摘要:
当下人工智能的浪潮来自对大数据的期盼,但大数据的获得在现实的实践中却困难重重。在普遍的情况下,大数据的“富有”和“贫穷”分化严重,数据墙林立,以及社会及监管对数据隐私安全的要求日益严格。在这一背景下,如何应对这些难题为大数据和人工智能领域提出了挑战。在这一讲座中,介绍我们在解决数据孤岛以及严监管问题上的解决方案,特别是“联邦迁移学习“的解决方案。 我将系统介绍这一最新进展,以及展望在未来研究工作中可以预期的成果。
特邀讲者介绍:
杨强是香港科技大学讲座教授,国际人工智能联合会IJCAI理事长,AAAI执行委员会委员,CAAI副理事长,以及AAAI/ACM/CAAI/IEEE/AAAS的Fellow。 杨强于1989年在马里兰大学获得计算机系的博士学位,之后在加拿大滑铁卢大学和Simon Fraser大学任教。杨强的研究方向为迁移学习及其工业应用,是华为诺亚方舟实验室的创始主任,香港科技大学的大数据研究所的创始主任。为IEEE Transactions on Big Data 和 ACM Transactions on Intelligent Systems and Technology 的创始主编。并获得2018年 ACM SIGKDD 杰出服务奖。
Computational Intelligence Techniques for Big Data Analytics:
摘要:
It is already true that Big Data has drawn huge attention from researchers in information sciences, policy and decision makers in governments and enterprises. A large number of fields and sectors, ranging from economic and business activities to public administration, from national security to scientific researches in many areas, involve with Big Data problems. This talk is aimed to demonstrate a close-up view using computation intelligence techniques for Big Data analysis.
特邀讲者介绍:
陈俊龙( C. L. Philip Chen)博士,我国自动化学会副理事长,澳门科协副会长,澳门大学讲座教授,科技学院前院长。 陈教授是IEEE Fellow,美国科学促进会AAAS Fellow,国际模式识别 IAPR Fellow, 国际系统及控制论科学院 IASCYS 院士,我国自动化学会及香港工程师学会 Fellow,陈教授现任 IEEE系统人机及智能学会的期刊主编(IEEE Trans. on Systems, Man, and Cybernetics: Systems),曾任该学会国际总主席。陈教授主要科研在智能系统与控制,计算智能,混合智能,数据科学方向。在2018年“计算机科学学科”高被引用文章数目学者中 全世界排名在前 14名,同时也是由Clarivate Analytics列在计算机类的高被引学者。陈教授获得多项国家基金委重点项目及面上项目在人工智能方向的科研,以及多项澳门科学基金委的资助。陈教授获 IEEE 学会颁发了 4次杰出贡献奖,是美国工学技术教育认证会(ABET)的评审委员。 澳门大学工程学科及计算机工程获得国际【华盛顿协议】及【首尔协议】的认证是陈教授对澳门工程教育的至高贡献。担任院长期间带领澳门大学的工程学科及计算机学科双双进入世界大学学科排名前200名。2016年他获得了母校,美国普度大学,的杰出电机及计算机工程奖。
摘要:
2013年,郑庆华团队首次提出“大数据碎片化知识融合”研究方向,这是大数据、AI、知识自动化、知识工程等研究领域的共性问题。与信息融合研究如何采集多个传感器数据并实现目标对象识别不同,碎片化知识融合旨在解决知识自动化的三个关键需求——既见树木又见森林、由此及彼由表及里、去粗存精去伪存真,其核心问题是如何从位置分散、模态多样、内容片面、结构无序的大数据中挖掘出碎片化知识并融合成知识图谱。
报告分析了碎片化知识融合的背景,面临的理论与技术挑战,提出了“知识森林”模型及其构建方法,建立了大数据碎片化知识挖掘与融合理论与关键技术,研究成果应用于互联网教育、国家金税工程、全国高考网络舆情监测等重大工程,取得了重要研究成果和数千亿的经济社会效益。
特邀讲者介绍:
郑庆华教授,国家杰青,长江学者,首批“万人计划”科技创新领军人才,国家自然科学基金创新群体、教育部科技创新团队负责人,“计算机网络与系统结构”国家级教学团队负责人。
主要研究领域:大数据知识挖掘融合,智慧教育,网络舆情。
主持承担NSF重点项目、863计划、国家科技支撑计划、核高基重大专项、国家重点研发计划课题等50余项。主持研制出我国第一套自主知识产权的天地网远程教育系统SkyClass、移动学习系统等,应用于新疆、陕西、广东等10多个省市的现代远程教育工程。主持研制出税务大数据计算与服务关键技术,转化并应用于国家税收风险管理,在全国各省市国地税局及国家税务总局得到实际应用,取得显著的经济和社会效益。研究成果获3项国家科技进步二等奖,国家教学成果一等奖和二等奖2项,6项省部级一等奖;获国家发明专利52项,美国专利2项,发表SCI、EI论文220余篇,Google学术引用2900余篇次。
先后获得中国科协“求是”杰出青年奖、中国青年科技奖、国务院政府特殊津贴专家、全国高等学校优秀骨干教师、宝钢优秀教师特等奖、IBM中国优秀教师奖、Google中国优秀教师奖、全国信息产业科技创新先进工作者、陕西省“五四”青年奖章等荣誉。
摘要:
新一代Exascale超级计算系统预计会在2020年前后研制完成,这将把人类计算能力极限推向一个新的里程碑。Exascale系统中众核技术已经成为核心基础。众核处理器核数大幅增加,单核的计算和数据访问能力明显降低使得有效发挥众核超级计算机计算能力的挑战巨大,而这对于低计算访存比的稀疏求解问题则尤为明显。因此,发展大规模、细粒度并行求解方法的需求非常迫切。本报告以我国多个获戈登贝尔奖应用—大气动力学模拟、非线性大地震模拟,以及新兴的数据密集型图计算框架“神图”等为例,讨论在众核超级计算机上设计高可扩展的稀疏求解算法面临的挑战和目前取得的初步进展,并展望未来E级系统上的高性能计算应用演进。
特邀讲者介绍:
郑纬民,清华大学计算机系教授,博士生导师。1970年毕业于清华大学并留校任教,1982年获硕士学位。目前担任《大数据》期刊主编,《Big Data Mining and Analytics》期刊主编。曾任中国计算机学会第十届理事长。长期从事并行/分布处理、大规模数据存储系统领域的科研与教学工作。获国家科技进步一等奖1次,获国家科技进步二等奖2次,获国家发明二等奖1次。2016年获何梁何利基金科学与技术进步奖。2016年获ACM戈登.贝尔奖。与合作者一起发表论文530余篇,著作10部。教学方面长期讲授计算机系统结构课程,2008年被评为国家级精品课程;已编写和出版计算机系统结构教材和专著10本。
Deep Neural Networks and Traditional Algorithms: Comparison, Improvement and Application
深度神经网络与传统算法的比较、改进与应用
Abstract:
In this talk, I will first give an elementary introduction to deep learning models and traditional algorithms such as finite element and multigrid methods. I will then explore some profound mathematical relationships between these models and algorithms. Such relationships can be used to effectively study, explain and improve the model structures, mathematical properties and relevant training algorithms for deep neural networks. In particular, I will report our recently developed iterative regularized dual averaging (iRDA) method that can be used to improve the efficiency of convolution neural networks by significantly (around 95%) reducing the redundancy of the model without losing accuracy. Finally, as a practical application, I will demonstrate how the pulse diagnosis in traditional Chinese Medicine (中医把脉) can be accurately validated and computerized by machine learning techniques.
摘要:
此报告首先将简单介绍深度学习模型与有限元、多层网格法等传统算法的基本原理,然后探讨这些模型与算法的内在联系。这些联系可用于有效研究、解释与优化深度神经网络的模型结构,数学性质及其相关的训练算法。 特别地我们将报告最近研发的迭代正则对偶平均(iRDA)算法,这种算法在保持原有精度的标准上通过置零绝大部分(95%左右)权重的方式大幅减少了卷积神经网络的冗余,从而提高了运算效率。作为应用例子,我们将展示如何利用机器学习智能化中医把脉从而科学地验证其可行性与实用性。
特邀讲者介绍:
许进超(Jinchao Xu, the Pennsylvania State University)教授是美国宾州州立大学 Verne M. Willaman 讲席教授、计算数学与应用研究中心主任、北京大学长江讲座教授,北京国际数学研究中心计算方法与应用实验室主任。
许进超教授的主要研究方向为数值方法的设计、分析和应用,特别是求解偏微分方程以及大数据中的快速算法。他在区域分解法,多重网格方法和自适应有限元方法等领域,取得了一系列奠基性的科研成果,是国际知名的学术带头人。其代表作包括著名的子空间校正算法、 BPX 算法、 HX-算法以及 XZ恒等式等以他名字命名的工作。其中用于求解Maxwell方程组的HX-算法,被美国能源部评为近年来计算科学领域中的十大突破之一。此外,他还担任了十多种国际计算数学权威期刊的编委
许进超教授曾于 1995 获得首届冯康科学计算奖,于 2005 年获得德国“洪堡”资深科学家奖,2006 年获得中国杰出青年基金(B类),于 2007 年应邀在第六届国际工业与应用数学学会大会上作特邀报告,2010 年应邀在世界数学家大会上作 45 分钟报告。他是美国工业与应用数学学会、美国数学学会会士。