【犀牛鸟·学问】腾讯AI Lab犀牛鸟访问学者系列报告会邀请函

主办单位

腾讯科技

中国计算机学会青年计算机科技论坛深圳分论坛(CCF YOCSEF深圳)

执行主席

杨敏，腾讯科技，CCF YOCSEF深圳AC

卢昱明，深圳信息职业技术学院， CCF YOCSEF深圳主席

联系人：罗婷，电话：13534051307

活动议程

时间：7月31日下午14：10-17:00
地点：腾讯滨海大厦（深圳市南山区勤学路与后海大道交叉口南150米）

周翔

香港城市大学数学系副教授

报告题目：

鞍点计算的理论和方法

报告摘要：

在物理和化学中，很多重要的迁移过程（比如相变、化学反应、生物构型变化等）往往对应于在高维能量面上的随机梯度流在多个局部极小（线性稳定态、亚稳态）之间的长时间和小概率的跃迁（稀有事件）。在跨越相邻极小的过程中，鞍点（特别是指标1的鞍点）起着最重要的瓶颈作用，因此往往被称为“过渡态”。本报告介绍稀有事件中，如何稳定、快速的计算指定指标的鞍点，包括Gentlest Ascent Dynamics 和基于优化的迭代算法等，并扩展到不具有能量面的非梯度系统的鞍点计算。计算案例包括Allen-Cahn等物理模型的应用。最后简单讨论在计算物理领域发展多年的稀有事件的研究工具对当前机器学习和随机优化的潜在应用前景。

嘉宾简介：

周翔目前是香港城市大学数学系副教授，从事应用和计算数学专业研究和教学。周翔教授毕业于北京大学（学士和硕士）和普林斯顿大学（博士），博士指导导师为鄂维南教授。目前在机器学习领域的研究兴趣是稀有事件问题的深度学习算法以及深度学习的能量景观研究。主要研究问题是随机小扰动动力系统的稀有事件研究，比如亚稳态（局部极小）之间的随机跃迁，最近主要工作有转移路径的计算方法、过渡态鞍点计算方法、随机偏微分方程的重要性抽样蒙特卡洛方法。

马士谦

美国加州大学戴维斯分校数学系助理教授

报告题目：

ADMM(交替方向乘子法)在求解非凸优化问题中的最新进展

报告摘要：

ADMM（交替方向乘子法）是目前非常流行的一类优化算法。在机器学习等很多领域有着广泛的应用。本报告重点讨论ADMM在求解非凸优化问题中的一些最新进展。

嘉宾简介：

马士谦任教于美国加州大学戴维斯分校数学系。主要从事最优化算法和理论，机器学习都领域的研究。主要成果发表在Mathematical Programming, SIAM Journal on Optimization, Mathematics of Operations Research等优化期刊和NIPS, ICML, AAAI 等机器学习会议上。马士谦教授现在的主要研究方向包括一阶算法，随机算法，非凸问题，流形优化等等。

陈志为

香港城市大学计算机科学系教授

报告题目:

使用人工智能聊天机器人教学 (Teaching using AI Chatbots)

报告摘要 :

使用脸书聊天机器人(Facebook Messenger Bot)教授计算机科学科目，并探讨人工智能和机器学习在这些应用场景的作用。

嘉宾简介：

陈志为博士是香港城市大学计算机科学系教授，普林斯顿大学博士毕业后曾在加州理工学院工作。研究兴趣包括网络，计算机科学与统计学界面的算法，图形分析，信息论，优化论, 玻尔兹曼机器的数学,人工智能应用于大规模学习等。现任IEEE/ACM Transactions on Networking的编辑。在担任IEEE信息论协会香港分会主席的时候带领该分会获得2015年度的IEEE信息论分会奖。作为计算机科学大挑战电子竞赛 (Computer Science Challenge)的负责人帮助学生学习计算机科学和高等数学。

严骏驰

上海交通大学计算机科学与工程系研究员（博导）

报告题目：

事件序列的建模与学习

报告摘要：

通过对事件序列数据的深入分析与建模，往往可以有效刻画现实世界中各类行为的内在机理，乃至预测下次事件的发生时间与属性。这使得事件数据的机器学习在诸如预防性维保、用户商品推荐、诊疗记录分析等各领域中有着广泛的应用前景。相比时间序列，连续时间域的异步事件序列具有发生间隔随机、观测窗口常常被截断等挑战，不易被回归、分类、聚类等经典机器学习方法进行形式化。报告将介绍在基于点过程与深度学习方面在这一问题上的相关研究进展，并对点过程模型与深度学习各自的特点进行了比较和归纳。

嘉宾简介：

严骏驰，上海交通大学计算机科学与工程系研究员（博导）上海交通大学信息与通信工程专业博士，CCF优博，ACM中国优博提名，主持包括国家自然科学基金在内多项研究项目。曾于IBM（北京、上海、纽约）任职7年，加入上海交大之前，任IBM中国研究院工业视觉首席科学家，主管研究员，并主导了多项工业视觉检测、预防性维护技术在国内外大型企业和政府创新应用的研发与落地。近年来的研究工作致力于结构与时序信息的建模与学习，在ICML, NIPS, SIGIR, ACL, KDD, CVPR, ICCV, ECCV, AAAI, IJCAI, TIP, TCYB, TPAMI, TNNLS发表论文近50篇，授权美国发明专利20余项。现任中国图象图形学学会视觉大数据专委会副秘书长、ACM中国SIGMM执委、IEEE ACCESS编委。

付彦伟

复旦大学青年研究员

报告题目:

Life-long Learning in Big Media Data（终生学习在媒体大数据的应用）

报告摘要 :

During the past few decades, computer vision research has achieved increasing success in visual recognition including object detection and video classification. Nevertheless, these achievements still cannot meet the urgent needs of understanding Big Media Data. The recently rapid development of social media sharing platform has created a huge demand for automatic media classification and annotation techniques. One promising solution is to employ life-long learning (e.g., zero-shot learning, and few-shot learning) to transfer the information to tasks for which no data have been observed so far. In this talk, we will summarize the key challenges and limitations of life-long learning in Big Media Data. We show the benefits of solving these challenges and limitations in our approach which thus achieves better performance than previous methods.

嘉宾简介：

付彦伟，复旦大学青年研究员，目前主要研究领域包括零样本、小样本识别、终生学习算法，人脸识别及行人再识别，及视频情感分析等。2014年获得伦敦大学玛丽皇后学院博士学位， 2014年12月至2016年7月，在美国Disney Research博士后研究员。先后入选上海市扬帆计划、上海高校特聘教授 (东方学者)、国家青年千人计划等。有IEEE TPAMI, CVPR等顶级期刊会议论文30篇，15项中国、3项已授权美国专利等。论文被美国多家科技媒体报道，如Science 2.0, PhyORG, Science Newsline Technology, Science 2.0, Communications of ACM, Business Standard, Science Newsline Technology, PhyORG, EurekAlert! AAAS等。他是多个国际期刊、学术会议长期审稿人及程序委员会委员（如IEEE TPAMI, IJCV, ACM MM, NIPS, ICCV等）等。