CCF@U第832场：崔鹏、董彬、陈旭、付秋芳走进北京交通大学

CCF走进高校第832场

敬请关注

时间：2022年3月26日 08:00-12:00

地点：北京交通大学南门思源时光报告厅

主题：“认知驱动的稳定学习”研讨会

内容：

报告题目1：因果启发的稳定学习

报告摘要：近年来人工智能技术的发展，在诸多垂直领域取得了性能突破。但当我们将这些技术应用于医疗、司法、工业生产等风险敏感领域时，发现当前人工智能在稳定性、可解释性、公平性、可回溯性等“四性”方面存在严重缺陷。究其深层次原因，当前统计机器学习的基础——关联统计自身不稳定、不可解释、不公平、不可回溯可能是问题的根源。相对于关联统计，因果统计在保证“四性”方面具有更好的理论基础。但如何将因果统计融入机器学习框架，是一个开放并有挑战的基础性问题。本报告中，讲者将重点介绍将因果推理引入预测性问题所提出的稳定学习理论和方法，及其在解决OOD泛化问题方面的机会和挑战。

报告嘉宾简介：

崔鹏，清华大学计算机系长聘副教授，博士生导师。CCF杰出会员。研究兴趣聚焦于大数据驱动的因果推理和稳定预测、大规模网络表征学习等。在数据挖掘及人工智能领域顶级国际会议发表论文100余篇，先后5次获得顶级国际会议或期刊论文奖，并先后两次入选数据挖掘领域顶级国际会议KDD最佳论文专刊。担任IEEE TKDE、ACM TOMM、ACM TIST、IEEE TBD等国际顶级期刊编委。曾获得国家自然科学二等奖、教育部自然科学一等奖、CCF-IEEE CS青年科学家奖、ACM杰出科学家。

报告题目2： Data- and Task-Driven CT Imaging by Deep Learning

报告摘要：In this talk, I will start with a brief review of the dynamics and optimal control perspective on deep learning. Then, I will present some of our recent studies on how this perspective may help us to advance CT imaging and image-based diagnosis further. Specifically, I will focus on how to combine the wisdom from mathematical modeling with ideas from deep learning. Such combination leads to new data-driven/task-driven image reconstruction models and new data-driven scanning strategies for CT imaging, and with a potential to be generalized to other imaging modalities. I will also briefly discuss how machine learning may advance computational imaging and some of the challenge we are facing.

报告嘉宾简介：

董彬，北京大学，北京国际数学研究中心长聘副教授、机器学习研究中心副主任、大数据分析与应用国家工程实验室研究员、国家生物医学成像科学中心研究员。CCF专业会员。2003年本科毕业于北京大学数学科学学院、2005年在新加坡国立大学数学系获得硕士学位、2009年在美国加州大学洛杉矶分校数学系获得博士学位。博士毕业后曾在美国加州大学圣迭戈分校数学系任访问助理教授、2011－2014年在美国亚利桑那大学数学系任助理教授，2014年底入职北京大学。主要研究领域为应用调和分析、反问题计算、机器学习及其在图像和数据分析中的应用。

报告题目3： Beyond Accuracy-oriented Recommendation

报告摘要： 近年来，推荐系统在各大互联网站的应用如火如荼。在过去，人们往往追求推荐的准确度，即更好地匹配用户兴趣和候选商品。然而随着时代的发展，人们对于可解释性，公平性和隐私保护等方面的问题愈加关注。本次报告将结合报告人过往的研究经历，和大家一起分享讨论基于准确度之外的推荐算法研究。具体来讲，报告人将着重分享推荐的可解释性和商品侧公平性等方面的相关研究。在可解释方面，报告人将探讨基于特征的解释和基于因果的解释等方向的进展。在公平性方面，报告人将分享基于数据生成的方法，基于IPS的方法和基于feature balancing的方法等。

报告嘉宾简介：

陈旭，博士毕业于清华大学，博士期间曾在佐治亚理工学院进行交流访问，博士毕业后曾在英国伦敦大学学院担任博士后研究员。于2020年加入中国人民大学，任助理教授。其主要研究方向为推荐系统，强化学习，因果推断等。曾在SIGIR、TOIS、WWW、WSDM、CIKM、AAAI等信息检索领域顶级会议和期刊发表论文40余篇（其中以第一作者/通信作者发表论文20余篇）。博士毕业近三年以来，Google Scholar引用2300余次。曾获得The Web Conference 2018 最佳论文提名奖、AIRS 2017 最佳论文奖。

报告题目4： 多通道类别学习的泛化及其神经机制

报告摘要：多通道信息会促进对物体的识别和记忆，但尚不清楚多通道信息是否会促进类别学习，及其如何促进类别学习和泛化过程。采用原型变异的类别学习任务，我们通过操纵刺激的变异程度，行为结果发现，多通道信息会促进类别学习，并且，这一促进效应还会迁移到未学习过的刺激上，表现出多通道类别学习的泛化效应。ERP结果发现，在刺激呈现158毫秒后，首先在额叶出现多通道特征整合的超加效应；随后，在刺激呈现266毫秒后，在颞叶出现多通道类别判断的超加效应。fMRI结果发现，右侧颞中回、尾状核和前扣带回在对学习过的多通道刺激分类时发挥重要作用，而右侧额下回则在对未学习过的多通道刺激分类时发挥重要作用。这些研究结果表明，多通道信息可以促进类别学习及其泛化过程，并且促进效应和泛化效应的背后具有不同的神经机制。

报告嘉宾简介：

付秋芳，中国科学院心理研究所研究员，博士生导师，中国科学院大学岗位教授。主要从事内隐学习、类别学习与意识的研究，已在Neurobiology of Learning and Memory和Consciousness and Cognition等期刊发表论文40余篇。曾先后主持中国国家自然科学基金委的青年基金项目和面上基金项目，现负责1项国家重点研发计划的课题和1项中德重大国际合作项目的课题。

CCF微信公众号，欢迎关注