2015年CCF人工智能会议 大会报告

报告Ⅰ:互联网时代的人工智能

???

张钹,清华大学计算机系教授,中科院院士。1958年毕业于清华大学自动控制系,同年留校任教至今。1980年2月-1982年2月在美国伊利诺斯大学做访问学者。2011年汉堡大学授予自然科学荣誉博士。曾任清华大学学位委员会副主任,现任微软亚洲研究院技术顾问。张钹教授目前从事人工智能、神经网络、机器学习等理论及其在模式识别、知识工程和机器人等领域的应用研究。目前,发表200多篇学术论文,出版专著(或章节)5部,并荣获国家教委高等学校出版社颁发的优秀学术专著特等奖。张钹教授的科研成果分别获得ICL欧洲人工智能奖、国家自然科学三等奖、国家科技进步三等奖、国家教委科技进步一、二等奖、电子工业部科技进步一等奖以及国防科工委科技进步一等奖等奖励。此外,他参与创建了智能技术与系统国家重点实验室,于1990-1996年担任该实验室主任。1987-1994年任国家“863”高技术计划智能机器人主题专家组专家。张钹院士提出了问题求解的商空间理论、多力度空间之间相互转换、综合与推理的方法、问题分层求解的计算复杂性分析以及降低复杂性的方法,并应用于启发式搜索、路径规划的拓扑降维、基于关系矩阵的时间规划及多粒度信息融合等领域,并成为粒计算的主要分支之一。另外,张钹院士在人工神经网络研究中提出的基于规划和基于点集覆盖的学习算法等在许多方面具有显著的优越性。

报告摘要:互联网时代由于大数据的出现以及人机交互方式的转变,对信息处理提出新的需求,为人工智能的发展提供了新的机遇与挑战,从而导致了它的重新崛起。互联网的数据不仅数量大、种类多而且变化大,更重要的是,数据中鱼龙混杂,有用的和好用的信息很少。况且,这是一些在大众之间传播,即在物理、网络和认知等三元世界中传播的富含语义的数据。传统的信息处理论、方法与技术只能处理数据的形式,难以涉及语义,因此不能解决网络时代提出的“理解”数据(信息)语义的需求。解决这个困难的途径之一,大家一致认为,需要把传统的信息处理与人工智能的理论与方法结合起来,或者说,把基于概率统计的数据驱动方法与知识驱动的传统人工智能方法结合起来。目前无论是人工智能还是计算机界都沿着这个方向探索。报告中,我们将从传统信息处理与人工智能的发展历史、现状以及未来论述这些问题。

报告Ⅱ:情感计算研究的现状与挑战

???

陶建华,中国科学院自动化研究所模式识别国家重点实验室副主任、研究员。主要研究方向为语音识别与合成、人机交互、情感计算和模式识别等。在国内外主要期刊或会议上发表论文150 余篇,研究成果多次在国内外学术会议上获奖。承担863 重点、国家自然科学基金、国家发改委等项目30 余项,并获得国家杰出青年科学基金。目前还担任中国计算机学会常务理事、中国人工智能学会理事、中国中文信息学会理事、中国声学学会理事,同时还是国际期刊IEEE Transactions on Affective Computing 的指导委员会委员和Speech Communication 、JUMI和IJSE等期刊编委。

报告摘要:情感计算的目的是通过赋予计算机识别、理解、表达和适应人的情感的能力来建立和谐人机环境,并使计算机具有更高的智能。人的情感受思维活动的影响,也和人的性格、文化和所处环境等因素密切相关,同时情感的表达也需要通过人的生理参数和行为参数的变化来体现,这些给情感计算的研究带来很多困难。本报告将通过阐述国内外情感计算技术的最新研究动态,对这一技术所面临的挑战性问题和可能的解决思路进行较为深入的分析和探讨。

报告Ⅲ:文本数据的浅层处理到深度理解

???

宗成庆,1998年3月毕业于中国科学院计算技术研究所,获博士学位。1998年5月至2000年4月在中国科学院自动化研究所从事博士后研究,2000年4月起在自动化所工作至今,现为模式识别国家重点实验室研究员、博士生导师。曾于1999年和2001年两次在日本国际电气通信基础技术研究所(ATR)做客座研究员,2004年在法国信息与应用数学研究院(IMAG)做短期高访。近年来,他主要从事机器翻译、情感分类和自然语言处理基础技术的研究和开发工作,主持国家自然科学基金项目、国家“863”项目和国家支撑计划项目等10余项,在本领域国际权威刊物和顶级会议上发表论文40余篇,出版学术专著和译著各一部。目前他是国际计算语言学委员会(ICCL)委员和国际计算语言学学会(ACL)汉语特别兴趣组(SIGHAN)主席,并担任学术期刊 ACM TALIP 副主编、《自动化学报》副主编、IEEE Intelligent Systems、Machine Translation 和JCST编委等职务,是国际计算语言学领域顶级会议ACL-IJCNLP 2015的程序委员会共同主席(PC Co-chair)。曾获钱伟长中文信息处理科学技术奖一等奖、中国电子学会科技进步一等奖。享受国务院特殊津贴。

报告摘要:近年来,自然语言处理技术得到了快速发展。随着深度学习方法在语音识别、图像处理等相关领域的成功应用,自然语言处理研究再次迸发出勃勃生机。从词语切分、句法分析和语义分析等基础问题研究,到情感分类、机器翻译等应用系统实现,深度学习方法无不被广泛采用,并被寄予厚望。然而,自然语言处理所面临问题的复杂性却常常使任何一种方法都难以绝对雄踞霸首而傲视天下。本报告首先对自然语言处理的基本问题做简要介绍,然后回顾自然语言处理中常用的机器学习方法以及近年来深度学习方法在自然语言处理任务中的应用,最后针对自然语言深度理解所面临问题给出粗浅的分析。

报告Ⅳ:大数据分析的无限深度神经网络计算方法

???

张蕾,博士,四川大学教授、博导。国家自然科学基金“优秀青年科学基金”获得者,教育部“新世纪优秀人才”,四川省“杰出青年学术技术带头人”。作为主要完成人,获得教育部“高等学校科学研究优秀成果奖(自然科学奖)一等奖”1项、“四川省科技进步一等奖”1项。主要研究方向:无限深度神经网络理论及应用。在IEEE TNN、IEEE AC、IEEE SMC-B、CVPR等国际一流学术期刊和会议上发表论文30余篇,研究成果获得20多个国家和地区的140多个学术机构的广泛引用和正面评价。

报告摘要:深度神经网络及其学习算法,作为迄今最成功的大数据分析方法,已为学术界和工业界所熟知。与传统方法相比,深度学习方法,以数据驱动、能自主地从数据中提取特征(知识),对于分析非结构化、模式不明多变、跨领域的大数据具有显著优势。目前,在大数据分析中使用的深度神经网络主要是前馈神经网络(Feedforward NN),这种网络擅长提取静态数据的相关关系,适用于基于分类的数据应用场景。但是受到自身结构本质的限制,它提取数据时序特征的能力有限。无限深度神经网络是一种具有反馈连接的神经网络(Recurrent NN),本质上是一个动力学系统,网络状态随时间演化是这种网络的本质属性,它天然地耦合了“时间参数”,更加适用于提取数据的时序特征,从而进行大数据的预测。将这种网络的反馈结构在时间维度展开,随着时间的运行,这种网络的深度可达“无限”,故称之为无限深度神经网络。我们将重点介绍这种网络的拓扑结构和若干学习算法,及其在语音识别和图像理解领域的成功实例。

报告Ⅴ:资源受限的视觉学习

???

吴建鑫,南京大学教授,博士生导师,入选中组部青年海外高层次人才引进计划(青年千人计划),2014年获得国家自然科学基金委优秀青年科学基金项目支持。主要从事计算机视觉和机器学习等领域的研究工作。在重要国际期刊如TPAMI,IJCV,AIJ,JMLR,TIP等以及重要国际会议如 ICCV、CVPR等发表论文六十余篇。曾担任国际会议ICCV、ACCV、ACML等的领域主席和组织委员会成员,在ICCV workshop应邀做报告。 曾获得教育部自然科学一等奖(2005年度,第五完成人)。据Google Scholar统计,发表的论文被60余个国家和地区的学者他引3700余次。

报告摘要:随着大数据的不断获取和新算法的持续发现,计算机视觉正在深入我们日常生活的方方面面。机器学习对于计算机视觉方法的发展成熟和渐趋实用具有不可替代的作用,同时视觉领域的机器学习问题具有与其他领域不同的特点。在很多计算机视觉问题中,需要在资源受限(如计算、存储等资源)的情况下对大量图像或视频数据进行实时分析,并要求极高的准确度。本报告将针对上述特点分享我们在资源受限的视觉学习方面的一些思路和想法。

报告Ⅵ:复杂数据的粒化机理与数据挖掘

???

钱宇华,博士,山西大学计算智能与中文信息处理教育部重点实验室教授、博士生导师,从事计算智能、数据挖掘与机器学习等方面的研究。国家优秀青年基金获得者,入选教育部新世纪人才支持计划,山西省青年学术带头人。中国人工智能学会粗糙集与软计算专委会副秘书长、常务委员,中国计算机学会人工智能与模式识别专业委员会委员,中国人工智能学会知识工程与分布智能专委会委员。曾获得教育部宝钢教育基金特等奖,CCF 优秀博士论文奖,山西省“五四青年奖章”,全国百篇优秀博士论文提名奖。近年来,先后在AI、TNNLS、TKDE、TFS、TSMC、PR、中国科学等国际重要学术期刊发表SCI论文50 余篇,Google Scholar 引用4000 余次,获发明专利2 项。5 篇论文进入Web of Science高被引论文榜单,发表于《Artificial Intelligence》上的论文连续3年在该刊Most Cited Papers排名第一。多次受邀在国内外重要学术会议作特邀报告。任学术期刊《World Research Journal of Pattern Recognition》,《Artificial Intelligence Research》, 《International Journal of Knowledge-Based Organizations》副主编/编委,在JRS, ICIC, IEEE GrC, IJCAI, ICMLC等多个国内外学术会议担任程序委员会主席/专题主席/委员。

报告摘要:粒计算是信息处理的一种新的概念和计算范式,是研究基于多层次/多视角粒结构的思维方式、问题求解方法、信息处理模式及其相关理论、技术和工具的学科。借鉴人类的这种粒化认知机理,有望诞生新的数据挖掘理论与方法。本报告首先围绕粒计算的内涵、信息粒化、粒度空间结构、不确定性、多粒度建模等若干共性基础问题进行了梳理与讨论;然后介绍了几个基于粒化机理的数据挖掘尝试,最后通过剖析大数据挖掘与粒粒计算的内在联系,认为:粒计算可能是大数据挖掘的一种极具前途的有效途径,并对面向大数据挖掘的粒计算理论与方法中的若干科学问题进行了梳理与展望,以期抛引这一学术领域的学术思考。