20210428-12 总第238期 可解释机器学习-知其所以然

报告嘉宾：史作强 (清华大学) 

报告题目：PDE-based models in machine learning

报告嘉宾：周博磊 (香港中文大学)

报告题目：生成模型的可解释性与交互内容创作

Panel嘉宾：

史作强 (清华大学)，周博磊 (香港中文大学)，苏航 (清华大学)，顾舒航 (悉尼大学)

Panel议题：

1. 能否构建可解释学习的数学模型，包括又明确数学意义的信息深度表示理论、可解释的度量等？ 

2. 能否实现模型性能和模型可解释性的同步提升？

3. 因果关系和可解释性的关系是什么？可否通过因果实现可解释性？

4. 哪些应用场景或问题对模型可解释具有客观的或者迫切的需求？

5. 工业界对于可解释性有哪些具体需求？
   

*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：史作强 (清华大学) 

报告时间：2021年04月28日 (星期三)晚上21:00 (北京时间)

报告题目：PDE-based models in machine learning

报告人简介：

Prof. Shi Zuoqiang got his Ph.D. in Applied Mathematics from Tsinghua University in 2008. He was a postdoctoral Scholar at California Institute of Technology in 2008 - 2011. Since 2011, he has been an Associate Professor at Yau Mathematical Sciences Center, Tsinghua University. Prof. Shi's research interests focus on nonlinear and non-stationary data analysis, singularity problems in fluid mechanics, numerical analysis and computation of immersed boundary method, nonlinear wave phenomena in periodic media, and so on. His publication appears in Applied and Computational Harmonic Analysis, Journal of Computational Physics,  Advances in Mathematics, Physical Review A, Physical Review E, etc.

报告摘要：

In this talk, I will present several PDE models and show their relations to machine learning and deep learning problem. In these PDE models, we use manifold to model the low dimensional structure hidden in high dimensional data and use PDEs to study the manifold.  I will reveal the close connections between PDEs and deep neural networks. Theoretical analysis and numerical simulations show that PDEs provide us powerful tools to understand high dimensional data.

报告嘉宾：周博磊 (香港中文大学)

报告时间：2021年04月28日 (星期三)晚上21:30 (北京时间)

报告题目：生成模型的可解释性与交互内容创作

报告人简介：

周博磊为香港中文大学信息工程系助理教授，博士生导师。其研究方向为机器感知和智能决策。博士毕业于麻省理工学院，在人工智能顶级会议和期刊发表六十余篇学术论文，论文总引用数超过一万五千次，其中三篇一作论文已获得引用数过千的影响力，在可解释性机器学习和场景理解等课题上有突出成果。曾在Facebook人工智能实验室，eBay研究所，微软亚洲研究院参与研发工作，获MIT Tech Review’s Innovators under 35亚太区奖，世界人工智能大会WAIC云帆奖，Facebook博士学者奖, 微软亚洲研究院博士学者奖等奖项。在计算机视觉会议CVPR，ICCV等多次主办研讨会和课程讲座。

个人主页：

http://bzhou.ie.cuhk.edu.hk/

报告摘要：

Recent progress in deep generative models such as Generative Adversarial Networks (GANs) has enabled synthesizing photo-realistic images, such as faces and scenes. However, it remains much less explored on what has been learned in the deep generative representation and why diverse realistic images can be synthesized. In this talk, I will present our recent series work from GenForce (https://genforce.github.io/) on interpreting and utilizing the latent space of the generative models. Through this talk I will show that identifying these semantics not only allows us to better understand the inner workings of the deep generative models but also facilitates interactive content creation.

Panel嘉宾：苏航 (清华大学)

嘉宾简介：

苏航，清华大学计算机系副研究员，长期关注鲁棒、可解释机器学习理论及其视觉应用研究，发表CVPR、NeurIPS等顶级期刊和会议论文60余篇，曾荣ICME2018“铂金最佳论文”、AVSS2012“最佳论文奖”和MICCAI2012“青年学者奖”等学术奖励，担任NeurIPS领域主席(Area Chair)、和IJCAI、AAAI等多个学术会议的高级程序委员 (Senior PC)。

Panel嘉宾：顾舒航 (悉尼大学)

嘉宾简介：

顾舒航，悉尼大学讲师。香港理工大学博士，苏黎世联邦理工学院博士后。主要研究方向为底层视觉，在TPAMI、IJCV、TIP、NeurIPS、CVPR、ICCV等CCF/CAA推荐期刊和会议发表论文30余篇。

个人主页：

shuhanggu.github.io 

主持人：刘日升 (大连理工大学)

主持人简介：

刘日升，大连理工大学几何计算与智能媒体技术研究所教授，博导，所长。大连理工大学计算数学专业博士，香港理工大学计算科学系博士后（香江学者）。主要研究方向为机器学习、优化方法、计算机视觉等，在TPAMI、TIP、ICML、NeurIPS、CVPR、ICCV等CCF/CAA推荐期刊和会议发表论文80余篇。成果获得教育部自然科学二等奖1项，辽宁省自然科学二等奖1项，多媒体旗舰会议ICME Best Student Paper奖2篇（2014、2015连续两届），ICME 2017 Best Paper Finalist奖2篇（TOP 3%），图像处理知名会议ICIP 2015 TOP 10% Paper奖1篇，VALSE 2018最受关注Poster奖1篇。获得优秀青年科学基金资助，入选辽宁省青年拔尖人才、百千万人才工程等。

21-12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“12期”，获取直播地址。

特别鸣谢本次Webinar主要组织者：

主办AC：姬艳丽 (电子科技大学)、欧阳万里 (悉尼大学)