计算机系召开2019南科大-悉尼科技大学优化与学习联合研讨会

发布时间:2019-05-16

2019年5月13日至14日,由南方科技大学计算机科学与工程系、南方科技大学人工智能研究院、深圳市计算智能重点实验室共同主办的“2019南科大-悉尼科技大学优化与学习联合研讨会(2019 SUSTech-UTS Joint Workshop on Optimisation and Learning)“在南科大图书馆111报告厅成功举行。悉尼科技大学协理副校长、杰出教授Chengqi Zhang,悉尼科技大学杰出教授Jie Lu,讲席教授CT Lin,教授Wanlei Zhou,教授Yi Yang,教授Ivor Tsang,副教授Ling Chen,副教授Mao Lin Huang,高级讲师Hai Yan Lu,高级讲师Sebastian Oberst,讲师Yulei Sui,讲师Christy Jie Liang,计算机系主任、讲席教授姚新,图灵奖获得者、杰出教授Joseph Sifakis,讲席教授Hisao Ishibuchi,讲席教授史玉回,教授唐珂,教授刘江,副教授宋轩,助理教授Alia Asheralieva,助理教授Tom Ko,助理教授Luca Rossi,助理教授郑锋,助理教授余剑峤以及校内外优化与学习领域的学者专家出席并参与了研讨会。


与会专家教授进行了十几场优化与学习方向的高水平学术报告,包括:Autonomous Systems - A Rigorous Architectural Characterization(Joseph Sifakis),Cross-domain knowledge transfer for data-driven decision making(Jie Lu),BCI-based Driving Cognition(CT Lin),Enhancing privacy in the digital age: Differential privacy and its applications(Wanlei Zhou),Weakly Supervised Video and Image Analysis(Yi Yang),Deep Learning with Noisy Supervision(Ivor Tsang),Stroke Data Analysis through a HVN Visual Data Mining Platform(Mao Lin Huang),Optimization for Modeling of Uncertainty of Wind Speed Forecasting(Hai Yan Lu),Machine learning for software analysis: experiences and opportunities(Yulei Sui),Graph Representation: From Embedding to Hashing(Ling Chen),Detection of nonlinear dynamics in pricing processes with demand volatility(Sebastian Oberst),Visual Analytics from Small to Bigger Decisions(Christy Jie Liang),Evolutionary Multi-objective Optimisation(Hisao Ishibuchi),Intelligent ocular image processing(刘江),Next-generation Urban Management: When Human Mobility Modeling Meets AI and Big Data(宋轩)等等。


悉尼科技大学杰出教授Jie Lu就跨领域迁移学习给我们做了一场深入浅出的报告。报告指出,数据两个主要特征促进了迁移学习的快速发展。一是数据的更新速度远超采集速度。由于采集的滞后性,直接将已经采集的数据作为训练集,用以预测现有数据的特征,容易造成预测偏差。二是,数据不对称性造成的数据短缺。由于信息技术和市场环境的制约,有些企业拥有海量的数据,然而有些企业的数据样本太小,无法用以支持现有的决策。传统机器学习的前提假设是训练集和测试集具有同一的特征空间和概率分布。


杰出教授Jie Lu及其团队借助模糊学习来完成自领域和垮领域的预测问题,提出四种方法来一一解决自领域和垮领域的分类和回归问题。针对自领域分类问题,提出了FMRDA (Fuzzy Multi-Step Refinement Domain Adaptation Method),该算法包括基于相似性的数据精炼,多阶段的数据精炼及基于模糊算法的精炼;针对自领域回归问题,提出了FRM (Fuzzy Rule-based Domain Adaptation Method,该方法采用自适应方法,调整训练集构建的模糊规则,并利用该规则回归分析训练集;针对垮领域分类问题,提出了FSFA  (Fuzzy Spectrum Feature Alignment),该算法通过调整不同特征向量在不同领域的权重来实现迁移学习;针对扩领域的回归问题,提出了Fuzzy Rule-based Cross-Domain Adaptation Method,该算法的关键是建立潜在的特征空间用以最小化训练集和测试集在特征空间上的差距。最后,她指出模糊技术在迁移学习上有巨大的应用空间,如模数特征值,模糊聚类等。目前,她的团队已成功将上述基于模糊技术的迁移学习应用于企业的客户流失预测、用户推荐系统等。


悉尼科技大学讲席教授CT Lin 带来了主题为”BCI-based Driving Cognition”的学术报告。Driving Cognition主要解决驾驶安全问题。疲劳和睡意是威胁驾驶安全的两个重要因素。这些威胁行为很容易让驾驶人员很偏离原有行驶轨道。若驾驶偏离未及时有效纠正,这就可能引起交通安全问题。讲席教授CT Lin及其研究团队通过 BCI (Brain-Computer Interference) 分析人脑在不同情境和任务下的动态变化,并提出算法有效发现驾驶过程中人脑认知状态的变化,从而减少安全事故的发生。


报告吸引了在场听众的积极参与和热烈反响。


(感谢2017级南科大-悉尼科技大学联培博士生卢水秀提供新闻素材。)

 

1.png

2.png


3.png


 

4.png



5.png


6.png