报告一
报告题目:迈向更加可扩展和可解释的自然语言处理
报 告 人:蔡登
报告地点：校本部计算机楼313报告厅
报告时间：2022年9月24日8:30-9:05
报告简介:近年来，预训练技术大大提升了自然语言处理的精准度，但现有系统仍存在明显不足：一方面，参数量巨大的神经网络模型在使用时需要消耗巨大的计算资源。另一方面，神经网络模型的知识和推理能力蕴藏在海量的模型参数中，存在难解释和难扩展的问题。难解释是指模型在预测时其决策依据和推理过程不可知，难扩展是指对模型进行知识更新往往需要将庞大的模型在新的语料上重新训练，这些都给实际应用造成了障碍。针对上述问题，我们提出对机器学习模型中的知识(记忆)和推理(泛化)进行分割，将知识储存在神经网络模型之外，使神经网络模型本身更加专注于推理问题。知识和推理可通过检索的途径有机关联、相互衔接、形成整体。具体地，我们构造显式的外部记忆来存储知识，通过检索的方式进行记忆抽取，同时引用语义的符号表示和推理，将文本数据转化成结构化的语义表示并在语义图上做推理。这样可使得决策依据透明可查，知识更新即插即用，推理过程清晰可见。本报告将介绍讲者在这两方面的研究工作：(1)显式的外部记忆，包括记忆检索、记忆融合、反馈优化三个关键环节；(2)语义的符号表示和推理，包括符号表示的抽取、建模、和推理三个关键问题，以及未来的研究方向。
讲者简介:蔡登，香港中文大学博士，导师是Wai Lam教授。研究方向为自然语言处理和机器学习，包括语义解析、对话系统、机器翻译等。特别是深度学习模型与外部显式记忆的融合、语义的符号表示与推理。 在ACL、EMNLP、NAACL、NeurIPS、AAAI等顶级会议和期刊发表论文20余篇，Google Scholar统计被引用900余次。曾获ACL2021杰出论文奖（第一作者），曾在IJCAI2022和SIGIR2022开设前沿讲习班（第一讲者）。长期担任ACL, EMNLP, NeurIPS, ICML等顶会顶刊审稿人，曾任COLING2022文本生成方向领域主席。曾在亚马逊AWS AI、微软雷蒙德研究院、腾讯AI Lab、阿里达摩院访问实习。
报告二
报告题目：基于迁移学习的任务型对话系统
报 告 人：覃立波
报告地点：校本部计算机楼313报告厅
报告时间：2022年9月24日9:05-9:40
报告简介：任务型对话系统能够帮助用户完成一些特定的任务，例如查流量、查话费、订餐、订票和咨询等，越来越受到学术界和工业界的关注。尽管现有的对话系统已经取得了巨大的进步，但它们仍然需要大量的标注数据进行训练，导致难以泛化到数据稀缺的场景。因此，为了解决任务型对话戏中数据稀缺的问题，本报告探索了迁移学习在任务型对话系统中的应用: 即利用迁移学习技术实现从数据充足的源端迁移知识到数据不足的目标端来缓解任务型对话系统中数据稀缺的问题。具体来说，本报告将详细介绍我们在跨任务，跨领域，跨语言维度缓解任务型对话系统中数据稀缺的工作。
讲者简介：覃立波，哈尔滨工业大学博士生。主要研究任务型对话系统、自然语言处理等方向。2022年毕业于哈尔滨工业大学获工学博士学位，博士期间于新加坡国立大学（远程），西湖大学，微软亚洲研究院实习访问。在ACL、EMNLP、COLING、AAAI、IJCAI、TASLP等自然语言处理与人工智能领域重要国际期刊和会议上发表学术论文多篇。
报告三
报告题目：面向智能交通系统的大规模强化学习框架设计
报 告 人：王恩澍
报告地点：校本部计算机楼313报告厅；腾讯会议935-979-861
报告时间：2022年9月24日9:40-10:15
报告简介：随着强化学习的高速发展以及智能交通系统的快速普及，二者的结合已成为必然趋势。越来越多的基于强化学习的智能交通系统将应运而生。然而，现有的强化学习框架在面对高度动态的大规模城市交通环境，以及不同智能交通系统所特有的问题时，无法有效的做出自适应的决策。因此，针对不同智能交通系统的特点，需要为其设计新型的强化学习框架以及相关优化机制。本报告将以网约车平台的车流管控问题和协同驾驶系统的信息传输问题为例，探讨大规模竞争强化学习和合作强化学习的框架设计。
讲者简介：王恩澍，美国纽约州立大学布法罗分校，计算机科学在读博士生。导师：乔春明教授，IEEE Fellow。研究方向包括深度学习、强化学习、智能交通等。2013年毕业于吉林大学通信工程学院获学士学位，在读期间曾连续两年获得国家奖学金。2016年获得吉林大学通信与信息系统硕士学位。赴美攻读博士期间曾在IEEE Transactions on Mobile Computing、IEEE Transactions on Network Science and Engineering、IEEE Transactions on Intelligent Transportation Systems、IEEE International Conference on Distributed Computing Systems 等国际知名期刊和会议上发表学术论文10余篇。曾主持科研项目，获得科研经费共计74,638美元。
报告四
报告题目：G-Mixup 图数据增强
报 告 人：韩霄天
报告地点：校本部计算机楼313报告厅；腾讯会议935-979-861
报告时间：2022年9月24日10:15-10:50
报告简介：Mixup通过在两个随机样本之间插值特征和标签，在提高神经网络的泛化和鲁棒性方面显示出优越性。传统上，Mixup可以应用在在规则的、网格状的欧式数据上，如图像或表格数据。然而，直接采用Mixup来增强图数据是比较困难的，因为两个不同的图数据通常：1）有不同数量的节点；2）不容易对齐；3）在非欧氏空间有独特的类型。为此，我们提出了G-Mixup，通过插值不同类别的图生成器（即graphon）来增强图数据。具体来说，我们首先使用同一类别中的图来估计一个graphon。然后，我们不直接操作图数据，而是在欧式空间中插值不同类别的图图生成器，以获得混合图生成器，其中合成的图是通过混合图图生成器的采样产生的。实验表明，我们方法大大改善了图神经网络的泛化和稳健性。
讲者简介：韩霄天，德州农工大学四年级博士生。主要研究图神经网络、图数据增强，算法公平性等方向。2015年毕业于山东大学信息学院获学士学位，2019年毕业于北京邮电大学计算机学院获硕士学位。在ICML、ICLR、TheWebConf、IJCAI、AAAI，TKDE等机器学习和数据挖掘相关领域国际期刊和会议上发表学术论文10余篇，担任ICML、ICLR，NeurIPS等会议程序委员会委员。获ICML2022 杰出论文奖。
报告五
报告题目:对抗机器学习和鲁棒优化
报 告 人：赵越
报告地点：校本部计算机楼313报告厅；腾讯会议935-979-861
报告时间：2022年9月24日10:50-11:25
报告简介：本次报告将从鲁邦优化的角度介绍对抗机器学习，并从对抗样本和数据污染两个角度介绍对抗机器学习在3D计算机视觉里的研究，最后将浅谈对抗机器学习在相关运筹学中的潜在研究课题。
报告人简介：赵越，2017本科毕业于南京大学数学系，2016年访问加州伯克利大学统计系，2022年博士毕业于新加坡国立大学，现任新加坡国立大学运筹与分析中心研究员。主要研究领域包括机器学习、运筹学以及两者的交叉。机器学习领域研究成果已在CVPR、ICCV (CCF A会议)上发表，主要兴趣为可信任机器学习、几何深度学习。运筹学领域研究兴趣为鲁棒优化、数据驱动优化以及优化理论在运营管理中的应用。
报告六
报告题目：面向多组学数据的隐私保护机器学习研究
报 告 人：王庆勇
报告地点：校本部计算机楼313报告厅；腾讯会议935-979-861
报告时间：2022年9月24日11:25-12:00
报告简介：近年来，现存的基因、蛋白质、转录和代谢等各种组学数据有助于提高机器学习方法的性能。然而，使用多机构数据集是一个挑战，因为医疗数据存在隐私和安全问题不能直接共享给模型使用。因此，这里需要保护隐私的机器学习方法。我们使用一个联邦学习模型来训练一个共享的全局模型将所有敏感数据保存在自己的机构中，在不忽略数据隐私保护的情况下以提高模型的性能。针对联邦训练过程中遇到的个性化问题。我们提出了多种新型的联邦隐私保护训练模型，结果表明，我们提出的方法是安全的，不会将原始记录暴露给其他方，并且训练过程中的计算开销是可以接受的。
讲者简介：王庆勇主要研究机器学习与隐私计算。2016年毕业于湖北经济学院计算机科学与技术获学士学位，2018年毕业于澳门科技大学计算机与资讯系统获理学硕士学位，2022年毕业于国防科技大学管理科学与工程获工学博士学位。在ACM TOMM, Expert systems with applications, IEEE UIC, IEEE ISPA, Briefings in Bioinformatics等机器学习相关领域重要国际期刊和会议上发表学术论文10余篇。担任十多家国际期刊的评审员，如IEEE T-SMC: systems, Neurocomputing, CILS, AIC, BSPC, CIBM (Elsevier)等。他还获得了教育部国家研究生奖学金。
报告七
报告题目：复杂场景下表情识别方法研究
报 告 人：李英建
报告地点：腾讯会议935-979-861
报告时间：2022年9月24日14:00-14:35
报告简介：表情是人类表达情感最直接、最有效的方式之一。随着互联网技术的发展，越来越多的大规模真实场景表情数据被收集，这些无约束数据可能存在面部角度变化、光照不均、背景复杂和局部遮挡等情感语义无关的噪声信息，严重影响了应用场景中视觉情感分析的准确率。本报告的研究内容主要围绕两个目标展开：提高模型对同场景无约束数据噪声的鲁棒性和提高模型对跨场景多样性数据的泛化能力。本报告将分析表情识别研究的现状和关键挑战，介绍以语义挖掘为技术核心的解决方案，以及实验验证效果，从而实现提高模型鲁棒性和泛化能力的目标。
讲者简介：李英建，哈尔滨工业大学，博士应届毕业生，中国图象图形学学会/ACM SIGMM学生会员。主要研究方向为视觉情感分析，迁移学习，图像分类。分别于2016年和2018年在哈尔滨工业大学获得理学学士和工程硕士学位。博士就读于哈尔滨工业大学，就读期间于新加坡南洋理工大学联合培养一年。在IEEE TMM，TAFFC，TCSVT和ACM MM等重要期刊和会议发表论文十余篇，担任IEEE TNNLS，TCSVT等期刊审稿人和ACM MM等会议程序委员会委员。
报告八
报告题目：基于深度学习的3D心脏网格重建
报 告 人：陈祥
报告地点：腾讯会议935-979-861
报告时间：2022年9月24日 14：35-15：10
报告简介：心血管疾病是当前世界上的主要致死疾病之一。根据病人的扫描图像重建出对应的3D心脏网格模型在模拟仿真，心脏运动分析，手术规划及导航，心血管疾病的分析和诊断上有巨大的应用价值。然而，传统的心脏3D网格重建算法大多存在重建时间长，重建精度不够高，以及需要花费较多时间调整超参数等问题。本报告将围绕提升重建速度的问题，介绍两种基于深度学习的从图像到心脏3D网格的重建算法。他们极大地提升了心脏3D网格的重建速度，且能够保证准确，稳定，心脏拓扑结构一致的重建，为3D心脏网格在实际应用中提供了更多的可能。
讲者简介：陈祥，利兹大学博士生。主要研究人脸生成、医学图像配准和医学图像三维网格重建等计算机视觉和医学图像分析领域的关键方向。2016年毕业于四川大学电子信息学院获学士学位，同年保送到本校电子信息学院图像所攻读硕士学位。2019年赴英国利兹大学攻读博士学位，加入CISTIB实验室，师从Alejandro F Frangi教授。在MICCAI和Medical Image Analysis等医学图像领域顶会顶刊上发表了多篇论文，授权国家发明专利1项。在本硕期间曾获国家奖学金及多类校级奖学金，在利兹大学期间获得了利兹大学博士全额奖学金。被多个多个国际权威期刊邀请审稿，并被领域顶刊 IEEE Transactions Medical Imaging评为优秀审稿人。
报告九
报告题目：面向高性能计算的光滑粒子流体动力学方法关键技术研究
报 告 人：龙思凡
报告地点：腾讯会议935-979-861
报告时间：2022年9月24日15：10-15：45
报告简介：随机计算机硬件不断的革新，计算机的计算性能获得了极大的提升，使得它能够处理大量计算密集型的任务成为了可能，从二十世纪五十年代开始，计算流体力学（Computational Fluid Dynamics）首次被提出，并且随着计算机的发展而产生的一门介于数学、流体力学和计算机之间的交叉学科。它主要研究内容是通过计算机和数值方法来求解流体力学的控制方程，对流体力学问题进行模拟和分析。其相应的数值计算方法与实验物理实验、理论分析成为了计算流体力学的三大研究的手段。并且被广泛的应用在航天航空、能源开发、生物信息、工业制造、生物医学、气象海洋、武器研发等领域。根据采用离散格式的不同（欧拉法或者拉格朗日法），其相应的数值方法可以分为基于网格的方法以及无网格粒子方法。它们的原理都是将空间中的求解区域划分为不同的网格或者粒子节点作为插值，网格/粒子划分的越密集，其获得的计算结果越准确，因此，计算流体力学需要耗费大量的计算资源来获取具有实际工程意义上的解，它催生了并行计算，并行计算运用于数值仿真成为了国家整体科技水平的一个重要体现。本次研究内容主要汇报了经典的无网格方法-光滑粒子流体动力学在并行计算领域的研究进展，并且将SPH方法应用在大规模工程算例以及多物理场耦合的关键技术研究中，致力于推广SPH方法应用于解决实际工程应用问题。
讲者简介：龙思凡，国防科技大学博士研究生（预计年底毕业）。主要研究方向为并行计算、计算流体力学、数值模拟方法、人工智能、数据挖掘。2016年毕业于长沙大学，并于2019年获得中南大学计算机专业硕士学位。同年入职国防科技大学计算机研究所银河技术服务部从事数学库建立、物理模型的优化研究工作。在人工智能、并行计算、计算力学领域的国际高水平期刊以及会议上面发表数10篇文章，其中包括以下期刊以及会议International Conference on Parallel Processing (ICPP)、Journal of Computational Physics、Artificial Intelligence Review、Entropy等期刊，申请专利3项以及2项软件著作权。
报告十
报告题目：Learning for Cross-Layer Optimization: Joint Subcarrier Allocation and Beamforming Design in MEC-Aided Joint Transmission Networks
报 告 人：郑冲
报告地点：腾讯会议935-979-861
报告时间：2022年9月24日15:45-16:20
报告简介：为了应对未来无线网络中持续存在的挑战，涌现了一大批诸如大规模多输入多输出 (MIMO)、移动边缘计算 (MEC)和协作多点 (CoMP) 联合传输 (JT）等具有前景的无线通信技术。其中，针对MEC辅助的CoMP JT系统进行传输方案的跨层优化设计，能够充分利用网络中的传输和计算资源来显著提升数据传输速率。这其中包含两个关键问题：媒体访问控制层的子载波分配 (SA) 和物理层的波束赋形 (BF) 设计。然而，传统优化方法的技术瓶颈对求解该类跨层优化问题提出了重大挑战。本报告将围绕MEC辅助的CoMP JT通信系统展开，介绍联合SA和BF跨层优化问题的研究现状，关键挑战，以及如何从深度学习的角度去进行SA和BF的联合跨层优化设计，以最大化系统加权和率。
讲者简介：郑冲，东南大学博士生。主要研究智能无线通信，边缘智能，隐私保护，机器学习等未来网络领域关键方向。2017年毕业于重庆大学通信工程学院获学士学位，目前正在东南大学信息科学与工程学院移动通信国家重点实验室攻读博士学位，博士期间于新加坡科技设计大学联合培养一年。在IEEE JSAC, IEEE TWC, IEEE IoTJ, IEEE TVT, IEEE GLOBECOM, IEEE WCNC等相关领域重要国际期刊和会议上发表/在投7篇学术论文，授权/公开国家发明专利4项。参与国家重点研发计划，国家自然科学基金，华为等项目。
报告十一
报告题目：标签图上的集合可达性查询
报 告 人：曾源远
报告地点：腾讯会议935-979-861
报告时间：2022年9月24日16:20-16:55
报告简介：图形数据是大数据的重要组成部分，广泛应用于复杂结构化数据的建模，具有广泛的应用前景。在过去的十年中，在管理和分析图形数据的许多基本问题上，人们进行了大量的研究工作。本次演讲将重点讨论一个研究问题：标签图上的集合可达性查询；重点介绍其分布式解决方案。
讲者简介：曾源远，湖南大学信息科学与工程学院，计算机科学与技术在读博士。主要研究方向为图数据管理、并行和分布式计算。目前在TPDS, ICDE等重要国际期刊和会议上发表学术论文多篇。
报告十二
报告题目：数据中心数据平面的流量管理机制
报 告 人：刘敬玲
报告地点：腾讯会议935-979-861
报告时间：2022年9月24日16:55-17:30
报告简介：随着数据中心处理的流量急剧增加，数据中心网络成为一个潜在的性能瓶颈，对数据中心流量的管理是提升数据中心网络性能的关键。然而，数据中心网络中的流量具有强突发、高并发、需求多样的特性，并且数据中心拓扑结构具有高带宽、低延时、浅缓存和多路径的特性，这都给数据中心网络中的流量管理带来了很大的挑战。本报告将围绕数据平面流量管理的两个关键问题：负载均衡和缓存管理展开讨论。将介绍两个问题的研究现状和关键挑战，以及讨论如何保证非对称拓扑场景下负载均衡的性能、如何解决超高并发流量的公平缓存分配问题。
讲者简介：刘敬玲，中南大学博士。主要研究兴趣包括数据中心网络、确定性网络、分布式机器学习以及流媒体的性能优化。2016年毕业于中南大学信息科学与工程学院获得信息安全专业的学士学位，博士期间于新加坡科技设计大学联合培养一年。在IEEE/ACM TON、IEEE TCC、IEEE ICNP、IEEE ICDCS、软件学报等网络系统相关领域国内外学术期刊和会议上发表学术论文17篇，获得4项国家发明专利的授权。获得中南大学校长创新奖、中南大学优秀学生等称号。参与多项国家重点项目、面上项目、省部级重点项目。
