当前位置: 网站首页> 学术报告> 学术报告内容> “CCF-AI走进陕西师范大学”学术活动
“CCF-AI走进陕西师范大学”学术活动
发布时间:2017-09-09 阅读:1611

活动类别:CCF-AI走进陕西师范大学

活动时间:08:30

活动日期:2017-9-9

地点:长安校区图书馆西报告厅

主办单位:中国计算机学会人工智能与模式识别专委会

承办单位:计算机科学学院

           陕西省电子学会图象图形工程专业委员会

活动日程安排:

报告1

报告题目:VClustering: A Big Data Clustering Algorithm

徐宗本 院士(中国科学院院士,西安交通大学)

报告人简历:

Zong-Ben Xureceived his PhD degree in Mathematics in 1987 from Xi`an Jiaotong University, China. In 1998, he was a postdoctoral Research Fellow in the Department of Mathematics, The University of Strathclyde. He worked as a Research Fellow in the Department of Computer Science and Engineering from 1992 to 1994,  and 1996 to 1997, at The Chinese University of Hong Kong; a visiting professor in the University of Essex in 2001, and Napoli University in 2002. He has been with the School of Mathematics and Statistics, Xi`an Jiaotong University since 1982, where he served as a professor of mathematics and computer science, Dean of Sciences (1997-2003), and VP of the university (2003-2014). From 2007 on, he was appointed as a Chief Scientist of National Basic Research Program of China (973 Project). and the Principle Scientist of Beijing Research Center for Mathematical and Information Sciences.

Professor Xu currently makes several important services for government and professional societies, including Consultant Expert for National (973) Program in Key Basic Science Research and Development (Information group), Ministry of Science and Technology of China; Evaluation Committee Member for Mathematics Degree,  Academic Degree Commission of the Chinese Council; Committee Member in Scientific Committee of Education Ministry of China  (Mathematics and Physics Group); Director of the Teaching Guidance Committee for Mathematical Education  in Universities, the Education Ministry of China; Chairman of the Expert Evaluation Committee for Natural Science Foundation of China (Applied Mathematics group); Editor-in-chief of the Textbooks on Information and Computational Sciences, Higher Education Press of China; Co-editor of more tan 10 international journals.

Professor Xu has published over 280 academic papers on nonlinear functional analysis, optimization, intelligent information processing and machine learning, most of which are in international journals. His current research interests include sparsity modeling, machine learning and big data research. Professor Xu holds the title “Owner of Chinese PhD Degree Having Outstanding Achievements” awarded by the Chinese State Education Commission (CSEC) and the Academic Degree Commission of the Chinese Council in 1991. He is owner of the National Natural Science Award of China in 2007and winner of CSIAM Su Buchin Applied Mathematics Prize in 2008. He delivered a 45 minute talk at the International Congress of Mathematicians (ICM 2010) upon the invitation of the congress committee. He was elected as a member of Chinese Academy of Science in 2011. 

报告摘要:

Clustering is a fundamental and difficult task in big data analytics. There exists however very few algorithms available for big data scenarios. The key bottleneck is no way of the fast solution of the generalized N-body problem in general, and the difficulty of storage, computation and utilized of the big similarity matrix in particular. In this tack, we report a big data clustering algorithm, VClustering, with linear complexity, together with an application of the new algorithm in New York’s traffic data. 

The VClustering works based on sparsification of the similarity matrix. To this end, we introduce a Weber observation system for modeling the visual principle for identifying similar or dissimilar objects in a multi-scale way.  With this, we propose a new similarity measure of data, called the visual similarity, based on Weber observation system. This results in a very nice property of the similarity matrix that its computation can be done in an incremental way. By gridding data using S/D encoding, the sparsification of similarity matrix then results in a neighborhood (very sparse) matrix at each scale, which can be clustered with any well known clustering algorithm (say, the graph connectivity test).

We show that so designed VClustering has a linear complexity, and thus applicable to huge volume of data set. With similar complexity, VClustering significantly outperforms K-means in terms of effectiveness and validity, as demonstrated in comparative application of VClustering and K-means to New York’s Taxi data analysis. 

 

报告2

报告题目:基于教育大数据智能推荐方法及应用

陈恩红 教授(国家杰出青年基金获得者,中国科学技术大学)

报告人简历:

陈恩红,中国科学技术大学教授、博士生导师,CCF会士,国家杰出青年基金获得者,科技部创新人才推进计划重点领域创新团队大数据分析及应用负责人,安徽省特支计划创新领军人才。现任计算机学院副院长、语音及语言信息处理国家工程实验室副主任、大数据分析及应用安徽省重点实验室主任,中国计算机学会理事、大数据专家委员会副主任,安徽省计算机学会理事长。2014年全国数据挖掘会议程序委员会主席、2015年中国计算机大会(CNCC 2015)程序委员会共同主席、2015年全国大数据会议程序委员会主席等。学术期刊IEEE Transactions on SystemMan and Cybernetics: SystemWWW Journal等的编委,在TKDETMCTKDDTIST等期刊,以及KDDAAAIIJCAIICDMCIKM等会议发表论文100余篇,获数据挖掘领域重要国际会议KDD 2008最佳应用论文奖、ICDM 2011最佳研究论文奖、SDM2015最佳论文提名,2012年教育部自然科学二等奖。

报告摘要:

随着在线教育、智慧校园建设等的快速发展,教育大数据(如学生在线答题记录、校园行为数据等)不断积累,为数据驱动的智慧教育带来了前所未有的发展机遇。本报告将分别介绍教育大数据的相关背景,个性化推荐方法,以及在教育领域的智能推荐方法和应用。

 

报告3

报告题目:分布式凸优化研究

高阳 教授(人工智能与模式识别专委会常委、副秘书长,南京大学)

报告人简历:

高阳,南京大学计算机科学与技术系副主任,人工智能教研室/实验室副主任,2009年入选江苏省“333高层次人才培养工程第二批中青年科学技术带头人,2010年入选教育部新世纪优秀人才计划。1997年开始从事人工智能、机器学习、多Agent系统、大数据、图像和视频分析等方向的学术研究。作为第一负责人主持国家自然科学基金重点项目一项,国家自然科学基金面上项目三项,青年项目一项。主持科技部国际合作专项一项,江苏省自然科学基金重点项目(江苏省973项目)一项。基于所研究成果,在国际杂志(IEEE Tranx系列)、国际会议(CCF-A/B类会议)和国内一级刊物上(计算机学报、软件学报等)发表学术论文数100余篇。获授权专利10项,国际PCT专利1项。担任中国人工智能学会理事/机器学习专业委员会副主任/粗糙集与软计算专业委员会副主任;中国计算机学会大数据专家委委员/人工智能与模式识别专业委员会常委/多智能体与智能系统学组副组长/南京分部副主席;江苏省计算机学会常务理事/人工智能专业委员会副主任等。

报告摘要:

近年来,随着数据规模的增大,分布式机器学习越来越受到业界的关注。其中,分布式交替方向乘子法是重要的优化手段。本报告中,从提高分布式交替方向乘子法收敛速度的角度,介绍了基于组的分布式交替方向乘子法、代价敏感的分布式交替方向乘子法、以及加速方法。

 

报告4

报告题目:深度学习的能和不能

于剑 教授(人工智能与模式识别专委会秘书长,北京交通大学)

报告人简历:

于剑,北京交通大学教授,计算机学院计算机科学系主任,交通数据分析与挖掘北京市重点实验室主任,中国计算机学会理事,中国计算机学会人工智能与模式识别专业委员会秘书长,中国人工智能学会理事,中国人工智能学会机器学习专业委员会副主任,主持多项国家自然科学基金项目。主要研究兴趣是机器学习、数据挖掘和自然语言处理等。著有学术专著《机器学习:从公理到算法》。

报告摘要:

深度学习目前是机器学习领域最引人注目的研究方向,其应用极其广泛。但没有免费午餐定理告诉我们,没有万能的学习算法。 因此,本报告将深入分析深度学习的适用范围。 首先,简述深度学习的发展历程。 在此基础之上,理论分析深度学习的应用范围和失效领域。 最后,讨论深度学习面临的问题及其对策。

 

报告5

报告题目:Binary relevance for multi-label learning

张敏灵 教授(国家自然科学基金优秀青年科学基金获得者、教育部长江学者奖励计划青年学者,东南大学)

报告人简历:

张敏灵,东南大学计算机科学与工程学院教授。分别于2001年、2004年和2007年于南京大学计算机科学与技术系获学士、硕士和博士学位。主要研究领域为机器学习、数据挖掘。任中国计算机学会人工智能与模式识别专委会常务委员、中国人工智能学会机器学习专委会秘书长等。担任《ACM Trans. IST》、《Frontiers of Computer Science》、《Neural Networks》、《软件学报》编委,《Machine Learning》等期刊客座编辑,以及ACML'17PRICAI'16CCFAI'17程序主席,AAAI'17IJCAI'17ICDM'17等国际会议领域主席或高级程序委员。获NSFC优秀青年科学基金(2012年度)、入选教育部长江学者奖励计划青年学者(2015年度)等。

报告摘要:

In recent years, multi-label learning has become one of the important research topics in machine learning community. Binary relevance (BR) is arguably the most popular approach towards multi-label learning, which decomposes the multi-label learning problem into a number of independent binary classification problems, one per category. In view of the well-known weakness of BR, i.e. ignorance of label correlations, a number of enhanced versions of BR have been developed in recent years by endowing BR with the ability of label correlations exploitation. Nonetheless, in addition to label correlations exploitation, there are several factors which need to be considered to make BR-based approach work effectively. In this talk, I will introduce some of our recent progresses on BR-based multi-label learning.

 

报告6

报告题目:Source code is more than its text: Mining program functional behaviors by exploiting the program structures

黎铭 副教授(国家自然科学基金优秀青年科学基金获得者,南京大学)

报告人简历:

黎铭,博士,南京大学副教授,博士生导师。主要从事软件挖掘、机器学习方面的研究工作。在《IEEE Trans KDE》等国内外重要学术刊物和IJCAIICML 等重要国际会议发表论文三十余篇。应邀任《International Journal of Data Warehousing and Mining》、《Frontiers of Computer Science》、《自动化学报》编委,国际软件挖掘研讨会SoftwareMining主席、IJCAI’16/17AAAI’17/18等的高级程序委员;任中国人工智能学会机器学习专委会常务委员、中国计算机学会人工智能与模式识别专委会委员等。曾获国家自然科学基金优秀青年科学基金、教育部新世纪人才、中国计算机学会优秀博士学位论文奖等荣誉。

报告摘要:

软件挖掘是数据挖掘的一个新方向,它通过对软件数据进行自动挖掘与分析,以期提升软件质量、开发效率与用户体验。程序功能挖掘是软件挖掘的一个重要任务,它能够帮助软件维护人员理解程序功能行为、定位出现问题的代码片段、发现实现相似功能的代码。目前,程序功能挖掘大都基于源代码进行分析。现有技术通常将源代码视为纯文本,通过文本挖掘技术对其功能进行学习建模。事实上,在程序文本之外,程序结构包含了丰富的功能语义,然而,现有方法却难以对程序结构进行有效建模。本报告将介绍了我们最近在程序功能挖掘方面的最新进展。

 

报告7

报告题目:人机混合智能的思考与实践

人:高新波 教授(国家杰出青年科学基金获得者、教育部长江学者特聘教授、国家万人计划科技创新领军人才,西安电子科技大学校长助理)

报告个人简历:

高新波,博士,教授,西安电子科技大学模式识别与智能系统学科带头人,综合业务网理论及关键技术国家重点实验室主任,国家万人计划科技创新领军人才,新世纪百千万人才工程国家级人选,国家杰出青年科学基金获得者,教育部长江学者特聘教授,科技部重点领域创新团队及教育部创新团队负责人。IET FellowCIE FellowIEEE高级会员、中国图象图形学学会常务理事、中国计算机学会理事、中国指挥与控制学会富媒体指挥专委会常务委员。主要从事影像处理、分析和理解、模式识别和机器学习等领域的研究和教学工作,在本领域发表论文300余篇,SCI检索200余篇,Google Scholar引用9700余次,获国家自然科学二等奖1项、省部级科学技术一等奖3项。

报告摘要:

本报告主要涉及人机混合智能的一点初步思考和实践尝试。报告首先回顾了人类智慧和人工智能的起源,分析了人工智能与人类智慧之间的差异和互补性;进而引出人机混合智能的思考。从物理-信息系统出发,构建了物理-信息-人类社会系统及其相对应的物理-信息-认知三元空间的融合,并尝试基于混合智能构造人--环相互融合的和谐系统。通过三元空间融合的一个异质人脸识别系统来尝试人机混合智能系统的搭建。最后,提出了人工智能发展的几个可能的研究方向。通过本报告与大家共同思考人工智能的未来发展。