聚焦AI落地痛點，縱論跨域學習技術前沿和應用趨勢 | CNCC技術論壇

量子位的朋友們 2020-10-17 14:19:05 來源：量子位

《AI落地的跨域學習技術和進展》技術論壇將于CNCC期間，10月24日下午16:00-18:00，在北京新世紀日航飯店2層江蘇廳舉行。本論壇邀請跨域學習領域、學術界的頂尖學者和工業(yè)界的領軍人物一起，聚焦AI落地過程中跨域學習起到的重要作用，一起探討跨域學習的技術前沿和進展。歡迎光臨！

今年CNCC大會將于10月22-24日在北京（主會場）舉行，全國多地設立分會場和專場并進行同步線上直播。今年除講者陣容十分強大外（首批KN講者確認：圖靈獎得主、院士、名企專家將做特邀報告），活動也十分多。包括三場大會論壇、百余場技術論壇、CTO Club峰會首發(fā)、14場特邀報告、CCF頒獎晚宴、優(yōu)秀大學生頒獎等，精彩紛呈，不容錯過。

技術論壇豐富多彩、嘉賓陣容強大、話題前沿，其中10月24日下午16:00-18:00，在北京新世紀日航飯店2層江蘇廳舉行的《AI落地的跨域學習技術和進展》技術論壇，將邀請跨域學習領域學術界的頂尖學者和工業(yè)界的領軍人物一起，聚焦AI落地過程中跨域學習起到的重要作用，以及AI落地痛點等尖銳問題展開探討，一起探討跨域學習的技術前沿和進展，歡迎光臨！

△掃碼報名

AI落地的痛點，跨域學習的技術和進展

傳統(tǒng)的機器學習和現(xiàn)在的深度學習都依賴大量的標注數(shù)據(jù)，并在監(jiān)督下訓練出表現(xiàn)優(yōu)異以及具備一定泛化能力的模型。但隨著感知環(huán)境及應用場景的變化，訓練好的模型性能會大幅度下降，重新訓練周期長成本高，再加上AI人才的短缺，都成為AI落地和普惠的障礙。如何解決跨域學習、數(shù)據(jù)標注以及數(shù)據(jù)隱私問題，訓練更具泛化性、魯棒性的模型成為學術界和工業(yè)界面臨的共同課題。在此背景下，跨域學習和遷移學習成為近年來研究的前沿熱點。

通用智能是下一代AI發(fā)展的必然趨勢，代表智能革命的未來?？缬驅W習、遷移學習、無監(jiān)督學習、自監(jiān)督學習等將在未來幾年實現(xiàn)在多個領域的落地生根，正在成為AI大規(guī)模落地的希望。本論壇邀請跨域學習領域走在國際算法前沿的學術界頂尖學者和已在產業(yè)應用中實現(xiàn)落地的工業(yè)界領軍人物，共同探討AI落地的跨域學習技術和進展。

論壇議程日程

論壇主席

申省梅澎思科技首席科學家、新加坡研究院院長。華人知名女科學家，計算機視覺與深度學習領域國際知名學者。前松下新加坡研究院副院長，累計獲得30余項人工智能國際競賽冠軍，累計專利300余項。擁有計算機視覺領域全棧算法研究及工程化經驗，技術面覆蓋AI智能傳感、AI視覺感知、AI視圖處理、視覺導航和控制、增強現(xiàn)實、聲紋識別、機器人等領域。曾榮獲日本松下杰出技術、領軍人物特別獎；擔任國際標準化組織(ISO)和國際電工委員會(IEC)標準制定主編；負責和牽頭多項音視頻國際標準制定工作，在CVPR 2020組織了第一屆Anti-UAV Workshop & Challenge競賽。

陳熙霖中科院計算技術研究所研究員，IEEE Fellow, IAPR Fellow, CCF會士。近年來主要研究領域為計算機視覺、模式識別、多媒體技術以及多模式人機接口。目前是IEEE Trans. on Multimedia的Associate Editor、Journal of Visual Communication and Image Representation的Senior Associate Editor、計算機學報副主編、人工智能與模式識別副主編。先后獲得國家自然科學二等獎1項，國家科技進步二等獎4項，合作出版專著1本，在國內外重要刊物和會議上發(fā)表論文300多篇。

講者簡介

楊強微眾銀行首席人工智能官、香港科技大學講席教授，AAAI、ACM、CAAI、IEEE、IAPR、AAAS Fellow，《IEEE Transactions on Big Data》和《ACM Transactions on Intelligent Systems and Technology》開創(chuàng)主編，曾獲2019年度“吳文俊人工智能科學技術獎”杰出貢獻獎，2017年ACM SIGKDD杰出服務獎。他曾任華為諾亞方舟實驗室主任，第四范式公司聯(lián)合創(chuàng)始人，香港科技大學計算機與工程系系主任以及國際人工智能聯(lián)合會(IJCAI)理事會主席。最近的著作有《遷移學習》和《聯(lián)邦學習》。演講題目：用戶隱私，數(shù)據(jù)孤島和聯(lián)邦學習摘要：聯(lián)邦學習，是當前人工智能尤其是AI金融領域，最受工業(yè)界和學術界關注的研究方向之一。當下，AI在算法研發(fā)方面突飛猛進，卻離企業(yè)落地的目標有著不小的距離。AI所面臨的一個挑戰(zhàn)是標注數(shù)據(jù)的嚴重不足，而數(shù)據(jù)往往分布在不同的機構和個人形成的數(shù)據(jù)孤島處。使用和聚合這些數(shù)據(jù)都會受到用戶隱私、商業(yè)安全的挑戰(zhàn)。本次演講將介紹如何利用聯(lián)邦學習來連接數(shù)據(jù)孤島的數(shù)據(jù)，形成合力，以得到更有效的機器學習模型，同時保護用戶隱私和商業(yè)機密。

鄧偉洪北京郵電大學人工智能學院教授，博士生導師。長期從事模式識別與計算機視覺的基礎理論研究，并應用到人臉識別、表情識別、行人再識別、細粒度圖像檢索等。近年來主持國家重點研發(fā)計劃課題和國家自然科學基金等項目十余項，與華為、中興、騰訊、滴滴、佳能等科技企業(yè)開展廣泛的技術合作，曾三次指導學生獲得圖像識別類的國際算法競賽第一名，擔任IJCAI 2020、ICPR 2020、ICME2020 領域主席和高級程序委員，國際期刊IEEE Access編委，Image and Vision Computing客座編委。在IEEE TPAMI、TIP、TIFS、IJCV、PR等國際期刊以及ICCV、CVPR、ECCV、NIPS、AAAI、SIGIR等國際會議發(fā)表論文100多篇，谷歌學術引用4300多次，SCI他引1100余次。曾入選北京市優(yōu)秀博士學位論文、教育部“新世紀優(yōu)秀人才”、北京市“科技新星”。演講題目：跨域人臉和表情識別摘要：海量標注數(shù)據(jù)和深度學習技術推動了視覺識別的巨大進步，現(xiàn)有模型在許多數(shù)據(jù)集上的性能已經超越人類。然而，高準確率的前提是同源數(shù)據(jù)的隨機劃分保證了訓練和測試集具有相同的特征分布。在技術落地中，訓練集和應用間的環(huán)境差異、地域差異、文化差異等挑戰(zhàn)導致大部分視覺識別應用的準確率和穩(wěn)定性仍不理想，甚至造成“種族偏見”等倫理問題。本報告將從數(shù)據(jù)集建設、遷移學習算法和性能評價三個角度，匯報課題組近期在解決多人種人臉識別、視頻監(jiān)控人臉識別、對抗魯棒性人臉識別、表情識別文化差異上的研究進展。

闞美娜中科院計算所副研究員，碩士生導師。研究領域為計算機視覺與模式識別，主要關注人臉識別、多視學習、遷移學習、弱少監(jiān)督學習等問題，相關成果已發(fā)表在TPAMI、IJCV、CVPR、ICCV等相關領域主流國際期刊與會議上面，谷歌學術引用2300余次。擔任TPAMI、IJCV、TIP、TMM、CVPR、ICCV、ECCV等期刊會議的審稿人。2014年獲得CCF優(yōu)秀博士學位論文獎、2016年入選CCF青年人才托舉計劃、2018年獲得中國圖象圖形學學會石青云女科學家獎青年獎、2019年入選北京市科技新星計劃。此外，獲得2015年IEEE FG視頻人臉識別競賽冠軍、2015年IEEE ICCV年齡估計競賽亞軍、2017年IEEE CVPR人臉面部關鍵點定位亞軍等。演講題目：多粒度圖像遷移建模摘要：遷移學習是機器學習與計算機視覺中的重要研究問題之一，旨在研究如何將一個領域的知識遷移到另外的領域，具有重要的研究意義與應用價值。場景變化是計算機視覺應用中的重要挑戰(zhàn)之一。本報告將介紹講者近期在場景、類別、以及樣例層面進行圖像遷移建模的研究工作，旨在提升圖像分類算法的場景自適應能力。

鄭良澳大利亞國立大學講師、計算機未來學者、澳大利亞研究理事會優(yōu)秀青年科研學者獎的獲得者。在物體再識別領域做出了重要貢獻。論文被MIT Technology Review報道。獲中國人工智能學會優(yōu)秀博士學位論文、澳大利亞青年科學家獎、澳大利亞人報Top-40 Early Achievers等榮譽。任CVPR 2021, ECCV 2020和Multimedia 2020領域主席，IJCAI 2019 和 AAAI 2020資深程序委員，IEEE TCSVT副編輯等。在CVPR 2020和ECCV 2020組織了AICITY和TaskCV競賽。演講題目：Do We Really Need Ground Truths to Evaluate A Model?摘要：模型性能評估是機器學習的重要一步，一般來說，我們要求測試集包含測試樣本與其標簽，并將測試標簽與模型預測結果進行比較。盡管學術界大多數(shù)數(shù)據(jù)集滿足這個要求，在實際情況中，往往我們只能獲取測試數(shù)據(jù)而無法獲取其標簽。在本次報告中，我將介紹一個重要而較少討論的問題：模型自動評估(AutoEval)。具體地，給定有標簽的訓練集和一個模型，目標是估計模型在一個沒有標簽的測試集上的性能。為此，提出了一種meta-dataset的方法，從數(shù)據(jù)集層面上設計了一種回歸模型，實現(xiàn)了較為理想的精度。

龍明盛清華大學軟件學院副教授，博士生導師，大數(shù)據(jù)系統(tǒng)軟件國家工程實驗室機器學習組組長。分別于2008和2014年從清華大學獲學士和博士學位，2014-2015年在加州大學伯克利分校大數(shù)據(jù)實驗室(AMPLab)、統(tǒng)計人工智能實驗室(SAIL)從事研究工作。研究領域包括機器學習理論、算法和系統(tǒng)，特別是遷移學習、深度學習、預測學習及其在圖像視頻識別、預測任務中的應用。以第一作者或通訊作者在ICML/NIPS/CVPR等CCF-A類會議和期刊上發(fā)表論文46篇，谷歌學術引用超過3700次，其中在ICML 2015發(fā)表的深度遷移學習論文單篇引用800余次。擔任ICLR領域主席、ICML/NIPS/CVPR等國際會議（高級）程序委員會委員。主持國家重點研發(fā)計劃子課題、國家自然科學基金課題3項，授權國家發(fā)明專利20項。獲2012國際數(shù)據(jù)挖掘會議最佳論文提名，2016中國人工智能學會優(yōu)秀博士論文，2018教育部技術發(fā)明一等獎。演講題目：遷移學習理論，算法及開源庫摘要：遷移學習一直是機器學習領域的難點問題，其目標是在數(shù)據(jù)分布變化的條件下實現(xiàn)強泛化能力。經過長期探索，逐步縮小了遷移學習的泛化理論與學習算法之間的鴻溝，獲得了更緊致的泛化界和更優(yōu)的學習器。此次報告將按照發(fā)展歷程介紹遷移學習的代表性泛化理論及學習算法，重點介紹我們的間隔泛化理論及其對抗學習算法、遷移推理中的概率校準和無監(jiān)督遷移學習算法。最后，介紹我們最近開源的遷移學習算法庫，為推動遷移學習的規(guī)范發(fā)展和應用落地提供支撐。