王飞跃的个人博客分享 http://blog.sciencenet.cn/u/王飞跃

博文

[转载]预告:CAA首期混合增强智能讲习班发布部分讲者题目及摘要

已有 2044 次阅读 2018-8-23 09:22 |系统分类:博客资讯|文章来源:转载

 【课前预习】预告:

CAA首期混合增强智能讲习班

发布部分讲者题目及摘要


中国自动化学会混合智能专业委员会于2018年9月8日至9日在古都西安举办首届混合增强智能前沿讲习班,以“人在回路的混合增强智能”为主题。


混合增强智能是国务院印发的《新一代人工智能发展规划》中的五大发展方向之一。国家自然科学基金委员会信息科学学部2017年修订学部代码,明确混合增强智能的专门学科代码F060606。人在回路的混合增强智能是混合增强智能的一种重要形态,即将人的作用引入到人工智能系统中,形成人机协同的混合增强智能。


本次讲习班邀请到郑南宁教授、王飞跃教授、陈俊龙教授、李远清教授、曾志刚教授等11位知名专家齐聚西安讲授混合增强智能的本质及前瞻研究方向。应广大同行要求,本次讲习班提前发布部分讲者的讲座题目及摘要,详细内容及其他大咖讲者精彩内容将在授班现场重磅放送。



部分授课题目及摘要

曾志刚教授,华中科技大学

报告题目:基于忆阻的神经形态系统分析与设计

报告摘要:生物神经网络由作为节点的神经元和神经元之间的突触进行连接。如何采用微纳器件模拟生物神经元、神经突触的功能是急需突破的技术难题之一。忆阻是一种非线性的无源两端口动态器件,其阻值随两端电信号变化而改变的性质,非常类似于生物神经元突触的功能。将忆阻作为神经计算机时代的“晶体管”,引入到人工神经网络电路的设计中,以模仿生物突触传导神经递质的过程,实现对生物突触的物理模拟,创造出基于忆阻的生物突触模拟器,并进而发展类脑计算能力是值得深入研究的方向之一。本报告将简介基于忆阻的逻辑运算电路设计,汇报基于忆阻的神经形态网络在算法和功能方向的研究进展。


李远清教授, 华南理工大学

报告题目:脑机交互(脑机协同、脑机混合智能)及其临床应用

报告摘要:通过脑机接口,人脑和外部设备之间可以直接进行交互,从而实现脑智能和机器智能的融合,即混合智能。混合智能是人工智能一种新的形态和方向,具有广泛的应用前景。提高目标检测性能和实现多维控制是脑机接口研究的两大基本问题。我们首先介绍多种多模态脑机交互,包括基于SSVEPP300的脑机接口,视听觉脑机接口,基于P300和运动想象的脑机接口,这些脑机接口或者可以提高目标检测性能,或者可以实现多维控制。然后我们介绍这些脑机接口两个方面的临床应用:(1)意识障碍患者(如植物人等)的意识检测是一个难点问题,主要原因是这些病人缺乏行为能力,认知水平低下。我们开发了多种脑机接口,用于意识障碍患者(如植物人等)的意识检测,数字认知检测、临床辅助诊断,取得了良好效果。(2)面向严重的颈椎损伤的高位截瘫病人,我们开发了环境控制系统。该系统集成轮椅、家电和护理床于一体,实现了脑控,有效提高了这些病人的生活自理能力。


朱军教授,清华大学

报告题目:深度学习的对抗攻击与防守

报告摘要:深度学习模型(或一般的机器学习方法)通常容易被对抗噪声攻击,这给实际应用带来了很多风险。如何有效进行攻击以及如何进行防守受到了学术界和工业界的广泛关注。谷歌公司在NIPS 2017会议上举办了一个对抗攻击与防守的竞赛,吸引了百余支队伍。在这个报告中,将介绍深度学习对抗攻击与防守方面的一些最新进展,包括赢得NIPS竞赛的解决方案以及一些近期的工作。


陈霸东教授,西安交通大学

报告题目:信息理论学习与脑信号分析

报告摘要: 机器学习领域的研究表明,利用信息论测度(熵、互信息、信息距离等)构建学习机的目标函数可以显著提高机器学习的性能和对各种噪声干扰的鲁棒性,这类学习方法称为信息理论学习(Information Theoretic Learning,ITL),是机器学习领域新的研究方向。另一方面,脑机接口正成为人类重点探索的领域和全球研究热点,该技术有望为瘫痪、残疾人士打造新的神经回路,刺激大脑的潜能,让障碍人士重新回到正常生活的轨道,让人脑更加科学的发育。将信息理论学习方法应用于脑信号(EEG、fMRI等)的分析与处理,有望提高脑机接口系统的准确性、可靠性和实用性。本报告将阐述信息理论学习的基本概念、方法及其在脑信号分析与处理中的应用。


陈俊龙教授,澳门大学

报告题目:混合计算智能算法

报告摘要:计算智能是一系列由自然和生物启发的处理复杂问题的计算技术。这类技术能处理传统建模、系统不确定性、或者数学方法较难处理的问题。常见的计算智能技术有:神经网络,模糊系统,进化计算,概率推理系统等。本课程是讨论基于上述这些计算智能理论及其衍生出来的混合算法。同时也会探讨将“人”引入系统中的混合智能。


汪玉副教授(长聘),清华大学 

报告题目:Neural Networks on Chip: From CMOS Accelerators to In-Memory-Computing

报告摘要: Artificial neural networks, which dominate artificial intelligence applications such as object recognition and speech recognition, are in evolution. To apply neural networks to wider applications, customized hardware are necessary since CPU and GPU are not efficient enough. Numerous architectures are proposed in the past 4 years to boost the energy efficiency of deep learning inference processing, including Tsinghua and Deephi’s effort. In this talk, we will talk about different architectures based on CMOS technologies, including 200GOPS/W FPGA accelerators, about 1-5TOPS/W chips with DDR subsystems, and over 50TOPs/W chips with everything on chip. The possibilities and trends of adopting emerging NVM technology for efficient learning systems, i.e., in-memory-computing, will also be discussed as one of the most promising ways to improve the energy efficiency.


任鹏举副教授,西安交通大学

报告题目: 面向自主智能体的计算架构思考

报告摘要: 2018年图灵奖得主HennessyPatterson的演讲题目“计算机体系结构的新黄金时代:特定领域的硬件/软件协同设计,增强的安全性,开放式指令集和敏捷芯片开发”。指明了智能计算时代呼唤新的计算架构变革。以智能驾驶、无人机、机器人为代表的自主智能体需要面对复杂、动态、开放、非完整观测环境下的挑战,是体现混合增强智能适应性、稳定性、可靠性、鲁棒性和灵敏性的典型应用场景。本次报告以“认知计算引擎”为切入点,将课题组近年来的学术观点和研究进展与大家分享。


黄增峰副教授,复旦大学

报告题目: 面向大数据的算法设计和分析入门

报告摘要: 当前这波人工智能的发展是由大数据和硬件技术推动的。面向大数据和新型计算模型的算法设计已经成为国际研究热点。与传统算法相比,大数据算法设计面临许多挑战。第一、数据量巨大,带来存储空间的挑战;第二、大数据有很强的实时性,对计算时间有约束;第三、除了空间和时间,还需要考虑分布式计算中的通信代价。我们会介绍面向大数据问题的计算模型、算法设计和理论分析。主要包括流数据算法,亚线性时间算法,数据摘要,时间允许还会介绍分布式算法。我们会以经典问题作为典型案例,例如随机采用、频繁项挖掘、线性回归等,介绍大数据算法的设计技术和分析方法。


讲习班日程安排


时间

地点

9月8日8:30—12:00

西安交通大学(兴庆校区)逸夫科学馆101会议室

9月8日14:00—18:00

西安交通大学(兴庆校区)主楼多功能报告厅

9月9日9:00—12:00

西安交通大学(兴庆校区)主楼多功能报告厅

9月9日14:00—18:00

西安交通大学(兴庆校区)主楼多功能报告厅


本文转载自CAA智能混合专委会公众号

 



http://blog.sciencenet.cn/blog-2374-1130647.html

上一篇:[转载]【会员招募】青岛人工智能学会
下一篇:能源系统通证经济学:概念、功能与应用

1 张军平

该博文允许注册用户评论 请点击登录 评论 (1 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备14006957 )

GMT+8, 2018-9-24 21:27

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部