深圳大学新葡的京集团350vip8888
College of Computer Science and Software Engineering, SZU
深圳大学新葡的京集团350vip8888首届“海内外优秀青年学者论坛” - 人工智能
2021/12/16 17:16:01

 

时间:2021年12月19日 14:00-18:00

地点:腾讯会议:753-542-476

论坛主席:黄惠

主持人:王熙照

主讲人:陈城、王京华、张幸幸、刘涵、胡猛

Time Title Speaker
14:00-14:45 面向医学影像分析的可信人工智能:深度模型的泛化性和鲁棒性 陈   城
14:45-15:30 Learning across tasks for zero-shot domain adaptation 王京华
15:30-16:15 机器学习中数据选择理论、方法与应用 张幸幸
16:15-17:00 面向符号数据的表示学习和深度模型 刘   涵
17:00-17:45 基于可分性的粒计算特征选择方法 胡   猛

 

面向医学影像分析的可信人工智能:深度模型的泛化性和鲁棒性

摘要:

       随着人工智能技术的发展,医学影像自动化分析取得了突破性的进展。然而,深度学习模型对医学影像的异质性不具备泛化性和鲁棒性,显著影响模型的性能。本报告中,我将结合医学影像分割应用场景,分享我在提高模型可信度和大规模临床应用的研究工作。首先,针对域偏移下模型的泛化性,我将介绍提出的一系列领域自适应和域泛化方法,有效实现了模型跨数据集和跨模态的迁移;其次,针对模态缺失问题,我将介绍设计的鲁棒多模态学习框架,显著提升模型在各种模态缺失情况下的性能。报告还将探讨模型泛化性、鲁棒性、可解释性以及多模态问题一些未来的研究方向,提高人工智能模型在临床场景中的可应用性

主讲人简介:

       陈城,博士,香港中文大学计算机科学与工程系博士后研究员,2021年于香港中文大学计算机科学与工程系获得博士学位。研究方向为人工智能、深度学习和医学影像分析的交叉领域,关注神经网络在复杂临床场景中的泛化性、鲁棒性及多模态学习。相关工作已发表在CVPR、AAAI、IJCAI等CCF-A类顶级会议(5篇),中科院大类一区期刊IEEE TMI(4篇),医学影像智能分析领域顶级国际会议MICCAI(2篇),被引用超过670次,H指数9。曾获MICCAI联邦学习脑肿瘤分割泛化挑战赛冠军,AAAI Scholarship,MICCAI Travel Award等奖项。担任Frontiers in Radiology编委,及多个顶级期刊和国际会议审稿人。

 

Learning across tasks for zero-shot domain adaptation

摘要:

Domain adaptation techniques learn transferable knowledge from a source domain to a target domain. Unfortunately, a majority of the existing techniques are only applicable to scenarios that the target-domain data in the task of interest is available for training, yet this is not often true in practice. To reduce the gap between the generalization ability of human and that of machines, we propose a new solution to the challenging zero-shot domain adaptation (ZSDA) problem, where only a single source domain is available and the target domain for the task of interest is not accessible. We explore the correlation between two domains in an irrelevant knowledge task (K-task), where dual-domain samples are available. We denote the task of interest as the question task (Q-task) and synthesize its non-accessible target-domain as such that these two tasks have the shared domain correlation. We introduce a new network structure, i.e., conditional coupled generative adversarial networks (CoCoGAN). For effective CoCoGAN training in a ZSDA task, we introduce three supervisory signals, i.e., semantic relationship consistency across domains, global representation alignment across tasks, and alignment consistency across domains. Experimental results demonstrate that our method can perform well in both image classification and semantic segmentation.Learning across tasks for zero-shot domain adaptation

主讲人简介:

WANG Jinghua received his Ph.D. degree from The Hong Kong Polytechnic University (PolyU) in 2013. From 2014 to 2016, he was a research fellow with Nanyang Technological University (NTU), Singapore. From 2016 to 2017, he was a senior algorithm engineer with Huawei Technologies Co., Ltd. He is currently a research assistant professor with research institute for future medial computing, Shenzhen University. He serves as an associate editor of International Journal of Image and Graphics (IJIG). He published at prestigious journals and prominent conferences, such as IEEE TPAMI, IEEE TIP, ICCV, and ECCV. His research interests include domain adaptation, zero-shot learning, unsupervised learning, computer vision, and pattern recognition.

 

机器学习中数据选择理论、方法与应用

摘要:

       信息爆炸时代给我们带来了无论是种类还是数量上都空前巨大的信息。有效地选择“用的了”且“用的好”的数据,将十分有助于挖掘出数据中最具价值的信息,提高用于机器学习的数据质量,实现机器学习模型的轻量化、降低计算复杂度与存储成本等;也将为大数据时代下的计算机视觉、自然语言处理、生物与医学、多媒体、交通与能源、金融与经济、工业与军事等领域提供理论基础与技术支撑。尽管数据选择在若干机器学习领域取得了一些研究成果,但在深度学习火热的当下依然存在一些开放的研究问题。本次报告将围绕数据选择理论、方法与应用三个基本问题,从一个统一的视角阐述数据选择模型,并将介绍如何提高(非)独立同分布下数据选择的质量和效率,以及如何实现数据与算力高效的低样本学习和持续学习。特别地,本次报告会重点介绍1)独立同分布下自监督代表性数据选择、2)层次化数据选择诱导的零样本识别、3)消除小样本分类中负迁移的数据选择、4)主动选择标注的小样本高效集成学习、以及5)持续学习中数据压缩式记忆重放5项前沿研究。最后,本次报告会对未来机器学习中数据选择的理论、方法与应用进行展望。

主讲人简介:

       张幸幸,清华大学博士后。2015年直博于北京交通大学并于2020年获得博士学位。研究方向为数据及算力高效的学习、推理与应用,特别是数据选择在无监督学习、低样本学习和持续学习中的应用。相关工作发表于机器学习领域重要的国际期刊和会议,包括TNNLS, TMM, TCSVT, IJCAI,CVPR等。2020年获得中国电子学会优秀博士学位论文,主持自然科学基金青年项目一项,博士后面上资助一项,博士后特别资助一项。

 

面向符号数据的表示学习和深度模型

摘要:

       深度学习成功的关键在于其强大的特征表示。对于原始特征以文字符号的形式表达的这一类数据,需要通过一些先期处理来将符号变换成数值向量的形式,才可被用作深度神经网络学习任务的输入。因此,实现将符号特征有效地变换成数值的形式会在深度表示学习过程中起到至关重要的作用。此报告将从理论层面介绍符号特征的数值嵌入的本质和意义,在此基础上介绍符号数据的一些特点以及类型划分,并针对表格型数据展开具体内容的讲述,包括利用信息论和表示学习思想实现的特征嵌入框架,以及通过逐层加深的学习方式实现的非神经网络模式的深度模型构建机制。

主讲人简介:

       刘涵,博士,深圳大学新葡的京集团350vip8888副研究员, 深圳市海外高层次 (孔雀计划 C 类) 人才。2015年毕业于英国朴茨茅斯大学获机器学习专业博士学位。研究兴趣方向包括机器学习、自然语言处理、模式识别、大数据以及计算智能。主持国家自然科学基金青年科学基金一项。已出版两本研究专著,在SCI 期刊以及顶级会议共发表论文 20 余篇。

 

基于可分性的粒计算特征选择方法

摘要:

       大多数学习模型的构建都以数据特征的表示为基础,特征选择是特征表示的一个重要方面。充分挖掘数据中蕴涵的不确定信息如模糊性、粗糙性、随机性等,并结合数据的类型、空间结构等特性进行特征选择, 有利于构建有效且高效的学习模型。粗糙集的属性约简是在保持知识库分类能力不变或近似不变的情况下,删除不相关或不重要属性的过程,其可以看作是基于不确定性挖掘的特征选择方法。度量属性(也称特征)重要性的评价函数会直接影响到特征选择的分类表现、搜索时间和停止标准。针对由于现有的属性评价函数在很大程度上依赖于对象之间的关系,使得其属性约简的计算时间耗时和空间成本高等问题,介绍一种直接利用对象和决策类别之间关系的基于可分性的约简方法,其能快速稳定的删除大量冗余属性,选择出的属性训练的分类器有好的分类表现。

400

主讲人简介:

       胡猛,澳门科技大学计算机技术及其应用专业的博士,中国人工智能学会粒计算与知识发现专委会会员。2014-2017年硕士阶段研究方向为人工智能的数学基础、认知概念学习;2016年到2017年曾从事软件开发工作;2017年到2019年在中国联通(广东省)担任系统架构师,负责小组架构与开发互联网家、沃厅、联通手机营业厅APP。2019年至今博士阶段主要研究方向为特征选择、粒计算、信息融合等。目前,在国内外重要学术刊物包括IEEE Transactions on Cybernetics、Information Sciences、Knowledge-Based Systems、International Journal of Machine Learning and Cybernetics、模糊系统与数学、计算机科学等发表或录用论文15篇。主持研究生创新基金1项,作为主要完成人参与澳门科学技术发展基金2项。曾获得 IT Frontiers 2020 Best Paper Award,澳门科技大学文化学术杰出一等奖,远光软件奖学金,全国研究生数学建模竞赛一等奖3次,全国大学生数学建模竞赛二等奖2次,全国大学生数学竞赛专业组一等奖,重庆市优秀大学毕业生等。

XML 地图