返回首页
您的位置:首页 > 新闻 > CCF聚焦

CCF 人工智能与模式识别全专委|预告:7月4日CCF AI走进烟台大学

阅读量:1005 2020-06-29 收藏本文

数据智能与学习


烟台大学


CCF人工智能与模式识别专业委员会将采用线上会议形式举办“CCF AI走进高校@烟台大学——数据智能与学习”。时间:202074日(星期六)9:00-11:30,欢迎扫码线上报名。活动向CCF会员免费开放,CCF会员同时享有提问优先权!

本届研讨会以“数据智能与学习”为主题,紧扣国内外数据智能与学习热点、交流中国数据智能与学习的前沿理论和新兴技术,主要包括低质量数据分类回归学习,语义驱动多标签文本表示学习以及迁移强化学习的研究进展。

【会议议程】:

9:00-9:05 主持人开场: 王莹洁 副教授 烟台大学

9:05-9:10 主办方致辞:童向荣,CCF AI专委会委员,计算机与控制工程学院院长

9:10-9:50 《低质量数据分类回归学习》

特邀讲者:胡清华 教授 天津大学

主持人:张楠 副教授 烟台大学

9:50-9:55 提问环节

9:55-10:35 《语义驱动多标签文本表示学习》

特邀讲者:景丽萍 教授 北京交通大学

主持人:刘惊雷 教授 烟台大学

10:35-10:40 提问环节

10:40-11:20 《迁移强化学习研究进展》

特邀讲者:章宗长 副教授 南京大学

主持人:郑强   副教授 烟台大学

11:20-11:25 提问环节

11:25-11:30

会议结束:王莹洁 副教授 烟台大学

【执行主席】:


童向荣,男,博士、教授、烟台大学计算机与控制工程学院院长。毕业于北京交通大学计算机应用技术专业。中国计算机学会人工智能与模式识别专业委员会委员,中国人工智能学会粒计算与知识发现专业委员会委员,山东计算机学会常务理事,山东省自动化学会常务理事,山东省人工智能学会常务理事,山东省高端海洋工程装备智能技术协同创新中心主任,数据科学与智能技术山东省高校重点实验室主任,软件工程山东省高水平应用型专业负责人,烟台大学人工智能研究院常务副院长。研究兴趣:多Agent 系统、分布式人工智能、数据挖掘技术。

【讲者信息】:


胡清华,天津大学教授、博导,天津大学智能与计算学部副主任、天津市机器学习重点实验室主任、中国人工智能学会理事、粒计算与知识发现专委会副主任,《IEEE Transactions on Fuzzy Systems》、《自动化学报》、《智能系统学报》和《控制与决策》的编委。先后获国家优青、国家杰青、国家自然基金重点项目以及国家重点研发计划的资助,从事机器学习和数据挖掘方面的研究,聚焦于低质量、高维、多模态数据的建模及其应用方面的研究。已申请专利30余项,发表论文200余篇,论文被引用超万次。获省部级自然科学一等奖1项。

报告题目:低质量数据分类回归学习

报告摘要:当前,智能系统在开放动态场景中的应用越来越普遍,智能系统从海量低质异构数据中学习可靠的分类回归模型的需求也越来越旺盛。在一些实际应用场景中,技术人员收集了大量的训练数据,但数据中存在大量无关冗余信息、属性噪声大、标记错误多等数据质量问题,从低质量数据中构建高质量模型成为当前研究的一个热点。本报告从几个实际应用场景出发,解释了低质数据建模方法的重要性,并且根据一些具体的应用需求,给出了一系列的低质数据建模方法。


景丽萍,博士,教授,博士生导师,北京交通大学计算机科学系系主任/卓越百人/优秀教师。中国计算机学会人工智能与模式识别专委会委员,中国人工智能学会机器学习专委会委员。分别于2000年、2003年从北京交通大学计算机科学系获学士、硕士学位,2007年从香港大学应用数学系获博士学位。2014年破格晋升教授,2018年获得国家自然科学基金优秀青年基金。

主要研究方向为机器学习、高维数据表示及其在人工智能领域中的应用等。近年来在国内外重要学术杂志和会议上发表100余篇论文(包括顶级国际学术会议AAAIACLIJCAIWWWCVPRACM MM以及IJCVIEEE Trans.系列顶级期刊)。先后承担国家自然基金优青/面上项目、北京市自然基金重点研究专题等。先后组织国际学术会议RSKTACML,以及国内重要会议MLA等。

报告题目:语义驱动多标签文本表示学习

报告摘要:随着互联网以及自媒体技术的发展,多标签文本频繁呈现。相较于传统单标签文本,多标签文本包含更加复杂的语法和语义结构。如何有效提取文本中具有判别性的特征信息、如何深入挖掘标签相关性、如何提升多标签预测性能等成为多标签文本挖掘领域的研究难点。本报告主要结合研究团队最近在多标签文本表示学习、标签结构表示学习等方面的研究进展,阐述该领域的相关工作和最新成果。


章宗长,南京大学人工智能学院副教授,硕士生导师。现为计算机软件新技术国家重点实验室成员,中国计算机学会人工智能与模式识别专委会委员。2012博士毕业于中国科学技术大学,曾先后在罗格斯大学、新加坡国立大学、斯坦福大学进行科学研究,2014—2019年在苏州大学工作。研究内容涵盖智能决策的三个方向:强化学习、概率规划和模仿学习。在主流国际学术会议(AAAIICMLIJCAINeurIPSAAMASICAPSUAI等)和重要国内外学术期刊(《计算机学报》、《软件学报》、《FCS》、《JCST》等)发表论文30多篇。出版译著2部,撰写专著章节2章,申请国家发明专利15项,已授权6项,有3项转让给企业。共同发起了亚洲强化学习系列研讨会(AWRL)。担任SCI期刊《FCS》的青年副编辑,AAAIIJCAIECAI等人工智能领域国际顶级会议的高级程序委员,《JAIR》、《ACM/IEEE Transactions》、《中国科学》等10余个国内外期刊和NeurIPSICMLICAPSECML10余个国际会议的论文评审专家,ACMLPRICAI等国际会议中强化学习专题研讨会的联合主席。近年来主持国家级科研项目2项、省级科研项目2项,与多家企业有科研合作。

报告题目:迁移强化学习研究进展

摘要:迁移强化学习是近年来强化学习领域的研究热点。其核心思想是将迁移学习中的学习方式应用在强化学习的学习过程中,从而帮助强化学习在学习目标任务时,可以借鉴与其相似任务上的知识,以提高在目标任务上的学习效率。在本次报告中,我将介绍我们近期在迁移强化学习方面做的三个工作。一是用于非稳态马尔科夫博弈任务的深度贝叶斯策略重用方法,其特点是结合基于深度神经网络表示的值函数近似,使用基于贝叶斯规则的对手建模来推断其他Agent的策略,并使用蒸馏策略网络来取得高效的在线策略学习和重用。二是基于策略重用思想的策略迁移框架,其特点是由Agent模块和Option模块构成:Option模块负责选择合适的源策略,Agent模块利用来自合适源策略的知识来直接优化目标策略。三是基于鲁棒环境推理的策略自适应方法,其特点是利用变分推理得到的环境特征知识来直接优化目标策略。

【参会方式】:

参会方式:扫描下方二维码进入微信群


直播链接:

1. https://live.bilibili.com/22319814

2. https://meeting.tencent.com/l/0Gcey92zIsp7

腾讯会议ID486 479 631