一、报告时间：2023年7月29日 下午16:00
二、报告地点：永利集团3044官网欢迎您中区科技楼101报告厅
三、主办单位：信息科学与技术学院（网络空间安全学院）
兵团空间信息工程技术研究中心
四、主题报告
题目一：聚类学习中的若干基本问题探究
报告人：陈松灿
报告人简介：
陈松灿，南京航空航天大学计算机学院/人工智能学院教授。国务院特贴专家。国际模式识别学会会士 (IAPR Fellow)和中国人工智能学会会士(CAAI Fellow)。现任中国人工智能学会机器学习专委会主任、江苏省人工智能学会理事长等。分别于2011年和2013年获教育部自然科学1等奖和国家自然科学2等奖。至今获国家自然科学基金资助13项，其中一项重点（结题获评优）。已培养毕业博士生43多名，7位获江苏省优博，其中2位进一步获全国百篇优博论文提名奖。江苏省优秀研究生指导教师，所领导的团队在2018年入选了江苏省首届“十佳研究生导师团队”。
报告摘要：聚类是机器学习和数据挖掘的核心研究主题之一，已有相当长的历史，发展出了几类代表性的学习范式，然而仍存在若干共性和特定的关键问题待解决。本讲座将汇报我们在共性的聚类数自动确定，特定于谱图理论的聚类性能提升和核聚类中聚类中心对数据分布漂移等问题的探索。
题目二：机器学习范式与泛化性能
报告人：王魏
报告人简介：
王魏，南京大学教授，主要从事人工智能、机器学习领域的研究，在人工智能领域重要期刊和会议发表学术论文，合著《机器学习理论导引》，主持2030-新一代人工智能重大项目课题、国家自然科科学基金面上/青年项目，参与国家自然科学基金创新研究群体项目科学基金面上/青年项目，参与国家自然科学基金创新研究群体项目曾获国家自然科学二等奖、中国计算机学会优秀博士学位论文奖和微软学者奖等，现为中国计算机学会人工智能与模式识别专委会委员、中国人工智能学会机器学习专委会委员、江苏省计算机学会人工智能专委会秘书长。
报告摘要：机器学习基于已有数据训练具有强泛化性能的模型，学习理论研究表明传统监督学习范式的泛化性能依赖于训练数据中“强监督”信息“标记”的数量。随着机器学习不断走向实用，逐渐出现了一些新的学习范式，例如利用大量廉价无标记数据的弱监督学习以及利用众多终端数据的协作学习等，这些新型机器学习范式正在现实任务中发挥着作用，我们尝试从理论上研究这些新型机器学习范式的泛化性能并指导算法设计。
题目三：面向开放类环境的域适应学习问题与方法研究
报告人：汪云云
报告人简介：
汪云云，女，博士，南京邮电大学计算机学院副教授，硕士生导师。中国计算机学会人工智能与模式识别专委会执行委员、中国人工智能学会机器学习专委会通讯委员、江苏省人工智能学会机器学习专委会委员。2012年于南京航空航天大学获博士学位，主要研究方向为弱监督学习、域适应学习等。在机器学习领域主流期刊会议IEEE TNNLS、《Machine Learning》、《软件学报》、ICDM等发表论文30余篇，部分成果获得2019年中国人工智能学会吴文俊人工智能奖自然科学类三等奖。先后主持和参与国家自然科学基金面上和青年基金、军委科技委前沿创新项目、173技术领域基金等多项课题。长期担任IEEE TNNLS、PR、《软件学报》等期刊审稿人，以及AAAI、IJCAI、ICML、NeurIPS、ICLR等会议程序委员。
报告摘要：域适应学习将一个领域（称为源域）中知识迁移至另一领域（称为目标域），以应对目标域所遇到的标注稀缺和新场景等问题，是提升学习模型泛化能力的一种经典学习范式。传统域适应学习致力于解决域间的特征分布漂移问题，但随着学习任务越来越面临开放类环境，域间的类别分布也将出现差异。因此，面向类分布差异的域适应学习成为了一个重要的研究方向。本报告将简单回顾域适应学习及代表性方法，然后介绍我们在面向开放类环境的域适应学习问题和方法上的一些研究工作，包括类不平衡域适应、开集域适应，以及源域标签含噪的域适应学习。
题目四：基于生成对抗网络的多场景多任务图像修复方法研究
报告人：邵明文
报告人简介：
邵明文，博士，中国石油大学（华东） 计算机科学技术学院教授，博士生导师。中国人工智能学会粒计算与知识发现专委会常务委员、知识工程与分布式智能专委会委员，中国计算机学会人工智能与模式识别专委会委员、中国计算机学会计算机视觉专委会委员。担任国际SCI期刊《Journal of Intelligent & Fuzzy Systems》副主编。主要研究方向：深度学习、计算机视觉、粒计算、形式概念分析等。近年来，在国内外重要杂志和国际学术会议上发表学术论文100余篇，其中SCI收录90多篇、SCI高被引论文4篇。先后主持完成国家自然科学基金项目4项、教育部项目1项、省部级项目6项。
报告摘要：传统的修复方法由于缺少对高级语义的理解，在面对大面积损失时难以生成合理的语义结果。得益于强大的特征表征能力，基于深度学习的修复方法能够实现合理的视觉效果。然而基于深度学习的方法在设计时往往会忽略特征提取、传播与正则化之间的关系，导致极端修复场景下的图像失真。针对上述图像修复方法的局限性，结合生成对抗网络，我们提出了三种基于深度神经网络的多场景图像修复思路：基于特征精细化的多尺度自然图像修复、基于掩码置信度的多任务遥感图像重建、基于视觉Transformer的多样化图像修复。
