中国计算机学会青年计算机科技论坛－桂林分论坛

CCF Young Computer Scientists & Engineers Forum－GuilinBranch

CCF YOCSEF桂林

于2019年4月26日（周五） 08:00-18:00

在桂林电子科技大学（金鸡岭校区）3教3110

举行“CCFAI走进高校系列报告会”

“中国计算机学会人工智能与模式识别专委会（CCFAI）走进高校”系列活动之一，即“CCFAI走进高校”将于2019年4月26日在桂林电子科技大学金鸡岭校区举行。本次活动将邀请六位国内人工智能领域的著名专家现场做精彩的学术报告，报告会之后将进行 “聚焦产学研政，把脉广西人工智能发展”的主题Panel，就广西人工智能发展进行互动式研讨。

执行主席：张灿龙，董明刚，李灵巧

承办单位：桂林电子科技大学

程序

8:00   签到

8:20   主持人介绍报告专家

8:30-9:20   报告一

特邀讲者：张长水博士，清华大学教授

报告题目：机器学习研究进展

9:30-10:20 报告二

特邀讲者：耿新博士，东南大学教授

报告题目：面向标记分布学习的标记增强

10:30-11:20 报告三

特邀讲者：陈伟能博士，华南理工大学教授

报告题目：基于概率分布的演化算法

11:30-12:20 报告四

特邀讲者：苗启广博士，西安电子科技大学教授

报告题目：手势识别技术及应用

14:00-14:50 报告五

特邀讲者：张兆翔博士，中国科学院自动化研究所研究员

报告题目：从谱聚类到自注意力模型

15:00-15:50 报告六

特邀讲者：庄福振博士，中国科学院计算机所副研究员

报告题目：基于知识共享的机器学习算法研究与应用

16:00 “聚焦产学研政，把脉广西人工智能发展”主题Panel

16:00-16:40 引导发言

16:40-18:00 广西产、学、研、政各领域代表与专家互动研讨

报告人简介：

张长水  男，1965 年出生，1986 年7 月毕业于北京大学数学系，获得学士学位。1992年7 月毕业于清华大学自动化系，获得博士学位。1992 年7 月至今在清华大学自动化系工作。现任清华大学自动化系教授、博士生导师，主要研究兴趣包括：机器学习、模式识别、人工智能、计算视觉等方面。目前是IEEE Fellow, 计算机学会高级会员；担任学术期刊IEEE Trans. on Pattern Analysis and Machine Intelligence (PAMI)等编委；在国际期刊发表论文100多篇，在顶级会议上发表论文50多篇。

报告题目：机器学习研究进展

报告摘要：机器学习在图像识别等问题中的性能突破引发了人们对人工智能的关注和热潮。在这个报告中，我们回顾过去几年里机器学习领域的一些理论和方法的研究进展，讨论当前研究人员关注的问题

耿新，国家基金委优青，江苏省杰青，东南大学计算机科学与工程学院教授、博导、副院长，模式学习与挖掘（PALM）实验室主任。主要从事模式识别、机器学习、计算机视觉等方面的研究。在重要国际学术期刊和会议发表论文六十余篇。现为CCF青年工作委员会执委，CSIG视觉大数据专委会副主任，IEEE计算机学会南京分会副主席，亚太国际人工智能会议（PRICAI）指导委员会委员、江苏省计算机学会理事、青年工作委员会主任，CCF人工智能与模式识别专委会、计算机视觉专委会委员，中国人工智能学会机器学习专委会、模式识别专委会委员，《IEEE T-MM》、《Mathematical Foundations of Computing》等期刊编委，《Frontiers of Computer Science》青年编委。

报告题目：面向标记分布学习的标记增强

报告摘要：许多机器学习任务都可以泛化为对给定的示例预测不同标记的描述度（即标记描述示例的程度），而所有标记对一个示例的描述度构成该示例的标记分布，在以标记分布标注的数据集上学习的过程称为标记分布学习。现实世界中存在不少本身就具有标记分布信息的数据，而更多情况下，标记分布信息不完整时，可通过先验知识或者机器学习方法生成完整的标记分布，这一过程称为标记增强。标记分布学习方法配合标记增强方法能够有效匹配大多数有监督学习问题，具有广泛的应用前景。

陈伟能，华南理工大学计算机科学与工程学院教授，博士生导师、副院长。主要研究方向是演化计算、群智能、运筹优化与云计算，已发表国际期刊和国际会议论文100余篇，其中IEEE Transactions长文30余篇。2017年获国家优秀青年科学基金资助，2015年获广东省杰出青年科学基金资助；2018年获霍英东青年教师奖，2016年获IEEE CIS（计算智能学会）杰出博士学位论文奖（全球评选1篇），2012年度中国计算机学会（CCF）优秀博士学位论文奖。现任IEEE广州分会副主席，中国计算机学会人工智能与模式识别专业委员会委员，IEEE TNNLS及Complex and Intelligent Systems副编辑，主持国家自然科学基金等国家、省部级科研项目8项，是科技部重点领域（机器智能）创新团队的核心成员。

报告题目：基于概率分布的演化算法

报告摘要：演化计算和群体智能方法，是通过模拟自然界中群体的智能现象和行为来求解问题的一类方法。由于它不依赖于待解问题的数学模型特性，在解决复杂的优化问题时具有独特的优势。本报告将介绍一类特殊的演化算法——基于概率分布的演化算法，提出两类基于概率分布估计的演化算法框架：多解优化概率分布演化方法，以及基于概率分布的连续-离散混合空间优化方法。前者通过将基于概率分布的EC算法思想和小生境技术相结合，通过建立具备概率模型提高算法的搜索多样性，并提高算法在不确定环境中的求解能力；后者针对如粒子群优化等部分重要的EC算法传统上定义于连续空间，难以直接用于离散优化问题的不足，引入概率分布的思想，将问题的解定义为集合，将算法的速度定义和解更新过程重定义为学习概率的更新，从而将算法拓展于连续、离散混合空间。最后，本报告将介绍上述方法在实际工程问题中的应用。

苗启广，博士，西安电子科技大学计算机学院教授，博士生导师，副院长；2012年入选“教育部新世纪优秀人才支持计划”；中国计算机学会（CCF）理事, ，CCF YOCSEF主席(2017-2018)，陕西省大数据与云计算产业联盟理事; CCF计算机视觉专委会常务委员，CCF人工智能与模式识别专委会委员，CCF 大数据专委会委员；教育部工程专业认证协会计算机分委会工程专业认证专家。主要从事计算机视觉、机器学习、大数据分析方面的研究。主持在研和完成国家自然科学基金、省自然科学基金、国防预研、国防863、武器装备基金项目30余项；近年来，在IEEE TNNLS/TIP/TGRS/TEC/TIST、AAAI、IJCAI、KBS、软件学报、计算机学报、电子学报等国内外重要学术期刊、国际会议上发表SCI/EI收录论文100余篇。担任2018年CCF大数据学术会议CCF HPC China 2016、2015年CCF 首届中国计算机视觉大会程序委员会主席；International Journal of Bio-Inspired Computation、Neurocomputing、Journal of Memetic Computing、 Multimedia Tools and Application等国际期刊的Associate Editor或者Guest Editor。

报告题目：手势识别技术及应用

报告摘要：近几年大数据、深度学习技术在计算机视觉领域的应用引起了人们的广泛关注，它在图像识别、图像语义分割、显著性检测、目标跟踪等各个领域都取得较大的进展。手势识别，是视觉中经常会遇到的应用问题，例如在手势控制无人机、非接触式人机交互等方面，都有很多应用需求。主要介绍我们在大规模手势识别方面取得的研究进展和方法，以及手势识别、行为分析在相关应用等。

张兆翔，研究员，博士生导师，中国科学院脑科学与智能技术卓越创新中心年轻骨干，中国科学院大学岗位教授，IEEE高级会员，计算机学会高级会员，中国图像图形学会理事，国家自然科学基金重点项目负责人，MIT麦戈文脑科学研究所高级访问学者。2013年入选教育部新世纪优秀人才支持计划、北京市青年英才支持计划，2014年入选微软青年学者铸星计划，2018年入选“第四批国家万人计划青年拔尖人才”。致力于生物认知启发的视觉感知与理解的理论与方法研究，在可用信息建模和基于模型的物体识别问题上开展了系统工作，在面向国家公共安全和智慧城市监管需求的系统平台上取得成功应用，取得显著社会影响和经济效益，近五年来在国际主流学术期刊与会议上发表论文100余篇，SCI收录期刊论文40余篇，担任了AAAI、IJCAI、NIPS、ICPR等多个国际会议的Area Chair、Senior PC或者PC，SCI期刊Neurocomputing编委，IEEE Access编委，Pattern Recognition Letters客座编委、Frontiers of Computer Science青年编委和TPAMI、TIP、TCSVT、PR等20余个本领域主流期刊的审稿人。同时任BICS2016、ICPR2018、VALSE2018等国内外会议的Publication Chair、Workshop Chair、Program Chair。

报告题目：从谱聚类到自注意力模型

报告摘要：

深度学习近年来取得突破性进展，尤其是在视觉感知与理解问题上，模型与方法层出不穷，展现出较传统机器学习方法显著的优越性，甚至在若干识别问题媲美人类的性能。我们不禁要问：在视觉感知与理解问题上，传统的机器学习方法是否已经过时？传统的机器学习思想如何引入深度学习领域？传统的机器学习方法如何与深度模型结合？ 报告人将以谱聚类为例，着重阐述谱聚类与深度学习中的自注意模型的内在联系；挖掘在谱聚类视角下的当前自注意力模型与应用之所以成功的关键因素，进而借鉴谱聚类的思想，给出我们针对视觉感知与理解问题，设计具有针对性的自注意模型与学习方法的一系列探索与实践。

庄福振，副研究员、硕士生导师，于2011年7月在中国科学院计算技术研究所获得博士学位；2013年9月被聘为副研究员；中国人工智能学会机器学习专委会委员，中国计算机学会模式识别与人工智能专委会委员。他主要从事机器学习和数据挖掘的相关研究工作，特别是在迁移学习、多任务学习等研究方面，已经做出了一系列工作。相关研究成果已经在本领域顶级、重要国际期刊和国际会议上发表录用论文CCF B类以上60余篇，其中SCI (或SCI源)32篇。获得了SDM2010、CIKM2010、ICDM2018的最佳论文提名。申请专利10项，其中授权5项，另外获得软件著作权10项。承担和参与多项国家自然科学基金项目以及企业横向项目，入选2015年微软亚洲研究院青年教师“铸星计划”，获得2016年百度松果计划支持。2013年获得中国人工智能学会优秀博士学位论文奖，入选2017年中国科学院青年创新促进会。

报告题目：基于知识共享的机器学习算法研究与应用

报告摘要：在大数据时代，数据量呈现爆炸性增长，而且数据呈现出多源、异构、多模态、高维等特点，这给传统机器学习算法带来了非常大的挑战。为了保证训练得到的分类模型具有高准确性和可靠性，传统机器学习假设用于学习的训练样本与新的测试样本满足独立同分布条件，而且必须有足够可利用的训练样本才能学习得到一个好的分类模型。在大数据环境下，标记足够多的训练样本不仅费时耗力而且变得不可能，另外测试数据往往来自其他领域且具有不同的数据分布，这给传统机器学习算法研究带来了巨大的挑战。本报告致力于解决机器学习算法处理数据分布不一致的分类问题，对基于知识共享的机器学习和数据挖掘算法展开研究，重点介绍迁移学习研究进展，旨在提高目标任务上的分类准确率。

欢迎人工智能领域专业人士、IT领域专业人士、学生、媒体及其他有兴趣者参加，期待您的光临！

参会联系人：马莉，18107734265；李灵巧，18707733898

活动地址：广西桂林金鸡路1号桂林电子科技大学（金鸡岭校区）3教3110