报告序号：1
钱宇华，教授、博士生导师，山西大学大数据科学与产业研究院负责人，计算智能与中文信息处理教育部重点实验室副主任。主要从事人工智能、大数据、复杂网络、数据挖掘与机器学习等方面的研究工作，获科技部中青年科技创新领军人才、国家优秀青年基金获得者、2018-2020年全球高被引科学家、三晋学者、山西省中青年拔尖创新人才、教育部新世纪人才、山西省学术技术带头人、山西省青年学术带头人等荣誉称号。
报告时间：2021年9月30日9:00-9:50
报告地点：西校区XGA-306
报告题目：DIG: Data Intelligence Generation
报告摘要：近年来，人工智能逐渐被认为是第四次科技革命的引擎，国际上主要经济体都把其作为了国家战略进行了部署。人工智能传统上主要分为符号主义和连接主义两个流派，70余年来都取得了长足发展，然而对于通用人工智能和强人工智能还有很多科学问题需要探索。本报告瞄准“创造自主进化的人工智能，探索人类世界的未知智能”这一学术目标，分享交流我们在进化人工智能方面的一些初步探索，以期引起人工智能或相关领域的一些学术思考。
报告序号：2
王钰，博士，副教授，硕士生导师，研究方向为图像处理，机器学习及模式识别等。主持国家自然科学基金、山西省自然科学基金、教育部重点实验室开放课题等多项国家和省部级课题。在《IEEE Transactions on Geoscience and Remote Sensing》、《IEEE Transactions on Knowledge and Data Engineering》、《Neural Computation》、《IEEE Geoscience and Remote Sensing Letters》、《系统科学与数学》等国内外学术期刊和会议上发表学术论文40余篇。
报告时间：2021年9月30日10:00-10:50
报告地点：西校区XGA-306
报告题目：正则化m×2交叉验证方法
报告摘要：机器学习中，交叉验证方法广泛应用于预测误差估计、算法性能对照、特征（模型）选择等多种基本机器学习任务。然而，传统的交叉验证方法未考虑由于数据切分随机性导致的训练测试数据分布不一致，机器学习结果不鲁棒和不可复现等的严重问题，为此，我们通过对交叉验证中数据切分的随机性添加正则化约束，提出了一种新的交叉验证方法——正则化mX2交叉验证。理论和实验证明了提出的方法在泛化误差估计、算法性能对照、特征选择等各个机器学习任务上均具有优越的性能。
报告序号：3
闫涛，博士，硕士生导师，从事微观三维重建与进化计算方面的研究。近年来主持国家自然科学基金等纵向项目3项，横向项目10余项，以第一作者在《Pattern Recognition》、《Information Sciences》、《电子学报》、《计算机辅助设计与图形学学报》等国内学术期刊发表论文10余篇，担任学术期刊《Soft Computing》、《Neural Processing Letters》等国际期刊审稿人，申请专利10余项，授权2项。
报告时间：2021年9月30日11:00-11:50
报告地点：西校区XGA-306
报告题目：空间时频变换的微观三维形貌重建方法
报告摘要：微观三维形貌重建作为超精密三维显微设备的核心技术，可对精密制造领域中的复杂零部件表面实现微米级精度的三维信息获取与检测，为微细加工场景提供质量保证，但微米级光学成像本身的局限性无法保证微观场景的高质量成像，给高精度的三维形貌重建带来挑战。因此，报告人从最优尺度表征、多粒度融合及三维时频变换视角提出一系列基于空间时频变换的微观三维形貌重建方法，实现了亚微米级精度的三维形貌重建结果，应用于中国印钞造币总公司的人民币制版的质量检测中。
报告序号：4
王婕婷, 博士, 主要研究方向为统计学习理论与方法,重点关注泛化误差上界的探索与分类方法。 在《Machine learning》、《IEEE Transactions on Fuzzy Systems》、《计算机研究与发展》等国内外重要学术期刊发表论文10余篇。
报告时间：2021年9月30日14:30-15:20
报告地点：西校区XGA-306
报告题目：随机一致性视角下的可学习理论与方法
报告摘要：可学习理论是统计机器学习的基本理论与算法约束. 基于机器学习进行决策时,由于受到数据噪音、标注偏好等因素影响, 或由于缺乏足够证据和先验知识, 决策结果与真实情况由于随机产生的一致性时有发生. 此随机一致性在机器学习模型的学习结果中普遍存在, 将导致决策缺乏客观性、可解释性与可重复性, 给经典可学习理论与方法带来挑战.机器学习算法大多以最大化准确度为核心准则, 例如决策树及 KNN 算法中的众数投票策略及经典学习算法以错误率的凸连续上界作为替代损失 (如 SVM 算法的 hinge 损失, Adaboost 算法的指数损失, 逻辑斯蒂回归的对数损失等). 然而, 简单的准确度指标作为反馈或启发准则, 包含了带有偏差的随机一致性, 这对于学习机泛化性能的评价是不可靠、不精准的. 因此, 研究如何消除学习过程中的随机一致性,建立基于纯一致性度量的机器学习算法与理论体系成为人工智能研究领域的一个重要科学问题.
报告序号：5
梁新彦，博士，主要研究方向为机器学习与数据挖掘，重点关注可解释的多模态机器学习及其应用。在《IEEE Transactions on Evolutionary Computation》、《International Journal of Approximate Reasoning》等国内外重要学术期刊发表论文多篇。
报告时间：2021年9月30日15:30-16:20
报告地点：西校区XGA-306
报告题目：多模态数据的语义级融合
报告摘要：多模态是大数据与人工智能等领域数据的常见形态，如何有效融合不同模态信息进行智能决策是重要科学问题。尽管面向多模态信息处理的人工智能技术已经取得长足进步，但是现有多模态数据融合框架面临两个问题：（1）基于学习策略的融合方法语义解释性不强；（2）现有方法使用的融合模式，形式单一、缺乏对不同数据的自适应性。这些问题给多模态信息的有效融合造成了困难，本报告交流我们在该研究方面取得的一些进展。
报告序号：6
郭倩, 博士, 主要研究方向为逻辑学习。 在《IEEE Transactions on Evolutionary computation》、《International Journal of Machine Learning and Cybernetics》、《模式识别与人工智能》等国内外重要学术期刊发表论文多篇。
报告时间：2021年9月30日16:30-17:20
报告地点：西校区XGA-306
报告题目：视觉逻辑学习
报告摘要：逻辑推理是人类智能的一种重要能力，也是人工智能的一项重要任务. 为应对各类逻辑推理任务，专家已经提出许多逻辑推理方法，比如模糊推理、概率推理、证据推理和贝叶斯推理等，然而这些方法通常需要事先设计一些推理模式，这样做十分的费时费力.此外，当直接挖掘隐藏在复杂数据中的逻辑关系时，专家也无法很快找到其内部的逻辑关系，甚至无法找到其逻辑关系.这就引出了一个有趣的研究问题：逻辑推理模式可以直接从给定的数据中学习得到吗？因此，在事先不定义逻辑模式的前提下，让机器直接从数据中挖掘逻辑模式是人工智能研究领域的一个重要科学问题.本报告从视觉的角度出发，初步探索了逻辑的可学习问题。
