EN
当前位置: 网站首页 > 学术活动 > 正文
【AI大讲堂】系列学术讲座
发布时间: 2023年12月18日 10时55分  作者:   来源:   浏览次数:

时间:2023年12月23日上午9:00-11:30

地点:人工智能学院801会议室

主办单位:人工智能学院



报告一

报告题目:基于机器学习的多变量预测方法研究

主讲人简介:詹建明,二级教授,主要研究方向为粗糙集、粒计算、三支决策与机器学习等。现为国务院政府特殊津贴专家,湖北省政府专项津贴专家,国家科学技术奖励评审专家、湖北省新世纪高层次人才工程第二层次人才和湖北省青年科技奖获得者。詹教授现为知名SCI期刊《Information FusionInformation SciencesApplied Intelligence》和《Journal of Intelligent & Fuzzy Systems》的associate editor(副编辑),近年来詹建明教授在国内外著名期刊上发表相关学术论文200多篇其中被SCI检索15014篇为ESI高被引论文和出版专著2部。目前,詹建明教授主持1在研国家自然科学基金项目,已完成4国家自然科学基金项目。2篇论文获2008年与2020年中国百篇最有影响国际学术论文。1篇论文获得2021年国际模糊系统协会(IFSA)最佳期刊论文奖。以第一署名获湖北省自然科学优秀论文奖10余项。 20142022年,连续入选中国高被引学者(Most Cited Chinese Researchers)榜单。2020-2022连续入选Clarivate全球高被引学家。2020-2022连续入选美国斯坦福大学发布全球前2%顶尖科学家榜单。

报告摘要:多变量预测问题是一个被长期关注和研究的课题,其在金融股票价格预测、天气预测和交通流量预测等方面都得到了广泛应用和研究。然而,大数据驱动的预测问题所呈现的高维、非线性等特点给经典预测模型带来了前所未有的挑战。基于这一背景,本报告主要探讨了基于机器学习的多变量预测方法的构造。主要内容包括:多变量预测的背景、现状及发展、基于三支决策的多变量预测方法、基于传递熵的多变量预测方法、基于可能性理论的多变量预测方法及关于多变量预测的几点思考。

报告二

报告题目:全波形反演深度学习方法

主持人简介:闵帆,博士,西南石油大学教授、博导,CAAI粒计算与知识发现专委会常委,四川省学术技术带头人后备人选。担任SCI期刊IJAR副主编,30余本SCI国际期刊论文评审专家。主持和参与国家自然科学基金4项。发表SCI收录论文100余篇,其中7篇被引过百。研究兴趣包括粒计算、代价敏感学习、地震反演等。

报告摘要:地震勘探过程由地震数据采集、数据处理和地震资料解释3个阶段组成。其中,经典的数据处理有常规处理流程、全波形反演的数值模拟方法(NS-FWI)。近年来,全波形反演的深度学习方法(DL-FWI)获得了越来越多的关注。作为数据驱动的方法,它的预测效率极高(单炮数据仅需数秒,而常规流程需要一个月以上),且可随着数据量的增大获得更好的预测效果。但它也存在一些特有的核心问题,包括:深度网络的架构设计,训练数据的生成,训练数据的组织等。本讲座讨论地震数据处理三种方法的基本概念,并着重分享实验室在DL-FWI方面的最新进展。

报告三

报告题目:开放持续学习

主持人简介:杨新,工学博士,教授,博士生导师,西南财经大学计算机与人工智能学院副院长,互联网金融创新及监管四川省协同创新中心主任,光华英才工程人选(A类),成都市青年科技联合会副主席,中国计算机学会杰出会员和杰出传播者, CCF成都分部执委、YOCSEF 成都学术委员会(22-23)主席、大数据专委会执行委员、数字金融分会执行委员、人工智能与模式识别专委会委员、传播工作委员会委员和传播大使,中国人工智能学会(CAAI)粒计算与知识发现专委会委员,四川省人工智能学会常务理事,主要研究方向是可信联邦学习、开放持续学习、智能金融和城市计算等,主持/主研国家级和省部级科研项目10余项,已在高水平期刊和会议发表学术论文80余篇,主编/参编教材4部和专著2部,HCIS等国际期刊编委,曾担任ICICMLDSINSPAKDD等国际会议大会主席/TPC/SC主席,指导学生获得ACM优秀论文和优秀本科生等奖项以及学科竞赛100余项。

报告摘要:传统机器学习研究主要关注封闭静态确定条件下的数据挖掘和知识发现,而更具有难度和现实应用意义的开放持续机器学习范式往往存在动态不确定和非鲁棒等问题,在样本、特征、类别和任务等随时间不断变化下会破坏数据独立同分布假设,由此带来的新概念、新事物、新场景和新目标等未知的未知情况给深度持续学习带来巨大挑战。本报告主要探讨开放动态非确定条件下的终身持续学习问题,主要以粒计算和神经网络为理论基础,以深度学习模型为研究对象,以多粒度学习和增量学习为切入点,研究开放环境下动态不确定性知识的表示、迁移和融合等关键技术。