在校生| 教职工| 校友
新闻网| 网上办事大厅| OA

学术讲座

学术讲座
当前位置: 澳亚国际游戏网站 > 学术讲座 > 正文

学术报告:2024自动化与人工智能高端论坛

编辑:冉继龙 审核: 时间:2024-01-02 点击数:

题目:2024自动化与人工智能高端论坛

主讲:王钧教授等

时间:2024年01月02日(星期二)下午14:30-17:45

地点:官渡校区图书馆学术报告二厅

欢迎广大师生参加!

科学技术部、人工智能与自动化创新研究院、自动化学院

2024年01月02日


报告(一) :

The State of the Art of Collaborative Neurodynamic Optimization

The past four decades witnessed the birth and growth of neurodynamic optimization, which has emerged as a potentially powerful problem-solving tool for constrained optimization due to its inherent nature of biological plausibility and parallel and distributed information processing. Despite the success, almost all existing neurodynamic approaches a few years ago worked well only for optimization problems with convex or generalized convex functions. Effective neurodynamic approaches to optimization problems with nonconvex functions and discrete variables are rarely available. In this talk, the advances in neurodynamic optimization will be presented. Specifically, In the proposed collaborative neurodynamic optimization framework, multiple neurodynamic optimization models with different initial states are employed for scattered searches. In addition, a meta-heuristic rule in swarm intelligence (such as PSO) is used to reposition neuronal states upon their local convergence to escape local minima toward global optima. Problem formulations and experimental results will be elaborated to substantiate the viability and efficacy of several specific paradigms in this framework for supervised/semi-supervised feature selection, supervised learning, vehicle-task assignment, model predictive control, financial portfolio selection, and energy load dispatching.

Jun Wang is the Dean of the School of Data Scienceand a Chair Professor of Computational Intelligence in the Department of Computer Science at City University of Hong Kong. Prior to this position, he held various academic positions at Dalian University of Technology, Case Western Reserve University, University of North Dakota, and the Chinese University of Hong Kong. He also held various short-term visiting positions at USAF Armstrong Laboratory, RIKEN Brain Science Institute, and Shanghai Jiao Tong University. He received a B.S. degree in electrical engineering and an M.S. degree from Dalian University of Technology and his Ph.D. degree from Case Western Reserve University. He was the Editor-in-Chief of the IEEE Transactions on Cybernetics. He is an IEEE Life Fellow, IAPR Fellow, and a foreign member of Academia Europaea. He is a recipient ofthe APNNA Outstanding Achievement Award, IEEE CIS Neural Networks Pioneer Award, CAAI Wu Wenjun AI Achievement Award, and IEEE SMCS Norbert Wiener Award, among other distinctions.

报告(二) :

数据智能与新型数据隐私计算的探讨

在数据、算法、算力、与场景相互融合辅助下,目前人工智能已成为数字经济发展的核心能力之一。随着数字经济的快速发展,数据要素的可信管控、可信人工智能、及人工智能的隐私计算也受到了学术界和产业界的广泛关注,同时也取得了相关的进展。尤其最近兴起的生成式人工智能系列的应用及平台正以迅雷不及掩耳之势席卷整个信息产业,数据要素的可信及隐私更显得其重要性,也引起业界对联邦生态发展的注意。本报告先探讨在大模型时代在数据使用方式的变化,也讨论数据的隐私的技术及联邦数据与智能下技术的思考。

陈俊龙(C. L. Philip Chen)博士,国家特聘专家,华南理工大学计算机学院院长、讲座教授。陈教授是中国自动化学会副理事长、教育部健康智能与数字平行人工程中心主任、 广东省计算智能与网络空间信息重点实验室主任、广东省人工智能产业协会联席会长。他是IEEE Fellow、AAAS Fellow、IAPR Fellow、 欧洲科学院院士(Academia Europaea)、欧洲科学与艺术院院士(European Academy of Sciences and Arts)、中国自动化学会(CAA) 、中国人工智能学会(CAAI)及香港工程师学会 (HKIE) Fellow。陈教授曾任IEEE Trans. on Cybernetics (2020-2021),及IEEE Trans. on Systems, Man, and Cybernetics: Systems (2014-2019)两个顶级SCI期刊主编,曾任该学会国际总主席 (2012-2013),也是国内期刊 CAAI Trans on AI,《中国科学》,和《自动化学报》的编委。 2018年陈教授获得了IEEE系统科学控制论的最高学术维纳奖(Norbert Wiener Award),获 2021 IEEE Joseph Wohl 终身成就奖,及澳亚国际游戏网站国吴文俊人工智能杰出贡献奖。陈教授科研方向主要在智能系统与控制,计算智能,混合智能,数据科学方向,他是2018-2022连续5年Clarivate Analytics的全球高被引科学家(2018 在计算机,2018-2022年在工程及计算机双学科)。他曾获中国自动化学会自然科学奖及广东省科技进步奖一等奖。

报告(三) :

基于神经微分方程的深度神经网络与优化算法研究

深度神经网络与优化算法在现代信息科学与技术中具有举足轻重的地位。目前,深度神经网络的表达能力、可训练性、泛化性、鲁棒性等关键性能的机理认识尚不完全清楚;时变、受扰、非凸等复杂情况下的优化算法研究中还存在诸多挑战。本报告以神经微分方程为桥梁,从动力学角度在深度神经网络结构与优化算法建立联系,并为二者提供新的理解和方法。具体而言,本报告将深度神经网络的表达能力、可训练性、泛化性、鲁棒性等关键性能与神经微分方程中的阶数、一致性、迭代鲁棒性、零稳定性等核心概念建立联系,并提供了这些关键性能的高效提升方法。此外,通过针对时变、受扰、非凸优化问题构建神经动力学优化算法,显著降低了动态问题求解的滞后性,提升了噪声扰动下优化算法的鲁棒性,并通过协同求解的方式为非凸优化问题的收敛性提供了保证。

金龙分别于2011年和2016年在中山大学获得学士学位和博士学位,2016年至2017年在香港理工大学担任博士后研究员,2017年2月加入兰州大学,任教授、博士生导师,2020年入选兰州大学“萃英学者”特聘教授,2023年任香港城市大学计算机系访问教授。主持国家自然科学基金青年/面上/中英国际合作、国家重点研发计划课题、甘肃省自然科学基金重点/杰青、以及中国电子学会-腾讯Robotics-X项目、CCF-百度松果基金项目等。多次入选爱思唯尔“中国高被引学者”;以第一完成人或者唯一完成人获得中国人工智能学会优秀博士学位论文奖励、吴文俊人工智能优秀青年奖励、甘肃省科技奖自然科学二等奖、中国自动化学会自然科学二等奖;以第二完成人获得省部级科技奖两项;指导的学生论文5次入选国家一级学会以及甘肃省优秀学位论文。目前担任包括IEEE TIV, CAAI TRIT等多个SCI期刊副编辑等职务。研究兴趣包括神经网络、机器人、分布式系统和智能计算。

报告(四) :

小样本与深度学习

内容包括:小样本深度学习方法介绍

1)深度自编码学习

2)迁移/联邦学习

3)从浅层模型迁移至深层模型的学习

4)混杂图像分类的迁移/联邦学习

文成林,男,1963年4月生,博士(后),二级教授,博士生指导教师。1986年河南大学数学系本科毕业留校,至到2004年6月调动到杭州电子科技大学,是该校首任特聘教授;2020年1月调动至澳亚国际游戏网站任二层次高层人才特聘教授;入选美国斯坦福大学发布的2022年度“全球前2%顶尖科学家榜单”。主要研究方向:信息融合和目标检测、故障诊断与主动安全控制、深度学习与优化决策系统、人机混合增强智能与工业认知计算、知识迁移与联邦学习。近年来,已主持承担国家重点研发计划1项目、8项国家自然科学基金(3项重点、1项目重大研究计划),联合承担4项、并参与组织8项国家自然科学基金重点项目等20余项国家或省部级项目,科研经费3000余万元。已发表学术论文300余篇,其中有200余篇/次被SCI/EI收录;出版7部学术专著,教材5部。获省部级科技奖6项。已培养硕士学位研究生160余人,博士学位毕业生30余人。

上一篇:学术报告:Control and AI in Industry and Health Monitoring

下一篇:学术报告:胞内工程化细胞用于靶向治疗

XML 地图 | Sitemap 地图