您查看的活动已结束

第三届数据智能前沿论坛（2020）

时间：2020年12月24日

地点：计算所4层报告厅

​

​报告题目: Visual Information Processing from Global to Local

摘要:

Object recognition is often viewed as a feedforward, bottom-up process in machine learning, but in real neural systems, object recognition goes from global to local and involves interplay between two signal pathways. One is the parvocellular pathway (P-pathway), which is slow and extracts fine features of objects; the other is the magnocellular pathway (M-pathway), which is fast and extracts global features of objects. The interplay between two pathways endows the neural system with the capacity of processing visual information rapidly, adaptively, and robustly. It is expected that the architecture of visual information processing will inspire us to develop new object recognition algorithms.

吴思：北京大学信息科学技术学院-长聘教授、IDG/麦戈文脑科学研究所研究员、北大-清华生命科学联合中心研究员、北京智源学者。1987-1995年在北京师范大学先后获得普通物理学士、广义相对论硕士、和理论物理博士；1995-2000年先后在香港科技大学、比利时林堡大学、和日本理化学研究所做博士后；2000-2008年先后在英国谢菲尔德大学和萨斯克斯大学任讲师及高级讲师；2008-2011年任中科院神经所研究员；2011-2018年任北京师范大学“认知神经科学与学习”国家重点实验室教授。主要研究方向是计算神经科学和类脑计算，在神经科学顶级期刊和人工智能顶级会议上发表大量原创性论文。目前担任Frontiers in Computational Neuroscience共同主编、中国神经科学学会《计算神经科学与神经工程专业委员会》主任等。

报告题目：Easy First Relation Extraction with Information Redundancy

报告摘要：给定一个问题，目前的常用做法是针对问题设计一个算法求解该问题，必须能够处理该问题的所有实例。但是，一个问题的各个实例的求解难度常常是不一样的，而问题的计算复杂度取决于最坏实例的求解难度，更坏的是区分实例的难易程度通常是一个很难得问题。在这个报告中，我们针对关系抽取这个问题进行了尝试，设计基于信息冗余的方法来区分关系抽取的难易成都，从而提出了一个“容易”优先的方法来提高关系抽取的效果和效率。

 报告嘉宾：马帅，博士，北京航空航天大学计算机学院教授，国家杰青，数据库专委常委、大数据专委委员，VLDB Journal、Knowledge and Information Systems和IEEE Transactions on Big Data编委等。长期从事大数据分析和管理，研究成果持续发表在国际顶级数据库、数据挖掘与计算机系统期刊(TODS、VLDB Journal、TKDE、TMC、TCS等)和会议SIGMOD、VLDB、ICDE、WWW、ACL、IJCAI、AAAI、USENIX ATC、MobiCom等)。获国际顶级数据库会议VLDB'2010 唯一最佳论文奖、数据挖掘知名会议ICDM'2019候选最佳论文、2017年中国电子学会科技进步特等奖等。

题目：Interpretable and Controllable Natural Language Generation

摘要： 

Artificial Intelligence has been transforming the way people create, access, share, and consume information and identify misinformation. Yet tremendous challenges remain about the effective creation of high-quality and useful content and ensuring universal access to fair and authentic information. In this talk, I will present our themed efforts on developing controllable and interpretable machine learning models to represent complex data and scalable algorithms that utilize these formalisms to automatically generate and translate text-based information. I will present two paradigms of methods for natural language generation and translation: one paradigm is based on the idea of iterative editing via the Markov chain Monte-Carlo, and the other is based on learning deep latent representations for text and structured data. These algorithms have been successfully deployed on mobile applications, serving a hundred thousand enterprises and over a billion users. Finally, I will demonstrate Xiaomingbot, a robotic news reporter that published over 600,000 articles on social medias covering a variety of subjects including 2018 FIFA World Cup and is able to read news in multiple languages with synchronized facial motion.

李磊

Dr. Lei Li is a Distinguished Scientist and Director of ByteDance AI Lab, leading the research and product development for machine translation, machine writing, AI drug discovery, and intelligent robot. His research interest is on machine learning, data mining, and natural language processing. Lei received his B.S. in Computer Science and Engineering from Shanghai Jiao Tong University (ACM class) and Ph.D. in Computer Science from Carnegie Mellon University, respectively. His dissertation work on fast algorithms for mining co-evolving time series was awarded ACM KDD best dissertation (runner up). His recent work on AI writer Xiaomingbot received 2nd-class award of Wu Wen-tsün AI in 2017. He is a recipient of CCF distinguished speaker in 2017, and CCF Young Elite award in 2019 (only 6 recipients). Before ByteDance, he worked at EECS department of UC Berkeley and Baidu's Institute of Deep Learning in Silicon Valley. He has served as 2017 KDD Cup co-Chair, 2018 KDD hands-on tutorial co-chair, 2019/2020 KDD sponsorship co-chair, and Area Chairs/SPCs for EMNLP 2019/2020, AACL 2020, CIKM 2019, AAAI 2019/2020, IJCAI 2017. He has published over 70 technical papers and holds more than 10 patents.

Title: Stable Learning: Finding the Common Ground between Causal Inference and Machine Learning

Abstract:

Predicting future outcome values based on their observed features using a model estimated on a training data set in a common machine learning problem. Many learning algorithms have been proposed and shown to be successful when the test data and training data come from the same distribution. However, the best-performing models for a given distribution of training data typically exploit subtle statistical relationships among features, making them potentially more prone to prediction error when applied to test data whose distribution differs from that in training data. How to develop learning models that are stable and robust to shifts in data is of paramount importance for both academic research and real applications. Causal inference, which refers to the process of drawing a conclusion about a causal connection based on the conditions of the occurrence of an effect, is a powerful statistical modeling tool for explanatory and stable learning. In this talk, we focus on causal inference and stable learning, aiming to explore causal knowledge from observational data to improve the interpretability and stability of machine learning algorithms.

Bio:

崔鹏，清华大学计算机系长聘副教授，博士生导师，2010年于清华大学获得博士学位。研究兴趣包括大数据环境下的因果推理与稳定预测、网络表征学习、社会动力学建模，及其在金融科技、智慧医疗及社交网络等场景中的应用。已在国际期刊和会议上发表论文百余篇，并先后获得7项国际会议及期刊最佳论文奖，包括中国入选数据挖掘领域顶级国际会议KDD最佳论文专刊的首篇论文。目前担任IEEE TKDE、IEEE TBD、ACM TOMM、ACM TIST等国际期刊的编委。获得中国计算机学会青年科学家奖，国际计算机协会（ACM）中国新星奖，并入选中国科协首届青年人才托举计划。获得国家自然科学二等奖、教育部自然科学一等奖、北京市科技进步一等奖、中国电子学会自然科学一等奖。入选中组部万人计划青年拔尖人才，并当选为中国科协全国委员会委员。

报告题目：多模态数字内容生成前沿进展

报告摘要：在报告中我将介绍通过人工智能技术生成高度拟人化的数字内容，包括文案、语音、图像以及包括书法等的艺术创作，我还将讨论相关技术在产业界的落地应用。

何晓冬是京东集团副总裁、京东人工智能研究院常务副院长、北京智源研究院智源研究员（自然语言处理方向）、华盛顿大学、中央美术学院等院校兼职教授、IEEE Fellow。其主要研究领域为深度学习、自然语言处理、语音识别、多模态智能等。他是DSSM、HAN、SAN、Caption Bot、Bottom-up Attention等多个深度语义理解和多模态信息处理模型的发明者，谷歌学术引用超过20000次，担任多个国际电气和电子工程师协会（IEEE）和国际计算语言学协会年会（ACL）期刊的编委，在多个领域入选AI 2000 人工智能全球最具影响力学者榜单。

报告题目：认知图谱

摘要：2019年，全球零售电子商务销售额达3.53万亿美元，电子零售收入预计到2022年将增长至6.54万亿美元。如此快速的增长为全球电子商务行业带来广阔的前景，这标志着一个强劲的市场和广阔的客户需求。 除了流量的巨大增长外，各种即将到来的模式也在迅速增长，包括短视频，直播，达人推荐等。随着新出现的各种模式以及消费者对于推荐系统的更高要求，必须要更加系统的解决对于消费者需求的认知推理工作。基于此，我们在全球月活用户和流量最大的电子商务平台手机淘宝的推荐系统上，不断打磨和落地第二代AI系统认知图谱计算平台。该认知图谱计算平台包括三个主要模块，基础数据层，推理引擎层和用户交互层。其中基础数据层，我们主要专注于 (1) 跨领域知识图谱的构建；(2) 拉通跨域跨场景各类行为数据，例如浏览、点击、收藏、加购、转发等，全方位建模经济体内行为，差异化理解多模态行为数据背后的含义；和(3) 在意图感知的实时性与认知深度间做平衡，层次化强化消费者理解。推理引擎层，我们依托于(1) 多模态预训练和理解对商品理解和进行全域召回，缓解马太效应，加强手淘生态建设；(2) 超大规模图神经网络系统进行消费者意图推理。用户交互层，我们通过用户交互的视觉智能和文本智能，通过短视频改变和引导购后消费者心智，理解消费者意图，助力消费者决策，同时填补填补目前学界和业界空白的基于用户交互的弱监督内容理解方向。

Bio：杨红霞，美国杜克大学博士学位，原IBM全球研发中心Watson研究员，Yahoo！主任数据科学家，现任阿里巴巴资深算法专家，带领团队开发基于计算平台和搜索推荐的智能算法，稳定的支持了阿里巴巴搜索、广告等30几个核心BU和其业务场景。在顶级统计和机器学习国际学术期刊会议发表论文70余篇，美国专利9项，2019世界人工智能大会最高奖项卓越人工智能引领者（Super AI Leader，简称SAIL奖）获得者，2020年国家科学技术进步奖二等奖获得者，2020年杭州市领军型创新团队获得者。

 题目：频率模型平均的渐近最优性理论

张新雨，中科院数学与系统科学研究院/预测中心研究员。主要从事统计学和计量经济学的理论与应用研究工作，具体研究方向包括模型平均、模型选择和组合预测等。担任期刊《JSSC》领域主编、期刊《SADM》、《系统科学与数学》、《应用概率统计》等的AE或编委，是国际统计学会Elected Member和智源青年科学家。

题目：面向人工智能芯片的张量编译器

翟季冬，清华大学计算机系长聘副教授，博士生导师。ACM中国高性能计算专家委员会秘书长、北京智源青年科学家。主要研究领域为高性能计算、性能评测、编译优化等。2015-2016在斯坦福大学计算机系任访问助理教授。相关研究成果发表在高性能计算等领域国际会议和期刊SC、PPoPP、ICS、MICRO、ASPLOS、ATC、CGO、NSDI、IEEE TPDS、IEEE TC等。其中SC14论文入选会议Best Paper Finalist，是大陆学者首次入围该奖项。担任NPC 2018程序委员会主席、IEEE Cluster 2021领域主席、SC 2018/2019/2020程序委员会委员、PPOPP 2019/2020/2021程序委员会委员、国际学术期刊IEEE TPDS、IEEE TCC和JPDC编委、IEEE TPDS客座编委（Guest Editor）、FCS和JCST青年编委等。担任清华大学学生超算团队教练，指导的团队共十次获得世界冠军。在2015年和2018年包揽了SC、ISC、ASC三大国际超算竞赛的总冠军，实现“大满贯”。其中，SC15冠军是大陆高校首次在该项赛事中获此殊荣。获教育部科技进步一等奖、中国电子学会科学技术一等奖、中国计算机学会优秀博士学位论文奖、IEEE TPDS杰出编委奖 (Editorial Excellence Award)、国家自然科学基金优秀青年科学基金、CCF-IEEE CS青年科学家奖。