人工智能学院系列学术活动（第27场）——中国科学院数学与系统科学研究院张世华教授学术报告

报告题目：智能空间转录组学：为破译组织结构铺平道路主讲人：张世华 主讲人单位：中国科学院数学与系统科学研究院报告摘要: Technological advances in spatial transcriptomics are critical for a better understanding of the structure and function of tissues in biological research. Recently, the combination of intelligent/statistical algorithms and spatial transcriptomics are emerging to pave the way for ...

人工智能学院系列学术活动（第26场）——美国南佛罗里达大学曲哲博士学术报告

Title: Federated Learning: From Algorithm and Networking Perspectives报告题目：从算法和网络分析联邦学习的训练效果Abstract: Federated Learning (FL) has been considered as a more important decentralized machine learning framework, which can reduce the communication latency and protect the user privacy. However, FL has also some challenges to degrade the learning performance such as heterogeneous ...

人工智能前沿系列讲座（第2场）——中山大学计算机学院王昌栋副教授学术报告

报告题目： 基于无监督学习的可解释性推荐系统报告摘要： 个性化推荐系统是近年来数据智能研究领域的一个热门研究话题，不同的学者从不同的角度研究建立了各种推荐系统，包括传统机器学习推荐系统和深度学习推荐系统。但是在推荐系统应用中，终端用户除了追求高精度的推荐性能，他们对推荐系统的可解释性也给予了极大的关注。在本次报告中，我们将从传统机器学习出发介绍经典推荐系统方法，接着介绍深度学习推荐算法，引出可解...

人工智能前沿系列讲座（第1场）——香港浸会大学马晶助理教授学术报告

Title:Combating Misinformation in the Era of Social Media报告题目：社交媒体时代的虚假信息对抗Abstract:Misinformation is defined as messages where people‘s beliefs about factual matters are not supported by clear evidence and expert opinion, e.g., myths, rumors, reporting errors, and misinformaion deliberately or inadvertently circulated by the media, governments, and other interest groups. Mis...

人工智能学院系列学术活动（第25场）—— 香港中文大学（深圳）郭丹丹博士学术报告

报告题目：针对元学习问题学习面向原型的集合表征报告摘要：集合数据（即多个元素的无序集合）涉及到机器学习中很多应用，如解析一组对象组成的场景，对三维点组成的物体进行分类等。由于元学习问题处理了多个不同的数据分布，我们也可将其看作集合输入任务，每个分布对应于一个集合。上述两者都是为了提高模型对测试集合的快速适应能力，一般情况下元学习由于样本数量的限制或新分布的出现更加困难。尽管集合输入任务的广泛性...

人工智能学院系列学术活动（第24场）—— 上海交通大学龙婷博士学术报告

报告题目：面向智慧教育的知识追踪报告摘要：在线教育以其不局限于时间地点的优势可以有效弥补传统教育在教育资源分布均衡，易受不可抗拒因素影响等局限。但为了能够像人类教师一样，为海量学习者提供个性化服务，进行因材施教，在线教育平台需要具备动态地追踪学习者学习状态的能力。知识追踪就是用来解决这一问题的，它根据学生过去答题表现预测学生答对题目的概率来评估学生对题目背后的知识点的掌握情况，进而为线上教育平...

人工智能学院系列学术活动（第23场）—— 斯坦福大学博士后研究员彭伟学术报告

报告题目：负曲率空间的神经网络：Hyperbolic Neural Networks报告摘要：在深度学习中，大部分的网络架构都是在欧式空间构造的，例如CNN和当前非常火热的Vision Transformer模型。然而，很多科学研究领域所处理的数据都具有非欧几何机构；甚至很多待处理的下游任务也体现出很强的非欧特性。显然，将非欧的数据和任务强制在欧式空间进行求解不是一个最优的方案。直接在非欧空间设计神经网络可以更好的应用非欧空间的优势。例如，...

人工智能学院系列学术活动（第22场）—— 剑桥大学&德国马克斯普朗克智能系统研究所刘威杨研究员学术报告

报告题目：基于球面均匀性的归纳偏置报告摘要：在机器学习中，归纳偏置（Inductive Bias）起着至关重要的作用，它决定着一个模型泛化性的强弱。在深度学习中，归纳偏置直接决定了一个过参数化神经网络的表现。那么，如何在模型中引入合适的归纳偏置呢？为解决该问题，本次报将会介绍一个新的正则化概念-- 球面均匀性（Hyperspherical Uniformity）。基于该概念，设计了多种能让神经网络保持良好泛化性的新训练方式，并在各类监...

吉林大学王湘浩人工智能杰出学者系列讲座—梅宏院士主题讲座

讲座题目：对信息技术热点及其变迁的若干认识和思考报 告 人：梅宏，中国科学院院士，发展中国家科学院院士，   欧洲科学院外籍院士，中国计算机学会理事长。主 持 人：张希校长讲座时间：2022年6月7日（星期二）   下午14:00-15:30（北京时间）讲座地址：腾讯会议 495-809-939讲座摘要：信息技术（IT）是一个快速发展的领域。新世纪以来，“概念创新”、“热词频出”已成为IT领域特点之一。报告简介了若干IT热点及其变迁，分析...

人工智能学院系列学术活动（第21场）—— 加拿大卡尔顿大学邬渊博士学术报告

报告题目：基于对抗训练的迁移学习报告摘要：在传统的监督式机器学习中，训练模型的精度高度依赖于大量的优质带标签数据。然而，在现实场景中，对大量数据进行精确的标记需要消耗大量的人力物力。为了应对标签危机，迁移学习算法应运而生。迁移学习算法能够从带标签数据集中学习到特征表达，并将该特征表达泛化到无标签的数据集中，实现知识的迁移。一般的迁移学习算法处理两个数据集：有标签的数据集被称为源域数据集，缺少标...