报告时间：2025年5月10日14:30-18：30
报告地点：人工智能学院801会议室

报告一：数据与模型双驱动的强化学习

专家简介：

陈春林教授，教授、博士生导师，南京大学工程管理学院副院长，机器学习与智能决策中心主任。2001年于中国科学技术大学自动化系和管理科学系获工学学士和管理学第二学士学位，2006年于中国科学技术大学自动化系获工学博士学位，2006年7月起加入南京大学工程管理学院任教，曾于2012年至2013年在美国普林斯顿大学做访问学者。目前为中国自动化学会系统仿真专业委员会副主任委员、江苏省系统工程学会副理事长、IEEE SMCS量子控制学技术委员会主任等。他的研究方向包括机器学习与随机优化，及其在复杂系统管理与控制中的应用。已在IEEE Transactions系列、中国科学、自动化学报等期刊及ICML、NeurIPS、ICLR等会议发表学术论文100余篇，获授权国家发明专利20余项。他的学术成就不仅得到了学术界的认可，还多次获得各类奖项，如南京大学“师德先进”青年教师奖、中国指挥与控制学会科学技术进步奖二等奖等。

报告摘要：

强化学习是一种通过与环境交互来学习最优策略的方法，已被广泛应用于机器人控制、自动驾驶、智能博弈等复杂决策问题的求解中。然而，强化学习模型常因黑盒特性而在实际应用中遭遇可解释性不足、知识迁移困难等的瓶颈，限制了其在一些对决策透明度要求较高的关键领域的应用。本报告在介绍强化学习发展现状的基础上，结合典型应用场景所面临的挑战与需求，汇报了我们在数据与模型双驱动的强化学习以及可解释强化学习领域的初步探索。

报告二：智能博弈中的人机融合决策

专家简介：

周献中，南京大学教授、博士生导师，现任南京大学智能装备新技术研究中心主任。1982年、1985年分获南京理工大学系统工程学士、硕士学位，1996年获控制理论及应用博士学位；2004年任南京大学教授，2005年获博导资格。长期致力于指挥与控制系统工程、混合智能系统协作与任务规划、智能人机交互等交叉领域研究，提出“人件技术（Humanware）”、“失信因子”等理论，构建自然智能与人工智能融合的混合智能系统框架。主持国家自然科学基金5项（含重点培育1项）、国防预研及横向项目30余项，成果应用于军事指挥、工业控制、智能博弈等领域。获部省级科技进步奖5项（含一等奖1项）、宝钢优秀教师奖等荣誉。现任中国指挥与控制学会常务理事、中国指挥与控制学会会士

报告摘要：

人工智能与知识发现的核心挑战在于如何实现人类认知与机器智能的深度融合。本报告聚焦智能博弈场景下的人机融合决策理论与技术，探讨如何通过自然智能与人工智能的深度协同，实现复杂动态博弈中的高效知识发现与策略优化。报告以“人件技术（Humanware）”为核心，提出人机多通道协同交互框架，结合意图识别、动态置信校准与分层强化学习技术，构建面向动态博弈环境的混合决策模型。通过兵棋推演、智能博弈对抗等场景案例，展示人机协同决策在意图推理、多任务推演及动态资源调度中的实践价值。围绕开放环境下的博弈不确定性，提出基于量子博弈论与元学习的动态适应策略，探讨人机互信机制与博弈均衡状态的协同优化路径，为智能博弈从理论到实战的跨越提供方法论支撑。

报告三：多模态学习与多视图聚类及其优化方法

专家简介：

李华雄，南京大学控制科学与智能工程系教授、博士生导师，IEEE/ACM/CAAI高级会员，CCF杰出会员，中国人工智能学会粒计算与知识发现专委会常务委员、机器学习专委会委员、中国计算机学会人工智能与模式识别专委会执行委员、计算机视觉专委会委员，江苏省自动化学会理事，江苏省人工智能学会模式识别专委会委员。先后主持国家自然科学基金项目、国家重点研发计划项目子项等项目10余项，参与国家自然科学基金项目等项目10余项，在IEEE TPAMI, TKDE, TNNLS, TMM, TCYB, TCSVT, TFS, PR, ACM KDD, ACM TKDD, ACM MM, ICML, ICLR, AAAI, IJCAI,《中国科学: 信息科学》等国内外重要期刊和会议上发表学术论文100余篇。目前的研究兴趣主要有多模态机器学习与数据挖掘、鲁棒模式识别、跨模态哈希检索、多视图学习等。

报告摘要：

现实数据的复杂性通常呈现出多模态特性，这种特性通常来源于数据源的多样性或数据处理方式的差异性。例如，文本、图像、视频等不同类型信息，这些不同类型信息间的检索即为跨模态检索。而对于同一类型的数据，采用不同的数据处理方法可以得到不同角度或层次的特征信息，即多视图数据，可视为一类特定的多模态数据。不同模态的数据既存在数据类型、信息内涵、时间和空间等方面的模态差异，也存在潜在的语义关联性和一致性。相比于单模态数据挖掘和知识发现，多模态数据则需进一步考虑跨模态的“语义鸿沟”、语义互补性和一致性信息，进行有效的多模态表示学习与融合。本报告从标签关联跨模态哈希学习、弱监督跨模态哈希方法、基于特征解耦与图学习的多视图聚类方法等多个角度，介绍多模态学习与多视图聚类及其优化方法。

报告四：知识发现驱动的标记分布学习

专家简介：

贾修一，南京理工大学教授、博士生导师，长期致力于数据挖掘、机器学习、计算机视觉及自然语言处理等领域的研究，相关成果发表于CVPR、AAAI、IJCAI等CCF A类会议及IEEE TKDE、TPAMI等顶刊，其中3篇入选ESI高被引论文。在主持国家自然科学基金面上项目、青年项目及江苏省自然科学基金等课题10余项，参与国防预研重点项目，主导兵棋推演算法设计与医疗影像分析应用转化。现任中国人工智能学会粒计算与知识发现专委会、机器学习专委会委员，担任IJCAI、AAAI、NeurIPS等顶级会议程序委员及IEEE Trans.系列期刊审稿人，推动粒计算、三支决策与标记增强等理论在动态数据场景下的交叉创新。

报告摘要：

标记分布学习作为一种新的学习范式，比多标记学习具有更丰富的标记语义，可以更精确地刻画与同一示例相关的多个标记的相对重要性差异等，是多义机器学习领域的研究热点之一。标记序关系是标记分布隐含的重要语义信息，但现有工作少有对其做专门性的研究。本报告主要介绍我们近两年从标记排序视角下对标记分布学习和标记增强方法的一些研究。

报告五：联邦因果关系推断与模型泛化方法

专家简介：

俞奎，合肥工业大学黄山学者特聘教授，博士生导师，研究方向为因果推断与机器学习、自然语言处理等。2013年-2018年分别在加拿大和澳大利亚全职从事研究工作。2018年8月入职合肥工业大学计算机与信息学院。在IEEE TPAMI、IEEE TKDE、IEEE TNNLS、ICML、KDD、AAAI等国际权威期刊与国际顶级会议发表学术论文40多篇。曾获2014年度中国计算机学会（CCF）优秀博士学位论文奖，2014年度加拿大太平洋数学研究院（PIMS）博士后奖。目前主持科技部科技创新2030-“新一代人工智能”重大项目课题（课题一负责人）和子课题各一项，国家自然科学基金面上项目一项。安徽省人工智能学会认知智能与知识工程专委会主任，中国人工智能学会不确定性人工智能专委会委员，粒计算与知识发现专委会委员；担任多个国际人工智能领域顶级会议的领域主席与程序委员会委员。

报告摘要：

理解大数据内蕴含的因果关系，揭示数据的产生机制与规律，是构建高可解释性与强泛化性的学习模型的关键。近年来，由于数据滥用和隐私泄露事件频发，为保护数据隐私，多个组织、群体之间的数据相互隔离，形成数据孤岛问题，严重阻碍因果驱动的大数据理解与分析技术的发展与应用。针对全局联邦因果关系学习存在的计算效率和学习准确度问题，本报告介绍团队近期在局部-全局的可扩展的联邦因果关系推断方法和因果机器学习方向的工作。