【ZiDongHua 之自动化学院派收录关键词： 人工智能 机器学习 AI】
　　
　　人工智能研究院第一届机器学习论坛在北京大学召开
　　
　　2024年4月21日，由北京大学人工智能研究院主办的第一届机器学习论坛在北京大学中关新园第一会议室召开。本次论坛由北京大学智能学院副院长、北京大学人工智能研究院机器学习中心主任、博雅特聘教授林宙辰教授和北京大学智能学院王奕森助理教授共同主持，林宙辰教授致开幕辞。
 
　　
　　林宙辰教授致开幕辞
　　
　　本次论坛聚焦于近期机器学习技术在表示获取、图像生成、可解释性、统计分析、多模态、弱监督、AI+X等方向的前沿研究，邀请了中国科学院大学叶齐祥教授、南京邮电大学鲍秉坤教授、中国科学院自动化研究所张文生研究员、大连理工大学雷娜教授、重庆邮电大学李伟生教授、江南大学吴小俊教授、广西师范大学张师超教授、西南交通大学李天瑞教授、中国科学院计算技术研究所何清研究员、北京大学王奕森助理教授等国内机器学习相关领域的优秀学者作了精彩报告，分享了团队在相关领域的前沿研究工作、创新成果及发展趋势，并与参会者深入探讨了机器学习当前面临的挑战以及未来的发展方向。
 
　　
　　会场盛况
　　
　　叶齐祥教授作题为《视觉表征模型的结构设计与物理启发》的报告
　　
　　中国科学院大学叶齐祥教授作了题为《视觉表征模型的结构设计与物理启发》的报告，探讨了局部卷积运算造成的自监督学习信息泄露问题，提出了Token Merging操作，突破卷积或局部运算的局部约束，形成高效分层Transformer 表征(HiViT)与全预训练的Transformer 金字塔网络（iTPN）。在模型结构结构设计的基础上，探索了物理原理启发的基础模型，从热传导视角探索表征模型，同时展示了目前取得的良好效果。
　　
　　鲍秉坤教授作题为《跨模态图像生成》的报告
　　
　　南京邮电大学鲍秉坤教授作了题为《跨模态图像生成》的报告，介绍近期跨模态图像生成任务的研究进展，从提高预训练GAN模型生成质量且保证生成速度的角度出发，介绍团队在文本生成图像任务的研究思路和研究成果，最后探讨如何使用大规模预训练多模态模型优化文本到图像生成任务。
　　
　　王奕森助理教授作题为《数据增广图视角下的表示学习理论》的报告
　　
　　北京大学王奕森助理教授作了题为《数据增广图视角下的表示学习理论》的报告，报告探讨了自监督学习中的对比学习（Contrastive Learning）、掩码学习（Mask Image Modeling）、多模态学习（CLIP）背后的工作机理，从理论视角分析了其优化过程和下游泛化能力，为自监督学习的算法设计提供了独到的见解。
　　
　　张文生研究员作题为
　　
　　《大数据时代“结构+统计”机器学习挑战与应用实践》的报告
　　
　　中国科学院自动化研究所张文生研究员作了题为《大数据时代“结构+统计”机器学习挑战与应用实践》的报告，介绍了“统计+结构”知识表示的语义概率图模型，凝练语义概率图模型的知识表示与知识簇萃取、深度学习的结构发现等核心方法，可望实现大数据时代机器学习模型的生成与推理，选择从多模态气象大数据到健康医疗大数据真实场景，提供“结构+统计”机器学习泛化应用佐证效果，探索了大数据时代统计机器学习与符号机器学习的“水火相融”理论和方法。
　　
　　雷娜教授作题为
　　
　　《基于最优传输的可解释深度学习理论及模型构建》的报告
　　
　　大连理工大学雷娜教授作了题为《基于最优传输的可解释深度学习理论及模型构建》的报告，介绍了最优传输的基本理论和相关算法，从最优传输的视角来解释生成任务和分类任务，最后介绍了基于最优传输构建的能够避免模式崩溃的新型生成模型、长尾分类模型、图像超分辨模型、点云上采样模型等，为生成任务和分类任务的解释带来了独到的视角。
　　
　　李伟生教授作题为《基于多模态医学图像处理的多维可视化》的报告
　　
　　重庆邮电大学李伟生教授作了题为《基于多模态医学图像处理的多维可视化》的报告，介绍了多模态图像处理在现代医学领域中的应用，增强了系统鲁棒性，已成为辅助诊疗的关键技术之一。利用多模态医学图像可建立多维可视化的数字化结构解剖模型，有望实现对器官及组织的各个参数的精确测量，增强医学影像的可靠性、稳定性及容错能力。
　　
　　吴小俊教授作题为
　　
　　《面向多模态视觉融合的稀疏/低秩深度学习方法及其应用》的报告
　　
　　江南大学吴小俊教授作了题为《面向多模态视觉融合的稀疏/低秩深度学习方法及其应用》的报告，以视觉融合问题为背景，介绍了基于稀疏/低秩表示的深度学习方法。对视觉融合和深度学习进行简单回顾，接下来从稀疏与低秩表示优化理论给出深度网络的结构的（自动）设计方法，并详细介绍了这些方法的初步应用，报告从一个不同的视角激发了对深度学习的思考和讨论。
　　
　　张师超教授作题为《Soft-KNN分类》的报告
　　
　　广西师范大学张师超教授作了题为《Soft-KNN分类》的报告，介绍了对KNN分类算法的主要研究成果，揭示了KNN算法面临的有四个公开挑战性问题：K值设置、相关性关系度量、最近邻点搜索、分类原则等问题，探讨了如何进一步扩展KNN算法的实用性并分享了近期的一些研究思考。
　　
　　李天瑞教授作题为《微监督扰动学习》的报告
　　
　　西南交通大学李天瑞教授作了题为《微监督扰动学习》的报告，介绍了一种新的表征学习方法——微监督扰动学习，该方法只需依赖于极少的标签信息。基于这一微监督扰动思想，将其融合到对比散度（CD）学习中，提出了两个变体模型来微调受限玻尔兹曼机（RBM）的期望表征概率分布，即微监督扰动高斯受限玻尔兹曼机（Micro-DGRBM）和微监督扰动受限玻尔兹曼机（Micro-DRBM）模型。进一步，为了探索在微监督扰动持续激励下的表征学习能力，基于Micro-DGRBM和Micro-DRBM模型，提出了一种深度微监督扰动学习（Micro-DL）框架。
　　
　　何清研究员作题为《金融大数据智能监管与舆情分析》的报告
　　
　　中国科学院计算技术研究所何清研究员作了题为《金融大数据智能监管与舆情分析》的报告，介绍了针对证券数据高噪、高维、富格式的特点，围绕序列模式发现、异常行为检测、文本情感分析、富格式文本理解等内容开展的应用基础研究，提出了在金融舆情分析系统和金融领域第一个自动化的数值交叉检查系统，大力提升了证券大数据挖掘效果和效率，支撑市场风险预警、行为监管等金融管理相关实际应用。
　　
　　论坛嘉宾与部分参会师生合影（上午论坛部分）
　　
　　论坛嘉宾与部分参会师生合影（下午论坛部分）
　　
　　论坛嘉宾与参会师生深入探讨与交流
　　
　　北京大学人工智能研究院机器学习论坛的创办与召开，旨在于拓展机器学习技术在多领域研究中的科研视野，分享机器学习多领域研究中的最新进展及成果，交流机器学习前沿热点问题，探讨学科发展趋势和方向，同时为国内机器学习领域的学者搭建有效的交流平台。
　　
　　来源：机器学习研究中心
　　
　　—   版权声明  —
　　
　　本微信公众号所有内容，由北京大学人工智能研究院微信自身创作、收集的文字、和音视频资料，版权属北京大学人工智能研究院微信所有；从公开渠道收集、整理及授权转载的文字、和音视频资料，版权属原作者。本公众号内容原作者如不愿在本号刊登内容，请及时通知本号，予以删除。