设为首页收藏本站

VALSE

VALSE 首页 活动通知 查看内容

20191023-28 物以类聚,和而不同 — 复杂多源数据的无监督学习

2019-10-17 17:59| 发布者: 程一-计算所| 查看: 1395| 评论: 0

摘要: 报告时间:2019年10月23日(星期三)晚上20:00(北京时间)主题:物以类聚,和而不同——复杂多源数据的无监督学习报告主持人:任传贤(中山大学)报告嘉宾:张长青(天津大学)报告题目:多视图表示学习:算法与应 ...

报告时间:2019年10月23日(星期三)晚上20:00(北京时间)

主题:物以类聚,和而不同——复杂多源数据的无监督学习

报告主持人:任传贤(中山大学)


报告嘉宾:张长青(天津大学)

报告题目:多视图表示学习:算法与应用


报告嘉宾:刘新旺(国防科技大学)

报告题目:缺失多视图聚类算法及应用研究


Panel议题:

1. 面向多源信息的无监督学习算法比监督学习算法明显多的原因有哪些?

2. 无监督学习应当如何更好地处理更大规模的数据?

3. 有哪些常见的指标或方法能够很好地衡量无监督学习算法的性能?

4. 无监督学习领域有哪些重要的学术及研究问题还没有得到很好的解决?

5. 无监督学习算法如何更好地应用在工业界?

6. 如何看待ICML2019上,谷歌提出的对于任意数据,拥有解耦表征的无监督学习是不可能的?

7. 深度无监督学习算法应当如何调参?

8. 如何提高无监督学习算法的可解释性?


Panel嘉宾:

张长青(天津大学)、刘新旺(国防科技大学)、邓成(西安电子科技大学)、王昌栋(中山大学)、张磊(重庆大学)


*欢迎大家在下方留言提出主题相关问题,主持人和panel嘉宾会从中选择若干热度高的问题加入panel议题!

报告嘉宾:张长青(天津大学)

报告时间:2019年10月23日(星期三)晚上20:00(北京时间)

报告题目:多视图表示学习:算法与应用


报告人简介:

张长青,工学博士,天津大学硕士生导师。天津大学北洋学者骨干教师。主要研究方向为机器学习、计算机视觉。2017-2018于美国北卡罗来纳大学教堂山分校进行医学图像分析研究,在国际会议和期刊上发表论文70余篇,其中NIPS、CVPR、ICCV、AAAI、IJCAI等CCF- A类会议以及IEEE Trans.期刊(包括IEEE T-PAMI/T-IP/T-NNLS/T-CYB)35篇,多篇CVPR、NIPS论文入选Oral和Spotlight论文。主持国家自然基金青年项目和面上项目、天津市自然科学基金面上项目。担任IJCAI、AAAI、CVPR、ICCV等会议的程序委员会成员或审稿人,担任中国机器学习会议(CCML 2017)本地组织主席,国际期刊IEEE T-PAMI/T-IP/T-NNLS/T-CYB审稿人。


个人主页:

http://cic.tju.edu.cn/faculty/zhangchangqing/index.html


报告摘要:

多视图学习(multi-view learning)是一种利用多源信息的重要技术。多源、异构特性导致不同视图之间的关联复杂且难以预知,甚至领域专家在面对复杂多源信息时也难以有效利用。多视图学习的核心问题是如何协同利用不同视图之间的一致性和互补性,准确地发现数据的内在模式以提高数据分析的有效性。报告针对多视图学习中的基础问题进行研究,一方面针对多视图一致性和互补性,探索传统模型的局限性;另一方面,进一步提出多视图表示学习完备性,解决多视图融合的完备性编码问题。


参考文献:

[1] C. Zhang, H. Fu, Q. Hu, X. Cao, Y. Xie, D. Tao and D. Xu, Generalized Latent Multi-View Subspace Clustering, IEEE Transactions on Pattern Analysis and Machine Intelligence (IEEE T-PAMI), 2018.

[2] C. Zhang, Z. Han, Y. Cui, H. Fu, T. Zhou, Q. Hu, CPM-Nets: Cross Partial Multi-View Networks, Neural Information Processing Systems (NIPS, Spotlight), 2019.

[3] C. Zhang, Y. Liu, H. Fu, AE^2-Nets: Autoencoder in Autoencoder Networks, IEEE Conference on Computer Vision and Pattern Recognition (CVPR, Oral), 2019.

[4] C. Zhang, Q. Hu, H. Fu, P. Zhu and X. Cao, Latent Multi-view Subspace Clustering, IEEE Conference on Computer Vision and Pattern Recognition (CVPR, Spotlight), 2017.

[5] C. Zhang, H. Fu, S. Liu, G. Liu, X. Cao, Low-Rank Tensor Constrained Multiview Subspace Clustering, IEEE International Conference on Computer Vision (ICCV), 2015.

报告嘉宾:刘新旺(国防科技大学)

报告时间:2019年10月23日(星期三)晚上20:30(北京时间)

报告题目:缺失多视图聚类算法及应用研究


报告人简介:

刘新旺,国防科技大学计算机学院副教授,主要研究兴趣包括核算法、多视图聚类算法、特征选择算法等。发表论文90余篇,SCI 46篇(其中IEEE汇刊17篇,包括IEEE T-PAMI、IEEE T-KDE、IEEE T-IP、IEEE T-IFS、IEEE T-NNLS、 IEEE T-Cybernetics、IEEE T-MM等),中国计算机学会指定的A类会议论文23篇,谷歌学术引用1600余次,3篇进入ESI计算机科学学科前10%层次。担任国际人工智能领域顶级会议AAAI 2016-2019、IJCAI 2016-2019、NIPS 2016-2018等程序委员会委员、AAAI 2020高级程序委员会委员。主持国家自然科学基金青年基金、面上项目、优秀青年基金各一项,研究成果获湖南省自然科学一等奖。


报告摘要:

围绕多视图聚类问题展开研究:提出了矩阵范数正则化多模态聚类算法以降低冗余性和增强多样性;提出了缺失多模态分类、聚类算法以解决具有缺失模态的分类、聚类等学习问题;提出了噪声多模态分类、聚类算法以解决具有噪声模态的分类、聚类等学习问题。

Panel嘉宾:邓成(西安电子科技大学)


嘉宾简介:

邓成,教授,博士生导师。2012年获陕西省青年科技新星,2012年入选教育部新世纪优秀人才支持计划,2017年获得陕西省中青年科技创新领军人才,2018年获得陕西省青年科技奖(标兵),主要从事多模态数据协同计算方面的研究工作。主持国家自然科学基金项目、科技部“863”计划等课题20余项,获发明专利授权26项,发表学术论文100余篇,其中在国际一流期刊和国际顶级会议发表论文近80篇,包括IEEE TNNLS, TIP, TCYB, ICML, NIPS, ICCV, CVPR等。被Google Scholar引用2200余次,18位中美英等国院士/Fellow引用他的研究工作并给予了积极评价。研究成果获国家自然科学二等奖1项(2016,第三完成人)、陕西省科学技术奖一等奖2项(2011, 2015,第三完成人)、教育部自然科学二等奖1项(2013)。


个人主页:

http://see.xidian.edu.cn/faculty/chdeng/

Panel嘉宾:王昌栋(中山大学)


嘉宾简介:

王昌栋,中山大学数据科学与计算机学院副教授,博士生导师。2013年获得中山大学工学博士学位。2011年曾获首届广州市菁英计划公派留学项目资助,作为联合培养博士生,于2011年12月至2012年11月在美国伊利诺大学-芝加哥校区留学。他的研究方向包括数据聚类、社交网络、推荐系统、医学数据处理。他一共发表了100余篇学术论文,包括IEEE TPAMI、IEEE TKDE、IEEE TCYB、IEEE TNNLS等国际顶级刊物和KDD、AAAI、IJCAI、CVPR等国际顶级会议。主持了包括广东省自然科学基金-杰出青年基金、国家重点研发计划项目-子课题、国家自然科学基金-面上项目、国家自然科学基金-青年基金、CCF-腾讯犀牛鸟科研基金等13个项目。他的ICDM2010论文荣获最佳论文提名奖;他曾获2012年微软亚洲研究院学者奖提名,2015年中国人工智能学会优秀博士学位论文奖,2017年广东特支计划“科技创新青年拔尖人才”,2018年度广东省科学技术奖(自然科学奖)一等奖(第五完成人)。他是人工智能权威期刊Journal of Artificial Intelligence Research(JAIR)的副编辑(AE)。他是中国人工智能学会-模式识别专业委员会委员,中国计算机学会-数据库专业委员会委员,中国计算机学会-计算机视觉专业委员会委员,CCF-YOCSEF广州副主席(2018-2019),CCF广州分部副主席(2019.3-2021.3)。


个人主页:

http://sdcs.sysu.edu.cn/node/2465

Panel嘉宾:张磊(重庆大学)


嘉宾简介:

张磊,重庆大学微电子与通信工程学院研究员,博士生导师,重庆市生物感知与智能信息处理重点实验室副主任,LiVE视觉与智能学习团队负责人(http://www.leizhang.tk), IEEE Senior Member。主要聚焦于迁移学习,深度学习以及开放环境下的视觉分析问题。以第一或通讯在IEEE TIP/TCSVT/TNNLS/TMM/TCYB/TSMCA/TIM等期刊发表论文48篇、在 ICCV/AAAI/ACM MM/ACCV等会议上发表论文30余篇,出版英文专著1部,授权专利10项,多篇论文入选ESI高被引论文,Google Scholar引用1500余次。担任TPAMI/TIP/TNNLS/TMM/TCSVT等50余个期刊和AAAI/ICLR/CVPR/ICCV/IJCAI等多个会议的审稿,主持国家自然科学基金、重庆市重点研发子课题等项目10余项。曾获CCBR最佳论文奖、香江学者奖、黄尚廉院士青年创新奖、教育部学术新人奖、重庆市优博、重庆大学优秀青年教师奖等。入选重庆大学百人计划,重庆市学术带头人后备人选、重庆市高层次人才计划—青年拔尖人才。

主持人:任传贤(中山大学)


主持人简介:

任传贤,男,中山大学数学学院副教授、博士生导师。2010年于中山大学获得理学博士学位,研究方向为模式识别与机器学习。目前主持国家自然科学基金面上项目两项,相关研究成果发表在人工智能权威期刊如IEEE TNNLS、IEEE TIP、IEEE CYB等。2016年获教育部自然科学研究优秀成果二等奖。目前担任广东省(广州)工业与应用数学学会秘书长,中山大学科学计算与计算机应用系主任。他也是中国人工智能学会-模式识别专业委员会委员,中国计算机学会-计算机视觉专业委员会委员、中国工业与应用数学学会-大数据与人工智能专业委员会委员。


19-28期VALSE在线学术报告参与方式:


长按或扫描下方二维码,关注“VALSE”微信公众号(valse_wechat),后台回复“28期”,获取直播地址。



特别鸣谢本次Webinar主要组织者:

主办AC:任传贤(中山大学)

协办AC:张长青(天津大学)、彭玺(四川大学)

责任AC:邓成(西安电子科技大学)


VALSE Webinar改版说明:

自2019年1月起,VALSE Webinar改革活动形式,由过去每次一个讲者的方式改为两种可能的形式:

1)Webinar专题研讨:每次活动有一个研讨主题,先邀请两位主题相关的优秀讲者做专题报告(每人30分钟),随后邀请额外的2~3位嘉宾共同就研讨主题进行讨论(30分钟)。

2)Webinar特邀报告:每次活动邀请一位资深专家主讲,就其在自己熟悉领域的科研工作进行系统深入的介绍,报告时间50分钟,主持人与主讲人互动10分钟,自由问答10分钟。


活动参与方式:

1、VALSE Webinar活动依托在线直播平台进行,活动时讲者会上传PPT或共享屏幕,听众可以看到Slides,听到讲者的语音,并通过聊天功能与讲者交互;

2、为参加活动,请关注VALSE微信公众号:valse_wechat 或加入VALSE QQ群(目前A、B、C、D、E、F、G、H、I、J群已满,除讲者等嘉宾外,只能申请加入VALSE K群,群号:691615571);

*注:申请加入VALSE QQ群时需验证姓名、单位和身份,缺一不可。入群后,请实名,姓名身份单位。身份:学校及科研单位人员T;企业研发I;博士D;硕士M。

3、在活动开始前5分钟左右,讲者会开启直播,听众点击直播链接即可参加活动,支持安装Windows系统的电脑、MAC电脑、手机等设备;

4、活动过程中,请不要说无关话语,以免影响活动正常进行;

5、活动过程中,如出现听不到或看不到视频等问题,建议退出再重新进入,一般都能解决问题;

6、建议务必在速度较快的网络上参加活动,优先采用有线网络连接;

7、VALSE微信公众号会在每周四发布下一周Webinar报告的通知及直播链接。

8、Webinar报告的PPT(经讲者允许后),会在VALSE官网每期报告通知的最下方更新[slides]

9、Webinar报告的视频(经讲者允许后),会更新在VALSE爱奇艺空间,请在爱奇艺关注Valse Webinar进行观看。


张长青[slides]

刘新旺[slides]

Archiver|手机版|小黑屋|Vision And Learning SEminar    

GMT+8, 2019-11-23 00:00 , Processed in 0.043651 second(s), 26 queries .

Powered by Discuz! X3.2

© 2001-2013 Comsenz Inc.

返回顶部