CCF济南｜国际人工智能学术论坛系列活动

 2021年7月17日-8月22日，由中国计算机学会主办、CCF济南承办的“国际人工智能学术论坛”系列活动在山东济南香格里拉大酒店召开。CCF济南委员、YOCSEF济南委员，相关方向老师/研究生/本科生出席活动。本次学术论坛由一系列活动组成，邀请到数十位国际人工智能精英，围绕医疗健康、辅助驾驶等领域进行研讨。会议由新加坡南洋理工大学苗春燕院士、山东大学崔立真院长主持，会议采用了网络直播+现场会议相结合的方式，线上线下200余人参加研讨会。

7月17日，来自新加坡南洋理工大学Lily研究中心的Qian Hangwei博士作了主题为“Generalizable Feature Learning for Human Activity Recognition with Edge Devices”的报告。报告围绕HAR（Human Activity Recognition）技术做了热烈的讨论，对HAR技术在辅助生活、个人健康管理等领域的发展前景做了展望。Qian教授认为，当前的诸多深度学习模型在分布式数据上表现并不好。此外，由于个人行为模式差异的存在，预训练的模型并不能做到很好的实施泛化。对此，Qian教授详细的介绍了目前深度学习模型在HAR技术的泛化能力上的现状与前景。

7月23日，Mind PointEye 的创始人，新加坡南洋理工大学电气与电子工程学院Guang-Bin Huang教授做了“Extreme Learning Machines（ELM）——When ELM and Deep Learning Synergize”的演讲。Huang教授首先对ELM技术做了全面而深刻的介绍，对ELM技术的缺失及未来的发展方向做出了总结。其后，Huang教授对辅助驾驶、货站库存控制等方面的研究进展做出了汇报，并且就ELM技术在该场景的表现和价值，与在场的学者进行了深度的交流与讨论。

7月24日，来自东北大学的刘园教授在线上作了主题为“区块链技术在个人健康记录管理中的研究与应用”的报告。刘教授指出，随着医疗健康领域数字化程度不断提高，大数据的态势面临着数据孤岛难共享、数据多样难共信、数据隐私难保障等挑战性研究问题。刘教授基于此提出了面向急救场景的基于区块链技术的个人健康管理系统框架，并展示了相应的原型系统，实验评估该系统具有相应快速、安全追溯、操作简洁等优势，具有潜在的应用推广价值。

7月31日，来自新加坡南洋理工大学的博士生张弛作了主题为“小样本深度图像理解的研究进展”的报告。张弛指出，深度神经网络在各种计算机视觉任务中取得了重要突破，但由于深度神经网络需要大量的数据来进行训练，限制了其在日常生活中的应用，而小样本学习则研究如何通过极少训练样本来学习神经网络算法，基于此，张弛详细介绍了小样本学习在图像分类，图像分割的最近研究进展，并分享了小样本学习在其他视觉任务上的应用。

同一天，来自南洋理工大学的Lu shijian教授线上作了主题为“Domain adaptative semantic segmentation for assistive parking and driving”的报告。报告中指出，场景的语义分割对于辅助停车和驾驶至关重要，但目前如何高效收集大量标注良好的训练数据是该任务的瓶颈。Lu教授提出，自适应语义分割将在自然场景的自动分析和理解中发挥关键作用，并讨论了各种无监督域自适应技术，这些技术已经显示出替代昂贵且耗时的图像注释程序的巨大潜力。

8月8号，来自新加坡南洋理工大学阿里巴巴-NTU研究院的Liu Yong教授作了主题为“Pre-training Graph Transformer with Multimodal Side Information for Recommendation”的报告。Liu教授指出，项目的辅助信息，例如图像和文本描述，已被证明有助于准确推荐。在报告中，Liu教授介绍了其团队提出的一种预训练策略，通过考虑项目侧信息及其关系来学习项目表示。通过常见的用户活动（例如共同购买）关联商品，并构建同质商品图。该图提供了多模态中项目关系及其相关边信息的统一视图。随后Liu教授介绍了其团队开发的一种名为 MCNSampling 的新颖采样算法来为每个项目选择上下文邻居，并证实了其团队提出的 PMGT 模型有效地利用了多模态辅助信息，在包括项目推荐和点击率预测在内的下游任务中实现了更好的准确性。

8月21日，来自新加坡南洋理工大学计算机科学与工程学院的Li boyang教授作了主题为“Improving deep learning by understanding the optimization trajectories”的精彩报告。他在报告中指出，深度学习问题常常有很多糟糕的局部最小值，但由于随机梯度下降引入的网络初始化和动态优化使得我们往往能够找到最优解，而优化轨迹的理论理解和有效利用有望提高性能。Li教授讨论了其团队通过优化轨迹的特性实现的几个机器学习问题的最新进展，包括神经推荐系统、可解释的深度学习和对抗性迁移学习等。