机器学习前沿论坛

机器学习前沿论坛将深入探讨机器学习在人工智能领域的最新进展。作为人工智能的核心组成部分，机器学习技术的迅速发展已成为人工智能领域关注的焦点。此次论坛邀请了国内机器学习领域的杰出学者，他们将带来最前沿的研究成果和技术进展的分享。

论坛主持人：刘勇，中国人民大学高瓴人工智能学院                                                                                                                     

主持人简介：刘勇，中国人民大学高瓴人工智能学院副教授，博士生导师。从事机器学 习研究，特别关注统计机器学习、图表示学习、自动机器学习等。发表高水平论文80多篇，其中以第一作者或通讯作者发表高水平文章50余篇，涵盖机器学习领域顶级期刊TIT、JMLR、TPAMI、Artificial Intelligence 和顶级会议ICML，NeurIPS，ICLR等。曾获得中国科学院“青年创新促进会”会员（院人才）以及中国科学院信息工程研究所“引进优秀人才”称号。

报告1：多模态数据动态融合：理论与算法                                                                                                                                  

报告人简介：胡清华，国家优青/杰青，天津大学北洋讲席教授，天津市机器学习重点实验室主任，城市智能与数字治理教育部工程研究中心主任，CAAI粒计算与知识发现专委会主任。从事大数据粒计算、多模态学习、不确定性建模和自主机器学习方面的研究，先后获得国家重点研发计划项目、国家自然基金重点项目、国家优青/杰青以及国防项目的资助。在IEEE-TPAMI、IJCV、IEEE TKDE、IEEE   TFS等期刊以及NeurIPS、CVPR、IJCAI、AAAI等会议发表论文300余篇，获批发明专利30余个，出版专著3部，先后获得黑龙江省自然科学一等奖和天津市科技进步一等奖。目前担任IEEE Trans. Fuzzy Systems，自动化学报、电子学报、智能系统学报等期刊的编委。

报告摘要：随着传感器技术的发展和普及，数据建模所面临的数据类型越来越丰富。在科学探测、医疗诊断、社交媒体分析、机器人等领域纷纷出现了海量的多模态异构数据，不同模态数据中蕴含的有效信息往往是互补的、有差异的，其数据质量也是动态变化的。如何充分利用好低质、多源、异构数据中有效性是一个古老而又年轻的研究领域。本报告将系统梳理当前多模态数据融合的发展现状以及存在的问题，分析介绍人脑在处理多感官数据融合时的柔性机制，并介绍当前最前沿的多模态数据动态可信融合的模型、算法和应用。

报告2： 基于程序结构学习的软件缺陷挖掘                                                                                                                                   

报告人简介：黎铭，南京大学教授，博导，人工智能学院副院长。国家级高层次人才，国家优青。主要从事软件挖掘、机器学习方面的研究工作。在《IEEE Trans KDE》等国内外重要学术刊物和IJCAI、ICML 等重要国际会议发表论文五十余篇，被国际同行他引五千余次。曾作为主要成员获国家自然科学二等奖、教育部自然科学一等奖。应邀担任《Kowledge and Information Systems》、《Frontiers of Computer Science》、《自动化学报》编委、国际软件挖掘系列研讨会SoftwareMining、PAKDD首届博士研讨会DSDM'11主席、一流国际会议IJCAI、IEEE ICDM的领域主席、AAAI等的资深程序委员等；现任中国人工智能学会青年工委副主任、中国人工智能学会机器学习专委会常务委员、中国计算机学会人工智能与模式识别专委会委员、教育部高等学校计算机类专业教指委人工智能专家委秘书长等。获亚太数据挖掘青年成就奖、入选中国高校计算机专业优秀教师奖励计划等。

报告摘要：随着软件系统的日趋变得庞大和复杂，软件质量保证变得尤为重要。软件缺陷检测技术可以对模块的缺陷情况进行自动判断，从而大大降低了通过完全测试来发现缺陷的开销。软件缺陷挖掘将程序代码视为一种特殊数据，通过学习建模以期有效识别软件缺陷。然而，现有方法大多将程序代码等同于普通文本进行处理，忽略了内蕴于程序结构中的语义信息。在本报告中，我们将探讨如何通过对程序结构进行有效建模以更好的识别定位软件缺陷。

报告3：知识学习的进化优化                                                                                                                                                         

报告人简介：詹志辉，南开大学人工智能学院教授，博士生导师，IEEE Fellow、IEEE计算智能学会杰出青年奖获得者（每年全球遴选一位）、教育部青年长江学者、国家优青、吴文俊人工智能优秀青年奖获得者、人工智能领域全球前2%顶尖科学家（同时入选年度科学影响力和终身科学影响力双榜单）、2014-2023连续10年Elsevier计算机学科中国高被引学者。主要研究领域包括人工智能、进化计算和群体智能及其应用，担任进化计算、人工智能和控制领域顶尖国际学术期刊 IEEE Transactions on Evolutionary Computation、IEEE Transactions on Emerging Topics in Computational Intelligence、IEEE Transactions on Systems, Man, and Cybernetics: Systems和IEEE Transactions on Artificial Intelligence的副主编。

报告摘要：学习与优化是人类活动的两大重要技能，也是人工智能模拟人类智能的两个重要途径，形成了系列的学习算法和优化算法。本报告将探讨人工智能中的机器学习算法和进化优化算法的互助性，重点介绍如何通过机器学习和知识学习来辅助进化优化算法，并对学习型辅助的进化优化算法求解复杂优化问题的理论和设计进行初步探索。通过知识的学习和行为的演化，实现“知行合一”的新型人工智能算法，从而提升人工智能的最优化和智能化水平，为现代超复杂优化问题提供新型求解思路，推动人工智能的新发展。

报告4：低质量视觉内容增强与感知对抗                                                                                                                                    

报告人简介：任文琦，副教授，中山大学“百人计划”引进人才，主持国家自然科学优秀青年基金，天津大学与美国加州大学Merced分校联合培养博士，从事计算机视觉与多媒体内容安全领域的研究。在CCF-A类期刊和会议长文发表学术论文70余篇（6篇ESI高被引论文，2篇热点论文），Google学术引用12000余次，入选2022/2023爱思唯尔中国高被引学者。多次担任CVPR、ICLR、AAAI等AI和CV领域重要学术会议的领域主席和高级程序委员会委员。主持国家自然科学基金4项，深圳市优秀科技创新人才培养项目，华为、腾讯等企业合作项目。获中国计算机学会优博奖、吴文俊人工智能优秀青年奖、中国图象图形学学会自然科学一等奖（3/5）。

报告摘要：本报告聚焦低质量视觉内容增强与感知对抗主题。针对图像视频在成像过程中常见的模糊、雨雾、低分辨率及低动态范围等质量退化问题，深入研究了多种针对性的恢复与增强方法。提出一种新的图像恢复算法，在提升图像的清晰度的同时充分融合了下游目标检测效果的增益考量。通过对干净标签进行对抗攻击能够生成既与原始样本相近又有助于目标检测的伪标签，从而确保在增强图像质量的同时提升目标检测的准确度。此外，针对视觉对抗攻击这一日益严重的威胁，进一步提出一种无需先验知识或额外训练的对抗补丁定位与移除方法。该方法能够应对各种对抗攻击模式，兼容不同预训练的目标检测器，显著提升了防御能力。提出的方法在多种退化场景和攻击类型下均能显著提升目标检测的准确性。

报告5：具有非平稳谱性质的卷积谱核网络                                                                                                                                  

报告人简介：李健，中国科学院信息工程研究所副研究员。研究方向为机器学习基础研究，现有工作聚焦于大规模机器学习理论研究。以第一作者在JMLR、AI、TIT等机器学习领域重要期刊和ICML、NeurIPS、AAAI、IJCAI等重要会议上发表13篇CCF-A类论文、3篇CCF-B类论文; 以通讯作者指导研究生发表6篇高水平论文，获得PRICAI  2021最佳学生论文奖;   主持国家重点研发项目子课题、国自然青年基金、中国博士后基金特别资助、中科院特别研究助理等科研项目。

报告摘要：现代神经网络模型得益于复杂的网络结构设计，具有强大的特征表示能力，然而其泛化理论相对匮乏；传统核方法等价于单隐藏层神经网络，特征表示能力较差，但具有坚实的泛化理论。本工作尝试将核方法与现代神经网络相结合，建立统一的学习框架和泛化理论。我们从传统核方法出发，提出一种具有非平稳谱性质的卷积谱核网络，并基于傅里叶逆变换和Rademacher复杂度理论，建立对应的泛化误差上界。最后，通过消融实验、多个数据集上对比实验对所提方法、理论进行验证。