中国人工智能学会模式识别专委会 (CAAIPR)
CCF YOCSEF青岛
于2015年10月31日 (星期六) 8:00-18:00
在中国海洋大学崂山校区 大学生活动中心一层报告厅
举行学术研讨会，敬请光临
研讨会主题
2015智能数据分析研讨会(IDAS2015)
程 序
8:00 - 8:15 会议主席致辞
8:15 - 9:55 报告会Ⅰ
特邀讲者：林宙辰 北京大学
演讲题目：Low Rank Representation-Theories and Applications
特邀讲者：公茂果 西北工业大学
演讲题目：多目标深度神经网络与稀疏特征学习
9:55 - 10:15 茶歇
10:15 - 11:55 报告会Ⅱ
特邀讲者：杨沛沛 中国科学院自动化研究所
演讲题目：跨领域机器学习及其在图像识别中的应用
特邀讲者：张家俊 中国科学院自动化研究所
演讲题目：自然语言处理中的语义表示学习
11:55 - 13:15 午休
13:15 - 14:55 报告会Ⅲ
特邀讲者：苗启广 西安电子科技大学
演讲题目：基于黄霾物理特性的改进的单幅图像去霾方法
特邀讲者：马毅 国家海洋局第一海洋研究所
演讲题目：信息技术在海洋遥感中的应用
14:55 - 15:15 茶歇
15:15 - 16:55 报告会Ⅳ
特邀讲者：李宇峰 南京大学
演讲题目：Learning methods for safely using unlabelled data
特邀讲者：郭振华 清华大学深圳研究生院
演讲题目：局部纹理特征提取及其应用
16:55 - 17:45 Panel讨论
17:45 - 18:00 闭幕式
大会主席：董军宇 博士，中国海洋大学
程序委员会主席：仲国强 博士，中国海洋大学
参加人员：IT领域专业人士、研究生、媒体、其他有兴趣者
报名方式：Email：qilin@ouc.edu.cn (请于10月26日前将参会回执回复至该邮箱，邮件主题请注明“IDAS2015青岛学术报告会回执”);
Tel: 0532-66781729
参加方式：
免费参加
参会回执
|
姓名 |
|
CCF会员号 |
|
|
手机 |
|
Email |
|
|
工作单位 |
|
||
特邀讲者 林宙辰
报告提要：In this talk, I will introduce a robust subspace clustering method, called low rank representation (LRR). It is a combination of sparse subspace clustering (SSC) and robust PCA (RPCA). LRR can be much more robust to corruptions and outliers than SSC for subspace clustering. I will also present some striking properties of LRR and some interesting applications and generalizations of LRR.
特邀讲者 公茂果
教授，博士生导师，西北工业大学&西安电子科技大学计算智能联合研究中心负责人，陕西省重点科技创新团队负责人。主要研究方向为计算智能理论及其在数据挖掘和图像理解中的应用。主持完成国家863计划、国家自然科学基金等十余项课题，发表SCI检索论文100余篇，被引用3000余次，获国家发明专利授权10余项，获国家自然科学奖二等奖1项、省部级科技奖励3项。曾获国家自然科学基金委“优秀青年基金”、"国家高层次人才特殊支持计划"青年拔尖人才、霍英东青年教师奖、吴文俊智能科技创新奖、陕西青年科技奖、陕西省青年科技新星、教育部新世纪优秀人才支持计划、中国高被引学者等荣誉或奖励。
报告提要：面对大数据的诸多挑战，深度神经网络模型在很多应用领域展示出明显的优势和潜力。很多数情况下，单层的学习模型是构造深度网络的基础。在单层的学习模型中，稀疏特征学习模型是一种常用的能对数据进行高效表示的模型。但是这类模型往往需要一个自定义的参数来控制稀疏程度与信息损失之间的平衡。由于数据和模型的规模都十分庞大，在实际应用中，调整这类参数是十分耗时的。因此，我们提出了一种面向稀疏特征学习的多目标深度神经网络模型。该模型通过同时优化两个目标(重构误差和隐层节点的稀疏度)来学习网络的连接权值和偏置,从而自动寻找两个目标的折衷解。基于多目标进化算法，我们设计了一种适用于该模型的学习方法。实验证明，所设计的学习方法是有效的，多目标深度神经网络模型在克服了参数选择困难的同时能学到有用的特征。
特邀讲者 杨沛沛
报告提要：待定
特邀讲者 张家俊
副研究员。2006年于吉林大学计算机科学与技术学院获学士学位，2011年6月毕业于中科院自动化所模式识别与智能系统专业，获工学博士学位。2011年7月至今在中科院自动化所模式识别国家重点实验室工作。2013年9月至2014年9月在微软亚洲研究院做访问学者。研究方向为自然语言处理、机器翻译、统计学习等。在人工智能与自然语言处理顶级会议AAAI、IJCAI、ACL、EMNLP、COLING，以及国际期刊IEEE/ACM TASLP， ACM TALLIP，IEEE Intelligent Systems，Transaction on ACL等发表学术论文20余篇。2009年获亚太语言信息与计算会议（PACLIC）最佳论文奖，2010年获中科院朱李月华优秀博士生奖，2012年获第一届自然语言处理与中文计算会议（NLPCC）最佳论文奖，2014年获中国中文信息学会“钱伟长中文信息处理科学技术奖”一等奖。
报告提要：自然语言处理主要研究从字、词、短语、句子到篇章等各种粒度的语言单元的语义以及相互之间的关系。近年来，以离散符号为研究对象的自然语言处理已成为深度学习的试验场。在各种自然语言处理任务中语言单元的表示学习是深度学习当仁不让的研究重点。本次报告将以表示学习为核心，分别介绍词、短语以及句子的向量化语义表示，并给出这些表示在不同自然语言处理任务中的应用。
特邀讲者 苗启广