最新通知
征文通知
会议简介
组织机构
重要日期
特邀报告
会议注册
联系方式
交通路线
合作伙伴
有关信息

1. 题目:On Learning Covariance based Feature Representations and Models

摘要:During the past several years, covariance matrix has been increasingly used to characterise individual samples or groups in image recognition and neuroimaging analysis. This talk will introduce our recent work on learning and designing covariance matrix in this scenario to achieve better recognition performance. We firstly focus on supervised learning of covariance matrix to characterise individual samples. This part consists of learning discriminative kernels to measure covariance matrix similarity, exploring sparse inverse covariance matrix as a robust representation, and directly utilising kernel matrix to attain nonlinear sample-level representation. After that, we will discuss supervised learning of covariance matrix to obtain group-level representation and the issue of unsupervised learning of covariance based representation. Experimental study on a variety of image recognition tasks and the brain network analysis in neuroimaging demonstrates the efficacy and advantage of these methods. As shown, they not only mitigate the high dimensionality and small sample problems commonly encountered by covariance based feature representation, but can also significantly improve the recognition performance.

作者简介:

Lei Wang received his PhD degree from Nanyang Technological University, Singapore in 2004. He is now Associate Professor at School of Computing and Information Technology of University of Wollongong, Australia. His research interests include computer vision and pattern recognition. Lei Wang has published 110+ peer-reviewed papers, including those in highly regarded journals and conferences such as IEEE TPAMI, IJCV, CVPR, ICCV, MICCAI, AAAI, etc. He was awarded the Early Career Researcher Award by Australian Academy of Science and Australian Research Council. He served as the General Co-Chair of DICTA 2014 and on the Technical Program Committees of 20+ international conferences and workshops. Lei Wang is senior member of IEEE.

 

 

2.题目:异质媒体信息跨域传播与网络图像标签改善

摘要:随着当前机器学习特别是深度学习的时代热潮的到来,亟需海量标签数据的呼喊已经成为人工智能学科下各研究学者的共同发声。因此,本报告分别从数据形态与数据源两处入手,通过异质媒体信息跨域传播与网络图像标签改善两种解决方案来为各种学习任务提供丰富的带标签数据。具体地,一方面,提出了一种广义的深度迁移网络来将从异构数据(如文本)中的语义知识迁移到没有标签的目标数据(如图像)中,并将其应用到图像分类问题中。另一方面,提出了一种基于类裂变张量重构的社交图像标签质量改善方法来对社交网站上带有噪声与不完整标签的图像进行改善其标签质量,并在相关实验中检验了这些图像数据中改善后的标签质量。

作者简介:

唐金辉,南京理工大学计算机学院教授、副院长,长期从事多媒体分析与理解的研究,发表或录用ACM/IEEE汇刊论文50余篇、A类会议长文20余篇,论文被引用4700余次,获得4次多媒体国际会议最佳(学生)论文奖(包括A类会议ACM MM 2007),并获得ACM MM 2015最佳论文奖提名。唐教授入选了2015年“长江学者奖励计划”青年学者、2014年国家“万人计划”青年拔尖人才,获批了2015年国家优秀青年科学基金、2013年国家973计划青年科学家专题项目,获得了2014年教育部自然科学二等奖(排名第一,名称:多媒体数据分析与检索)、2015年教育部自然科学二等奖(排名第三,名称:视频内容识别理论与方法)、2015年霍英东青年教师奖、和2014年ACM中国新星奖。

 

 

3. 题目:机器翻译的大数据智能

摘要:机器翻译是人工智能领域一项非常重要的语言技术。随着单语和双语语言大数据的积累以及计算能力的不断增强,机器翻译技术及性能在过去15年中取得了飞速的发展。本报告将探讨大数据驱动的机器翻译,并总结数据驱动的机器翻译面临的四个主要问题:1)大数据是否就是更好的数据?2)如何获取机器翻译的海量数据及应对数据匮乏型语言翻译?3)如何从大数据驱动的机器翻译发展到基于深度知识的机器翻译?4)如何处理大数据机器翻译面临的大工程问题。这四个问题,并不是彼此孤立存在的,而是有机联系并纠缠在一起,它们将在某种程度上决定机器翻译未来的发展。

作者简介:

熊德意,苏州大学计算机科学与技术学院教授、计算机系系主任、国家优秀青年科学基金获得者。2007年至2012年在新加坡资讯通信研究院任研究科学家。主要研究方向为机器翻译、多语言信息获取、自然语言理解和深度学习等。在Computational Linguistics、 IEEE TASLP、 AI、JAIR、 AAAI、 IJCAI、 ACL等国际著名期刊和会议上发表论文60余篇,Springer出版英文专著一部,编著会议论文集多部。获得北京市科学技术奖二等奖。曾是亚洲自然语言处理联合会AFNLP officer之一、新加坡中文与东方语文信息处理学会理事会成员。担任IALP 2012程序委员会共同主席、CWMT 2017程序委员会共同主席、欧盟多国联合项目QTLeap咨询专家。

 

 

4. 题目:卷积神经网络的回顾、展望与生物信息学应用探讨

摘要:卷积神经网络经过数十年的发展,已广泛应用于包括计算机视觉、语音识别、自然语言处理、计算生物学等诸多领域。从单层线性感知机到浅层卷积网络,再到深度卷积网络,卷积神经网络经历了多个不同的发展阶段,这些成果不仅得益于理论方面的进步,同时也得益于计算机技术的快速发展。随着硬件的快速发展,为实现更复杂的深度卷积模型提供了硬件支撑。科研者们不断从卷积网络构造、优化方法、激励函数、损失函数、正则化技术等方面进行不断改进,为进一步优化和改进深度卷积模型提供了理论依据。目前深度卷积网络的层数可以达到几百上千,能处理的数据量也已经达到百万级的了。本研究团队立足于将卷积神经网络技术应用于生物数据的相关分析,同时结合国内外领先的机器学习技术,将原有的生物信息学问题在深度卷积模型中更进一步的挖掘和分析,以期实现多组学生物数据的关联分析与挖掘以及深度卷积模型在医学影像学中的应用与发展。

作者简介:

黄德双,同济大学特聘教授、博士生导师,中国科技大学博士生导师、兼职教授,2000年度中科院“百人计划”入选者。同济大学认知互联网国际合作联合实验室主任,机器学习与系统生物学研究所所长, 国家自然科学基金委第十四届专家评审组成员。国际模式识别学会Fellow (IAPR Fellow),国际智能计算学术会议Founding Chair,国际神经网络学会(INNS)高级会员、理事,IEEE高级会员,IEEE计算智能学会生物信息学与生物工程技术委员会以及神经网络技术委员会委员,上海市计算机学会生物信息学专业委员会主任委员。Neural Networks等国际杂志编委。已发表学术杂志论文190余篇,其中SCI收录论文160余篇,SCI他引2200多次,入选2014、2015年度爱思唯尔(Elsevier)Scopus数据库中国高被引学者榜单(计算机科学卷),出版专著3本,主编论文集40本,获第八届全国优秀科技图书二等奖一项(排名唯一),安徽省自然科学一等奖一项(排名第一)。发表在Neural Computation,Digital Signal Processing和Methods上的3篇论文分别被选为当期的封面。已申请发明和实用新型专利26项,其中14项已授权,建立国际标准数据库2个,并被广泛应用。作为客座编辑,在12种国际SCI杂志已编辑出版20期刊物。开发的“植物叶片自动识别系统”获2004年度香港国际人工智能应用创意大赛第2名。

 

 

5. 题目:标记分布学习范式

摘要:标记分布学习是一种新型机器学习范式。在该范式中,每个示例不是与一个或者一组标记相关联,而是与一个标记分布相关联。一个标记分布覆盖所有可能的标记,并且明确给出每个标记描述示例的程度。在这一定义下,传统的单标记学习和多标记学习都可以看作标记分布学习的特例。现实世界中存在不少本身就具有标记分布信息的数据。更多情况下,标记分布信息不完整时,可通过先验知识或者机器学习方法生成完整的标记分布。因此,标记分布学习是一种相较传统学习范式更为泛化,并且具有广泛应用前景的新型机器学习范式。

作者简介:

耿新,东南大学计算机科学与工程学院教授、博导、副院长,东南大学模式学习与挖掘(PALM)实验室(http://palm.seu.edu.cn/)主任。主要从事模式识别、机器学习、计算机视觉等方面的研究。主持多项国家自然科学基金项目,国家优秀青年科学基金、江苏省杰出青年基金获得者。在重要国际学术期刊和会议发表论文46篇。现为CCF青年工作委员会执委,江苏省计算机学会理事、青年工作委员会主任,CCF人工智能与模式识别专委会、计算机视觉专委会委员,中国人工智能学会机器学习专委会、模式识别专委会委员,江苏省计算机学会/微型电脑应用协会人工智能专委会常委,《Frontiers of Computer Science》青年编委。

 

 

6. 题目: Theoretical Analysis on the Utility of Unlabeled Data

摘要: Learning from labeled data is well-established in machine learning, but labeling the data is time consuming and expensive since it needs human efforts. In recent years, unlabeled data can often be obtained abundantly and cheaply in more and more applications and there has been substantive interest in exploiting large amounts of unlabeled data to achieve better learning performance. Three popular paradigms have been developed along this direction, i.e., semi-supervised learning, active learning and crowdsourcing. In this talk, we present our theoretical studies on these paradigms and provide theoretical analyses to explain why they could have good learning performance.

作者简介:

王魏,分别于2005年、2008年和2012年在南京大学获得学士、硕士和博士学位,现为南京大学计算机科学与技术系副教授。主要从事计算学习理论方面的研究,在顶级国际会议(ICML、NIPS、CVPR)发表多篇学术论文,曾获中国计算机学会青年人才发展计划支持(2015)、中国计算机学会优秀博士学位论文奖(2012)、江苏省优秀博士学位论文奖(2013)、教育部博士研究生学术新人奖(2010)和微软学者奖(2009)等荣誉,现为中国计算机学会人工智能与模式识别专委会委员、中国人工智能学会机器学习专委会委员和江苏省人工智能专委会委员。