文:统计机器智能与学习实验室 (SMILE LAB) 图:统计机器智能与学习实验室 (SMILE LAB) / 来源:计算机学院 / 2019-06-03 / 点击量:980

  5月31日,机器学习交叉与前沿理论研讨会在我校清水河校区主楼B1区教工之家举行。本次交流会是关于机器学习的一次学术研讨会,由计算科学与工程学院、统计机器智能与学习实验室 (SMILE LAB)主办,活动吸引了学60余名师生参加。

1.jpg

  北京师范大学郭平教授介绍了协同学习系统。他首先讲解了工智能领域的发展阶段,分析了该领域内的学派与讨论,引出了“什么是人工智能领域的‘热力学’?”以及“如何构建智能的‘大统一理论’”等问题,提出构建协同学习系统,以尝试破解深度学习拓扑设计难、效果预期难、机理理解难等问题,建立智能的“大统一理论”。在介绍了波尔兹曼机模型(物理与人工智能的结合)和系统对智能的重要性后,他阐述了基于系统科学思维的协同学习系统,并给出了协同学习的应用(如脉冲星识别系统)。

2.jpg

  西交利物浦大学黄开竹教授分享了关于鲁棒人工智能与对抗学习方面的一系列工作。人工智能已经在很多领域都取得了巨大的成就,深度学习是人工智能领域一个前沿研究方向,它激活了整个人工智能领域,然而也存在一些问题,比如高复杂性、学习不灵活、不透明、不鲁棒性等等。对此,黄开竹教授分享了如何提高深度学习鲁棒性的算法。他指出,传统的机器学习是完全数据驱动的,目标是最大化平均意义下已知数据识别精度,而鲁棒机器学习目标应该是最大化最坏意义下识别的精度,即最大最小问题。同时,他提出提高鲁棒性不仅应该在输入空间进行扰动,而且也应该在数据隐空间进行扰动,最大程度进行对抗博弈。他还提出,如果输入数据不是在欧式空间,而是在黎曼空间,该如何提高算法的鲁棒性。最后,他将鲁棒学习算法应用到了鲁棒智能监控和理解系统,如无人智能货架、智能门禁识别、智能入侵监控、智能分析系统鲁棒自动山水画创作和鲁棒风格字符生成等。

3.jpg

  电子科大计算机学院徐增林教授做了题为《张量网络遇上神经网络》的报告分享。作为多路数据表示的重要数据结构,张量广泛应用于推荐系统、人脸识别、传感器网络等领域。张量网络可以被视为由张量块构建成的网络,在结构上恰好与神经网络有着许多相似之处。因此,当张量网络遇上了神经网络,势必会碰撞出闪耀着灵感的火花:张量网络与神经网络存在怎样的区别和联系,是否在某种意义下存在统一性。徐增林介绍了张量和张量表示等基础内容,通过人脸建模和CT数据表征等生动形象的例子以及可视化表达,加深了同学们对张量表示以及张量操作的理解。接着,他分享了张量分解的传统方法,如Tucker/MPS、HT分解等方法并介绍了目前最近的进展以及所做的结合Bayes与Tucker分解的工作。最后,他围绕张量网络与神经网络结构上的相似性,分享了两者之间的区别与联系,讨论了两者如何相互促进、共同发展。

  三位老师的报告深入浅出,给师生们上了一堂丰富多彩的关于机器学习的课程,引起了很多同学和老师热烈讨论。本次研讨会由计算机科学与工程学院和统计机器智能与学习实验室(SMILE Lab)主办。


编辑:王晓刚  / 审核:罗莎  / 发布者:罗莎