【ZiDongHua 之自動(dòng)化學(xué)院派收錄關(guān)鍵詞： 人工智能 機(jī)器學(xué)習(xí) AI】
　　
　　人工智能研究院第一屆機(jī)器學(xué)習(xí)論壇在北京大學(xué)召開
　　
　　2024年4月21日，由北京大學(xué)人工智能研究院主辦的第一屆機(jī)器學(xué)習(xí)論壇在北京大學(xué)中關(guān)新園第一會(huì)議室召開。本次論壇由北京大學(xué)智能學(xué)院副院長、北京大學(xué)人工智能研究院機(jī)器學(xué)習(xí)中心主任、博雅特聘教授林宙辰教授和北京大學(xué)智能學(xué)院王奕森助理教授共同主持，林宙辰教授致開幕辭。
 
　　
　　林宙辰教授致開幕辭
　　
　　本次論壇聚焦于近期機(jī)器學(xué)習(xí)技術(shù)在表示獲取、圖像生成、可解釋性、統(tǒng)計(jì)分析、多模態(tài)、弱監(jiān)督、AI+X等方向的前沿研究，邀請了中國科學(xué)院大學(xué)葉齊祥教授、南京郵電大學(xué)鮑秉坤教授、中國科學(xué)院自動(dòng)化研究所張文生研究員、大連理工大學(xué)雷娜教授、重慶郵電大學(xué)李偉生教授、江南大學(xué)吳小俊教授、廣西師范大學(xué)張師超教授、西南交通大學(xué)李天瑞教授、中國科學(xué)院計(jì)算技術(shù)研究所何清研究員、北京大學(xué)王奕森助理教授等國內(nèi)機(jī)器學(xué)習(xí)相關(guān)領(lǐng)域的優(yōu)秀學(xué)者作了精彩報(bào)告，分享了團(tuán)隊(duì)在相關(guān)領(lǐng)域的前沿研究工作、創(chuàng)新成果及發(fā)展趨勢，并與參會(huì)者深入探討了機(jī)器學(xué)習(xí)當(dāng)前面臨的挑戰(zhàn)以及未來的發(fā)展方向。
 
　　
　　會(huì)場盛況
　　
　　葉齊祥教授作題為《視覺表征模型的結(jié)構(gòu)設(shè)計(jì)與物理啟發(fā)》的報(bào)告
　　
　　中國科學(xué)院大學(xué)葉齊祥教授作了題為《視覺表征模型的結(jié)構(gòu)設(shè)計(jì)與物理啟發(fā)》的報(bào)告，探討了局部卷積運(yùn)算造成的自監(jiān)督學(xué)習(xí)信息泄露問題，提出了Token Merging操作，突破卷積或局部運(yùn)算的局部約束，形成高效分層Transformer 表征(HiViT)與全預(yù)訓(xùn)練的Transformer 金字塔網(wǎng)絡(luò)（iTPN）。在模型結(jié)構(gòu)結(jié)構(gòu)設(shè)計(jì)的基礎(chǔ)上，探索了物理原理啟發(fā)的基礎(chǔ)模型，從熱傳導(dǎo)視角探索表征模型，同時(shí)展示了目前取得的良好效果。
　　
　　鮑秉坤教授作題為《跨模態(tài)圖像生成》的報(bào)告
　　
　　南京郵電大學(xué)鮑秉坤教授作了題為《跨模態(tài)圖像生成》的報(bào)告，介紹近期跨模態(tài)圖像生成任務(wù)的研究進(jìn)展，從提高預(yù)訓(xùn)練GAN模型生成質(zhì)量且保證生成速度的角度出發(fā)，介紹團(tuán)隊(duì)在文本生成圖像任務(wù)的研究思路和研究成果，最后探討如何使用大規(guī)模預(yù)訓(xùn)練多模態(tài)模型優(yōu)化文本到圖像生成任務(wù)。
　　
　　王奕森助理教授作題為《數(shù)據(jù)增廣圖視角下的表示學(xué)習(xí)理論》的報(bào)告
　　
　　北京大學(xué)王奕森助理教授作了題為《數(shù)據(jù)增廣圖視角下的表示學(xué)習(xí)理論》的報(bào)告，報(bào)告探討了自監(jiān)督學(xué)習(xí)中的對(duì)比學(xué)習(xí)（Contrastive Learning）、掩碼學(xué)習(xí)（Mask Image Modeling）、多模態(tài)學(xué)習(xí)（CLIP）背后的工作機(jī)理，從理論視角分析了其優(yōu)化過程和下游泛化能力，為自監(jiān)督學(xué)習(xí)的算法設(shè)計(jì)提供了獨(dú)到的見解。
　　
　　張文生研究員作題為
　　
　　《大數(shù)據(jù)時(shí)代“結(jié)構(gòu)+統(tǒng)計(jì)”機(jī)器學(xué)習(xí)挑戰(zhàn)與應(yīng)用實(shí)踐》的報(bào)告
　　
　　中國科學(xué)院自動(dòng)化研究所張文生研究員作了題為《大數(shù)據(jù)時(shí)代“結(jié)構(gòu)+統(tǒng)計(jì)”機(jī)器學(xué)習(xí)挑戰(zhàn)與應(yīng)用實(shí)踐》的報(bào)告，介紹了“統(tǒng)計(jì)+結(jié)構(gòu)”知識(shí)表示的語義概率圖模型，凝練語義概率圖模型的知識(shí)表示與知識(shí)簇萃取、深度學(xué)習(xí)的結(jié)構(gòu)發(fā)現(xiàn)等核心方法，可望實(shí)現(xiàn)大數(shù)據(jù)時(shí)代機(jī)器學(xué)習(xí)模型的生成與推理，選擇從多模態(tài)氣象大數(shù)據(jù)到健康醫(yī)療大數(shù)據(jù)真實(shí)場景，提供“結(jié)構(gòu)+統(tǒng)計(jì)”機(jī)器學(xué)習(xí)泛化應(yīng)用佐證效果，探索了大數(shù)據(jù)時(shí)代統(tǒng)計(jì)機(jī)器學(xué)習(xí)與符號(hào)機(jī)器學(xué)習(xí)的“水火相融”理論和方法。
　　
　　雷娜教授作題為
　　
　　《基于最優(yōu)傳輸?shù)目山忉屔疃葘W(xué)習(xí)理論及模型構(gòu)建》的報(bào)告
　　
　　大連理工大學(xué)雷娜教授作了題為《基于最優(yōu)傳輸?shù)目山忉屔疃葘W(xué)習(xí)理論及模型構(gòu)建》的報(bào)告，介紹了最優(yōu)傳輸?shù)幕纠碚摵拖嚓P(guān)算法，從最優(yōu)傳輸?shù)囊暯莵斫忉屔扇蝿?wù)和分類任務(wù)，最后介紹了基于最優(yōu)傳輸構(gòu)建的能夠避免模式崩潰的新型生成模型、長尾分類模型、圖像超分辨模型、點(diǎn)云上采樣模型等，為生成任務(wù)和分類任務(wù)的解釋帶來了獨(dú)到的視角。
　　
　　李偉生教授作題為《基于多模態(tài)醫(yī)學(xué)圖像處理的多維可視化》的報(bào)告
　　
　　重慶郵電大學(xué)李偉生教授作了題為《基于多模態(tài)醫(yī)學(xué)圖像處理的多維可視化》的報(bào)告，介紹了多模態(tài)圖像處理在現(xiàn)代醫(yī)學(xué)領(lǐng)域中的應(yīng)用，增強(qiáng)了系統(tǒng)魯棒性，已成為輔助診療的關(guān)鍵技術(shù)之一。利用多模態(tài)醫(yī)學(xué)圖像可建立多維可視化的數(shù)字化結(jié)構(gòu)解剖模型，有望實(shí)現(xiàn)對(duì)器官及組織的各個(gè)參數(shù)的精確測量，增強(qiáng)醫(yī)學(xué)影像的可靠性、穩(wěn)定性及容錯(cuò)能力。
　　
　　吳小俊教授作題為
　　
　　《面向多模態(tài)視覺融合的稀疏/低秩深度學(xué)習(xí)方法及其應(yīng)用》的報(bào)告
　　
　　江南大學(xué)吳小俊教授作了題為《面向多模態(tài)視覺融合的稀疏/低秩深度學(xué)習(xí)方法及其應(yīng)用》的報(bào)告，以視覺融合問題為背景，介紹了基于稀疏/低秩表示的深度學(xué)習(xí)方法。對(duì)視覺融合和深度學(xué)習(xí)進(jìn)行簡單回顧，接下來從稀疏與低秩表示優(yōu)化理論給出深度網(wǎng)絡(luò)的結(jié)構(gòu)的（自動(dòng)）設(shè)計(jì)方法，并詳細(xì)介紹了這些方法的初步應(yīng)用，報(bào)告從一個(gè)不同的視角激發(fā)了對(duì)深度學(xué)習(xí)的思考和討論。
　　
　　張師超教授作題為《Soft-KNN分類》的報(bào)告
　　
　　廣西師范大學(xué)張師超教授作了題為《Soft-KNN分類》的報(bào)告，介紹了對(duì)KNN分類算法的主要研究成果，揭示了KNN算法面臨的有四個(gè)公開挑戰(zhàn)性問題：K值設(shè)置、相關(guān)性關(guān)系度量、最近鄰點(diǎn)搜索、分類原則等問題，探討了如何進(jìn)一步擴(kuò)展KNN算法的實(shí)用性并分享了近期的一些研究思考。
　　
　　李天瑞教授作題為《微監(jiān)督擾動(dòng)學(xué)習(xí)》的報(bào)告
　　
　　西南交通大學(xué)李天瑞教授作了題為《微監(jiān)督擾動(dòng)學(xué)習(xí)》的報(bào)告，介紹了一種新的表征學(xué)習(xí)方法——微監(jiān)督擾動(dòng)學(xué)習(xí)，該方法只需依賴于極少的標(biāo)簽信息。基于這一微監(jiān)督擾動(dòng)思想，將其融合到對(duì)比散度（CD）學(xué)習(xí)中，提出了兩個(gè)變體模型來微調(diào)受限玻爾茲曼機(jī)（RBM）的期望表征概率分布，即微監(jiān)督擾動(dòng)高斯受限玻爾茲曼機(jī)（Micro-DGRBM）和微監(jiān)督擾動(dòng)受限玻爾茲曼機(jī)（Micro-DRBM）模型。進(jìn)一步，為了探索在微監(jiān)督擾動(dòng)持續(xù)激勵(lì)下的表征學(xué)習(xí)能力，基于Micro-DGRBM和Micro-DRBM模型，提出了一種深度微監(jiān)督擾動(dòng)學(xué)習(xí)（Micro-DL）框架。
　　
　　何清研究員作題為《金融大數(shù)據(jù)智能監(jiān)管與輿情分析》的報(bào)告
　　
　　中國科學(xué)院計(jì)算技術(shù)研究所何清研究員作了題為《金融大數(shù)據(jù)智能監(jiān)管與輿情分析》的報(bào)告，介紹了針對(duì)證券數(shù)據(jù)高噪、高維、富格式的特點(diǎn)，圍繞序列模式發(fā)現(xiàn)、異常行為檢測、文本情感分析、富格式文本理解等內(nèi)容開展的應(yīng)用基礎(chǔ)研究，提出了在金融輿情分析系統(tǒng)和金融領(lǐng)域第一個(gè)自動(dòng)化的數(shù)值交叉檢查系統(tǒng)，大力提升了證券大數(shù)據(jù)挖掘效果和效率，支撐市場風(fēng)險(xiǎn)預(yù)警、行為監(jiān)管等金融管理相關(guān)實(shí)際應(yīng)用。
　　
　　論壇嘉賓與部分參會(huì)師生合影（上午論壇部分）
　　
　　論壇嘉賓與部分參會(huì)師生合影（下午論壇部分）
　　
　　論壇嘉賓與參會(huì)師生深入探討與交流
　　
　　北京大學(xué)人工智能研究院機(jī)器學(xué)習(xí)論壇的創(chuàng)辦與召開，旨在于拓展機(jī)器學(xué)習(xí)技術(shù)在多領(lǐng)域研究中的科研視野，分享機(jī)器學(xué)習(xí)多領(lǐng)域研究中的最新進(jìn)展及成果，交流機(jī)器學(xué)習(xí)前沿?zé)狳c(diǎn)問題，探討學(xué)科發(fā)展趨勢和方向，同時(shí)為國內(nèi)機(jī)器學(xué)習(xí)領(lǐng)域的學(xué)者搭建有效的交流平臺(tái)。
　　
　　來源：機(jī)器學(xué)習(xí)研究中心
　　
　　—   版權(quán)聲明  —
　　
　　本微信公眾號(hào)所有內(nèi)容，由北京大學(xué)人工智能研究院微信自身創(chuàng)作、收集的文字、和音視頻資料，版權(quán)屬北京大學(xué)人工智能研究院微信所有；從公開渠道收集、整理及授權(quán)轉(zhuǎn)載的文字、和音視頻資料，版權(quán)屬原作者。本公眾號(hào)內(nèi)容原作者如不愿在本號(hào)刊登內(nèi)容，請及時(shí)通知本號(hào)，予以刪除。