【ZiDongHua 之自動化學院派收錄關鍵詞： 人工智能 機器學習 AI】
　　
　　人工智能研究院第一屆機器學習論壇在北京大學召開
　　
　　2024年4月21日，由北京大學人工智能研究院主辦的第一屆機器學習論壇在北京大學中關新園第一會議室召開。本次論壇由北京大學智能學院副院長、北京大學人工智能研究院機器學習中心主任、博雅特聘教授林宙辰教授和北京大學智能學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器學習技術在表示獲取、圖像生成、可解釋性、統(tǒng)計分析、多模態(tài)、弱監(jiān)督、AI+X等方向的前沿研究，邀請了中國科學院大學葉齊祥教授、南京郵電大學鮑秉坤教授、中國科學院自動化研究所張文生研究員、大連理工大學雷娜教授、重慶郵電大學李偉生教授、江南大學吳小俊教授、廣西師范大學張師超教授、西南交通大學李天瑞教授、中國科學院計算技術研究所何清研究員、北京大學王奕森助理教授等國內(nèi)機器學習相關領域的優(yōu)秀學者作了精彩報告，分享了團隊在相關領域的前沿研究工作、創(chuàng)新成果及發(fā)展趨勢，并與參會者深入探討了機器學習當前面臨的挑戰(zhàn)以及未來的發(fā)展方向。
 
　　
　　會場盛況
　　
　　葉齊祥教授作題為《視覺表征模型的結構設計與物理啟發(fā)》的報告
　　
　　中國科學院大學葉齊祥教授作了題為《視覺表征模型的結構設計與物理啟發(fā)》的報告，探討了局部卷積運算造成的自監(jiān)督學習信息泄露問題，提出了Token Merging操作，突破卷積或局部運算的局部約束，形成高效分層Transformer 表征(HiViT)與全預訓練的Transformer 金字塔網(wǎng)絡（iTPN）。在模型結構結構設計的基礎上，探索了物理原理啟發(fā)的基礎模型，從熱傳導視角探索表征模型，同時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》的報告
　　
　　南京郵電大學鮑秉坤教授作了題為《跨模態(tài)圖像生成》的報告，介紹近期跨模態(tài)圖像生成任務的研究進展，從提高預訓練GAN模型生成質(zhì)量且保證生成速度的角度出發(fā)，介紹團隊在文本生成圖像任務的研究思路和研究成果，最后探討如何使用大規(guī)模預訓練多模態(tài)模型優(yōu)化文本到圖像生成任務。
　　
　　王奕森助理教授作題為《數(shù)據(jù)增廣圖視角下的表示學習理論》的報告
　　
　　北京大學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習理論》的報告，報告探討了自監(jiān)督學習中的對比學習（Contrastive Learning）、掩碼學習（Mask Image Modeling）、多模態(tài)學習（CLIP）背后的工作機理，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)督學習的算法設計提供了獨到的見解。
　　
　　張文生研究員作題為
　　
　　《大數(shù)據(jù)時代“結構+統(tǒng)計”機器學習挑戰(zhàn)與應用實踐》的報告
　　
　　中國科學院自動化研究所張文生研究員作了題為《大數(shù)據(jù)時代“結構+統(tǒng)計”機器學習挑戰(zhàn)與應用實踐》的報告，介紹了“統(tǒng)計+結構”知識表示的語義概率圖模型，凝練語義概率圖模型的知識表示與知識簇萃取、深度學習的結構發(fā)現(xiàn)等核心方法，可望實現(xiàn)大數(shù)據(jù)時代機器學習模型的生成與推理，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)真實場景，提供“結構+統(tǒng)計”機器學習泛化應用佐證效果，探索了大數(shù)據(jù)時代統(tǒng)計機器學習與符號機器學習的“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習理論及模型構建》的報告
　　
　　大連理工大學雷娜教授作了題為《基于最優(yōu)傳輸?shù)目山忉屔疃葘W習理論及模型構建》的報告，介紹了最優(yōu)傳輸?shù)幕纠碚摵拖嚓P算法，從最優(yōu)傳輸?shù)囊暯莵斫忉屔扇蝿蘸头诸惾蝿?，最后介紹了基于最優(yōu)傳輸構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、點云上采樣模型等，為生成任務和分類任務的解釋帶來了獨到的視角。
　　
　　李偉生教授作題為《基于多模態(tài)醫(yī)學圖像處理的多維可視化》的報告
　　
　　重慶郵電大學李偉生教授作了題為《基于多模態(tài)醫(yī)學圖像處理的多維可視化》的報告，介紹了多模態(tài)圖像處理在現(xiàn)代醫(yī)學領域中的應用，增強了系統(tǒng)魯棒性，已成為輔助診療的關鍵技術之一。利用多模態(tài)醫(yī)學圖像可建立多維可視化的數(shù)字化結構解剖模型，有望實現(xiàn)對器官及組織的各個參數(shù)的精確測量，增強醫(yī)學影像的可靠性、穩(wěn)定性及容錯能力。
　　
　　吳小俊教授作題為
　　
　　《面向多模態(tài)視覺融合的稀疏/低秩深度學習方法及其應用》的報告
　　
　　江南大學吳小俊教授作了題為《面向多模態(tài)視覺融合的稀疏/低秩深度學習方法及其應用》的報告，以視覺融合問題為背景，介紹了基于稀疏/低秩表示的深度學習方法。對視覺融合和深度學習進行簡單回顧，接下來從稀疏與低秩表示優(yōu)化理論給出深度網(wǎng)絡的結構的（自動）設計方法，并詳細介紹了這些方法的初步應用，報告從一個不同的視角激發(fā)了對深度學習的思考和討論。
　　
　　張師超教授作題為《Soft-KNN分類》的報告
　　
　　廣西師范大學張師超教授作了題為《Soft-KNN分類》的報告，介紹了對KNN分類算法的主要研究成果，揭示了KNN算法面臨的有四個公開挑戰(zhàn)性問題：K值設置、相關性關系度量、最近鄰點搜索、分類原則等問題，探討了如何進一步擴展KNN算法的實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)督擾動學習》的報告
　　
　　西南交通大學李天瑞教授作了題為《微監(jiān)督擾動學習》的報告，介紹了一種新的表征學習方法——微監(jiān)督擾動學習，該方法只需依賴于極少的標簽信息?；谶@一微監(jiān)督擾動思想，將其融合到對比散度（CD）學習中，提出了兩個變體模型來微調(diào)受限玻爾茲曼機（RBM）的期望表征概率分布，即微監(jiān)督擾動高斯受限玻爾茲曼機（Micro-DGRBM）和微監(jiān)督擾動受限玻爾茲曼機（Micro-DRBM）模型。進一步，為了探索在微監(jiān)督擾動持續(xù)激勵下的表征學習能力，基于Micro-DGRBM和Micro-DRBM模型，提出了一種深度微監(jiān)督擾動學習（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》的報告
　　
　　中國科學院計算技術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》的報告，介紹了針對證券數(shù)據(jù)高噪、高維、富格式的特點，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)容開展的應用基礎研究，提出了在金融輿情分析系統(tǒng)和金融領域第一個自動化的數(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，支撐市場風險預警、行為監(jiān)管等金融管理相關實際應用。
　　
　　論壇嘉賓與部分參會師生合影（上午論壇部分）
　　
　　論壇嘉賓與部分參會師生合影（下午論壇部分）
　　
　　論壇嘉賓與參會師生深入探討與交流
　　
　　北京大學人工智能研究院機器學習論壇的創(chuàng)辦與召開，旨在于拓展機器學習技術在多領域研究中的科研視野，分享機器學習多領域研究中的最新進展及成果，交流機器學習前沿熱點問題，探討學科發(fā)展趨勢和方向，同時為國內(nèi)機器學習領域的學者搭建有效的交流平臺。
　　
　　來源：機器學習研究中心
　　
　　—   版權聲明  —
　　
　　本微信公眾號所有內(nèi)容，由北京大學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，版權屬北京大學人工智能研究院微信所有；從公開渠道收集、整理及授權轉載的文字、和音視頻資料，版權屬原作者。本公眾號內(nèi)容原作者如不愿在本號刊登內(nèi)容，請及時通知本號，予以刪除。