2022年人工智能论坛 .pdf

人工智能论坛内容简介1.吴建鑫 教授： 深度学习实践：庖丁解牛与盲人摸象摘要：深度学习是目前计算机视觉与机器学习领域最热门、也是在很多实际问题中实践效果最好的方法。然而，深度学习，尤其是卷积神经网络CNN 的机理目前尚不明确。本次报告将介绍我们研究组在CNN 深度学习方向上两个方面的实践：庖丁解牛与盲人摸象。庖丁解牛即将CNN 的各个构成模块分别探索，发现其优缺点并加以改进，从而对 CNN 的各个模块形成深入的理解。盲人摸象即对在ImageNet 上学习到的CNN 预训练模型能起到什么样的作用加以研究，在CNN 整体机理尚不清楚的前提下，对预训练模型在各个视觉问题中的无监督应用加以研究。2.张道强 教授: Human Brain Mapping and Decoding: An OverviewAbstract: A universal unanswered question in neuroscience and machine learning is whether computers can break the neural codes. Machine learning algorithms to encode information into neural activity and extract information from brain patterns afford an understanding of how percepts, memories, thought and knowledge are represented in patterns of brain activities. Most of the previous studies have employed task-based functional Magnetic Resonance Imaging (fMRI) datasets for breaking the neural codes because it provides better spatial resolution in comparison with other modalities. Indeed, fMRI enables us to ask what information is represented in a region of the human brain and how that information is encoded, instead of asking what a region function is. This talk reviews two challenges in fMRI analysis, i.e. functional alignment, and feature selection. First of all, we introduce hyperalignment method and its application in fMRI analysis. And then two new approaches will be presented to improve the performance of functional alignment, including deep and supervised methods. After that, the reasons and difficulties of selecting features in task -based fMRI analysis will be discussed. Here, a novel anatomical -based feature selection method for analyzing whole-brain fMRI datasets will be introduced. In the end, we will explain some future works.名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 5 页 - - - - - - - - - 3.耿新 教授：面向标记分布学习的标记增强摘要：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。4.管子玉 教授：基于弱标注信息的深度学习摘要： 深度学习近年来获得了学术界和工业界广泛关注。但是，深层神经网络需要通过大量的训练数据来学习。传统的无监督预学习技术假设数据的分布能有效帮助学习目标语义，因此并不能很好地解决语义鸿沟问题。而在有监督学习方面，针对具体学习任务的大规模标注数据也较难获得。弱标注数据指的是由于存在噪声或者不契合等问题而无法直接用于解决所关注学习任务的语义标注，如社会化标签、 互联网用户产生的评论评分。弱标注数据中含有大量的语义信息，如何有效利用这些信息训练神经网络是亟需解决的问题。本次报告主要对我们近期在该领域开展的一些研究工作进行介绍：（1）利用评论评分信息学习深层情感分类模型；（2） 利用图片级标注学习图片中物体的哈希表示，解决基于物体的图像检索问题；（3）利用社会化标签标注数据提升图像检索性能。5.郑伟诗 教授：行为意图预测分析研究摘要 ：不同于行为识别，行为意图预测分析仅利用部分已观察的视频片段，实现整个视频动作行为类别的预测。这次报告将重点介绍我们最近基于视频数据的行为意图预测分析的研究成果。同时，我们也将简要介绍本组与之相关的交互行为分析工作，包括基于模板学习的人物交互行为分析、多通道异质特征数据融合的人物交互行为分析、基于广义相似性函数的人与人交互建模的多人交互行为分析学习模型。6.陈伟能 教授：基于概率分布的演化算法摘要：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，提出名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 5 页 - - - - - - - - - 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（Niching ）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（particle swarm optimization ，PSO）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。7.熊德意 教授：从机器翻译看自然语言对话及其挑战摘要： 机器翻译和自然语言对话是人工智能中的一对姊妹花，两者都是AI-完全问题，且都依托于自然语言理解，具有相似的形式化描述和方法论体系。近年来，这对姊妹花在学术界和工业界中引起了极大的研究兴趣。随着两者本身技术的发展以及大数据、云计算技术的推动， 机器翻译和自然语言对话都处在产业发展的拐点。本报告将探讨机器翻译技术在自然语言对话中的应用，并从大数据和自然语言理解的角度分析两者面临的挑战。8.彭绍亮 教授：大超人：天河超级计算机上的人工智能医生摘要 ：机器人能挂号看病？基于国家超级计算长沙中心的天河超级计算机和健康医疗大数据研发的辅助诊疗机器人已经初具雏形，堪称大数据、 超级计算和人工智能技术在医疗健康领域中的完美应用案例。2015 年 Gartner 等调查报告： “14 亿人口的国家，每千人医生 1.75，每千人农业人口的医生只有0.47，误诊率高于40% ”。医疗资源的严重缺乏和误诊率的不断攀升造成国家和人民巨额医疗、医保开销，医患矛盾不断加剧。如何解决这些尖锐矛盾，全面提高全民医疗和健康水平。“ 大超人 ” 经过多年的技术储备、研发和测试横空出世。 什么是 “ 大超人 ” ：医疗大数据 +天河超级计算机 +人工智能算法。 “ 大超人 ” 是国际首个面向临床应用的机器人全科医生，包括“ 健康体检机器人 ” 、“ 智能分导诊机器人 ” 、“ 临床诊断辅助决策机器人” 、“ 巡房机器人 ” 、“ 家庭健康机器人” 、“ 骨质疏松筛查机器人 ” 等系统，从 “ 诊前” 、“ 诊中 ” 、“ 诊后”3 阶段全力支持和辅助医生进行全方位精准的智能诊疗，并呵护病人和每个家庭成员的健康。大超人初期的研发和测试都基于天河超级计算机和海量医疗健康大数据，采用机器学习等人工智能算法，研发了更符名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 5 页 - - - - - - - - - 合医学逻辑的人工智能混合算法平台，在诊断中学习，在学习中诊断。该系统目前已于2016 年在国内多家三甲医院进行了部署、测试、试运行，挂号机器人准确率达9 成以上，诊疗速度比人工快2-10 倍，误诊率下降20%以上。在 2017 年 8 月 19 日，在第 20届全国高等医学院校诊断学教学改革研讨会上（南华医院），进行了 “ 人机 PK ”, 将 100份电子病历导入系统中，现场4.8 秒给出的诊断结果，每个病人用时不到0.05 秒，准确率达到 100%，得到我国临床诊断学领军人首都医科大学临床检验诊断学系主任康熙雄教授等200 多位与会医疗专家的热烈互动和点赞！国际国内几十家媒体进行了现场直播和报道（ CCTV,湖南卫视等）。2018 年骨质疏松筛查机器人已经在湖南湘雅等几十家医院门诊部署， 24 小时无人值守模式下已经接待了1 万多名患者， 准确率超过90%。相关研究成果于2018 年 2 月在 Science上正式发表。9.李天瑞 教授：数据驱动智能的挑战和解决方案摘要：本报告首先概述了数据驱动智能的几大主要挑战，包括合理数据采集、 数据量大、数据动态性、数据不确定性、数据多源异构性以及数据隐私保护等问题，接着概述了数据驱动智能的四个要素，包括数据、算法、计算力和行业应用，最后重点介绍我们近期在数据驱动智能方面的工作进展，包括大规模增量特征选择算法设计，并行知识发现方法以及在高铁大数据和智慧城市方面应用等。10. 孟德宇 教授：大数据环境下的机器学习误差建模方法摘要： 传统机器学习主要关注于确定性信息的建模，而在复杂场景下，机器学习方法容易出现对数据噪音的鲁棒性问题，而该鲁棒性问题与误差函数的选择紧密相关。本次报告聚焦于如何针对包含复杂噪音数据进行误差建模的鲁棒机器学习原理。这一原理对在线视频处理、医学图像恢复等问题，已体现出个性化的应用优势，该原理亦有希望能够引导出更多有趣的机器学习相关应用与发现。11. 郭平 教授：天文学中的人工智能12. 李武军 副教授 ：并行与分布式随机学习摘要：大数据机器学习为大数据智能提供核心的理论和技术支撑，已经成为人工智能与大数据研究中最热门的领域之一。目前，以随机梯度下降(SGD)为代表的随机学习已经成为大数据机器学习的核心技术之一。本报告将介绍我们研究组在并行与分布式随机学名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 5 页 - - - - - - - - - 习领域最新的研究成果，并将介绍我们组自主研发并已开源的大数据机器学习平台LIBBLE ( http:/libble.tk/ )。13. 李宇峰 副研究员 : 安全半监督学习：算法和理论分析初探摘要 : 对于数据很多， 标记很少的应用情景， 半监督学习方面的研究得到了很多的进展。然而，目前半监督学习技术还不能放心地实施，因它有时利用更多的未标注数据反而会恶化性能。因此，亟需要发展安全半监督学习技术，即利用未标注数据在最坏情况下都不会恶化性能的技术。围绕算法设计和理论分析，这次报告介绍我们在安全半监督学习方面取得的探索结果。14. 朱占星 研究员：Towards understanding optimization dynamics, generalization and robustness in deep learning名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 5 页，共 5 页 - - - - - - - - -