CCF大连|语言智能励行讲坛预告

CCF大连将举行主题为‘语言智能励行讲坛’的活动。活动旨在推动语言智能领域的学术交流与发展，邀请专家学者进行深入讲解与探讨。

主讲人学术简历：严俊，1976年出生，博士生导师，教授，澳大利亚伍伦贡大学工程和信息科学学部。2001年本科硕士毕业于东南大学计算机应用专业，2004年博士毕业于澳大利亚斯威本科技大学（Swinburne University of Technology）信息技术专业。目前发表期刊论文44篇，会议论文80余篇。

讲座一：An Introduction to Generative AI（生成式人工智能概述）

讲座时间：10月26日 10:00-11:30

Meeting ID: 85900285377

Password: 394504

Meeting link:

https://uow-au.zoom.us/j/85900285377?pwd=ay3U2xf4YBkSH6xTWVkal9sdZYr0y3.1

讲座内容：

生成式人工智能（Generative Artificial Intelligence）是一种基于深度学习的人工智能技术，用于生成新的内容和数据。今天，人们广泛实用生成式人工智能来生成文字，图片，代码，视频等，以高效处理类似于文案编写，代码生成，文档总结，语言翻译等工作。本次讲座介绍生成式人工智能的概念，特征，应用，挑战，以及未来发展方向。

讲座二：Recommender Systems: Concepts, Challenges and Research I（推荐系统：概念、挑战与研究1）

讲座时间：10月28日 18:00-19:30

讲座主要对象：

ZOOM Meeting ID: 84620045340

Password: 397750

Meeting link:

https://uow-au.zoom.us/j/84620045340?pwd=3dzWn6JB9vaOjTOjWGZClMkXQdse40.1

讲座内容：

随着海量数据时代的到来，推荐系统在人们的日常生活中起着越来越重要的作用，它可以帮助Internet用户从大量信息中快速找到他们可能感兴趣的信息。本次讲座将侧重于介绍传统推荐系统的方法和应用，包括基于内容的推荐，协同过滤算法，基于知识的推荐，混合推荐，因子分解机等等。

讲座三：Recommender Systems: Concepts, Challenges and Research II（推荐系统：概念、挑战与研究2）

讲座时间：10月30日 13:00-14:30

ZOOM Meeting ID: 84360246092

Password: 792031

讲座内容：

https://uow-au.zoom.us/j/84360246092?pwd=jmNVvlF2farC7SJbPyRWinms3xjshn.1

本次讲座事推荐系统讲座系列的第二场，主要侧重于基于深度学习的推荐算法和顺序推荐算法，并且总结了目前推荐算法面临的一些挑战和困难。

讲座四：Recommender Systems: Concepts, Challenges and Research III（推荐系统：概念、挑战与研究3）

讲座时间：11月2日10:00-11:30

ZOOM Meeting ID: 88522533562

Password: 662809

Meeting link:

https://uow-au.zoom.us/j/88522533562?pwd=mhac76lH3vUJsyMaHXSpR61Z0mpH62.1

讲座内容：

本次讲座介绍如何实用门控循环单元 （GRU， Gated Recurrent Unit）来解决顺序推荐的一系列常见问题，包括引入时间门来提高推荐精度，引入物体特征解决长尾问题，以及引入信任信息提高推荐多样性。讲座详细介绍算法设计，实现，以及实验结果。

讲座五：A Comprehensive Overview of IoT-Based Federated Learning: Focusing on Client Selection Methods（物联网背景下联邦学习的全面概述：重点关注客户端选择方法）

讲座时间：11月6日13:00-14:30

ZOOM Meeting ID: 81570357745

Password: 253055

Meeting link:

https://uow-au.zoom.us/j/81570357745?pwd=K7BEQiJKijJpmYUYC4iDci0I4Eazhx.1

讲座内容：

物联网（IoT）与机器学习（ML）的结合正在彻底改变服务和应用对我们日常生活的影响。在传统的机器学习方法中，数据是集中收集和处理的。然而，现代物联网网络由于其海量数据和隐私问题，在实施这种方法时面临挑战。为了解决这些问题，联邦学习（FL）作为一种解决方案应运而生。FL允许机器学习方法通过传输模型参数而不是客户端数据来实现协同训练。联邦学习的一个主要挑战是，作为客户端的物联网设备通常在动态环境中具有不同的计算和通信能力。同时，它们的网络可用性不稳定，数据质量也有所不同。为了实现高质量的联邦学习并应对这些挑战，设计合适的客户端选择流程和方法至关重要，这涉及从候选中选择合适的客户端。本次讲座重点关注联邦学习客户端选择面临的挑战，对各种客户端选择方法根据其关键特征及其解决特定挑战的能力进行了详细分类和解释。