足進步,但是現有多模態數據融合框架面臨兩個問題:(1)基于學習战略的融合要领語義解釋性不強;(2)現有要领使用的融合模式,形式單一、缺乏對差异數據的自適應性。這些問題給多模態信息的有效融合造成了困難,本報告交流我們在該研究方面取得的一些進展。


報告序號:6

39F13郭倩, 博士, 主要研究偏向为逻辑学习。 在《IEEE Transactions on Evolutionary computation》、《International Journal of Machine Learning and Cybernetics》、《模式识别与人工智能》等海内外重要学术期刊发表论文多篇。

報告時間:2021年9月30日16:30-17:20

報告地點:西校區XGA-306

報告題目:視覺邏輯學習

報告摘要:逻辑推理是人类智能的一种重要能力,也是人工智能的一项重要任务. 为应对种种逻辑推理任务,专家已经提出许多逻辑推理要领,好比模糊推理、概率推理、证据推理和贝叶斯推理等,然而这些要领通常需要事先设计一些推理模式,这样做十分的费时艰辛.此外,当直接挖掘隐藏在庞大数据中的逻辑关系时,专家也无法很快找到其内部的逻辑关系,甚至无法找到其逻辑关系.这就引出了一个有趣的研究问题:逻辑推理模式可以直接从给定的数据中学习获得吗?因此,在事先不界说逻辑模式的前提下,让机械直接从数据中挖掘逻辑模式是人工智能研究领域的一个重要科学问题.本陈诉从视觉的角度出发,开端探索了逻辑的可学习问题。