20世纪最伟大的数学家 John von Neumann 希望计算机和人工智能能带来一场震撼我们这个星球的科学革命，菲尔兹奖和沃尔夫奖得主Stephen Smale继承和发扬了 John von Neumann 的科学思想，提出了著名的关于人工智能的Smale第十八问题。
为进一步继承和发扬 John von Neumann 的科学思想，中国科学院人工智能联盟标准组与北京理工大学计算机学院去年成功举办了“2018 AI科学前沿论坛”，论坛探讨了AI科学前沿的数学基础及其应用。由于该论坛反响热烈，应与会人士的要求，主办方决定将“AI科学前沿论坛”更名为“AI科学前沿大会”，拟定于2019年4月11日-12日在北京举办。
本次大会聚焦AI科学前沿的数学基础、算法、关键共性技术及其应用，邀请全国AI数学界、科学界知名学者和业界资深专家分享最新理论成果，展望AI科学未来。
会议热忱欢迎国内外AI数学、科学及应用相关领域的科研人员、高校师生、业界人士莅临。
大会福利: 注册费由主办方承担。
日程安排

组委会
会议主席
李真真   中国科学院人工智能联盟标准组
黄河燕   北京理工大学计算机学院
学术委员会主席 
姚  远   香港科技大学
谈胜利 华东师范大学
学术委员会委员 
Bo An   Nanyang Technological University， Singapore
戴彧红  中国科学院数学与系统科学研究院
郭  宪  南开大学
吉建民  中国科学技术大学
雷  娜  大连理工大学
Yuxi Li  ATTAIN.AI.， Canada
刘铁岩  微软亚洲研究院
罗定生  北京大学
Jian Ma  Carnegie Mellon University
逄金辉  北京理工大学
齐国君  华为美国研究所
孙  剑  西安交通大学
孙仕亮  华东师范大学
吴焦苏  中国科学院人工智能联盟标准组
Zhiwei Steven Wu  University of Minnesota
夏光宇  上海纽约大学
谢广明  北京大学
Zhiqin John Xu  New York University       
宣晓华  SMALE数学与计算研究院
袁  泉  启元世界
章宗长  苏州大学
朱  军  清华大学
朱占星  北京大学
会务组成员
王大川 洪飞 王东方 李建雨 李敏 李土养 
嘉宾介绍
开幕致辞嘉宾
李真真
中国科学院人工智能联盟标准组组长，中国科学院科技战略研究院研究员。成功主办以人工智能技术、伦理与法律的关键科学问题为主题的第S36次香山科学会议等重要学术会议，倡导以博弈统摄机器学习的观点。
黄河燕
北京理工大学计算机学院院长，人工智能研究院院长，教授，博导，中国人工智能学会副理事长，北京市海量语言信息处理与云计算应用工程技术研究中心主任。主要学术研究方向为机器翻译和自然语言处理 ，主持承担国家自科基金重点项目、“973 计划”课题、“863 计划”项目等 20 多项国家级科研攻关项目，获得国家科技进步一等奖等十余项国家级和省部级奖励。
学术报告嘉宾
1. 陈炳文 腾讯云
  • 报告题目：营销风控的反欺诈技术
  • 内容摘要：本报告针对视频/电商等业务平台方在流量营销/线上线下活动营销中存在的“羊马牛”黑产演变情况，基于大数据无监督平台的反欺诈技术，提出腾讯云天御对抗黑产团伙的解决方案。
  • 嘉宾介绍：陈炳文（Bink Chen）博士，腾讯云天御流量风控业务负责人，主导多项基于大数据智能引擎信息系统，17年加入腾讯云，主导流量营销风控、活动营销风控等风控业务，发表十六篇学术论文，拥有4项发明专利。
2. 陈桂生 中国电子系统研究院信息化总体研究部
  • 报告题目：智能机器人需求理解与意图表达的元模型
  • 内容摘要：TBA
  • 嘉宾介绍：陈桂生，清华大学计算机系工学博士，中国电子系统研究院信息化总体研究部研究员，中国人工智能学会知识工程专委会理事，中国指挥与控制学会无人系统专委会理事。曾任中国人工智能学会副秘书长。陈桂生博士在人工智能与机器人技术领域长期从事理论研究与工程研究开发工作，在人工智能、智能交通、机器人传感器信息感知、网络传输、智能信息处理与决策、控制器及执行机构设计、人机交互设计，以及多智能车交互与协同等技术领域取得较好成果，拥有丰富的国家大型信息化项目需求分析、总体论证和设计经验，近年来参加的科研项目有：《机器人化工程机械研究》、《临场感技术》、《国家信息化水平测评指标体系研究》、《基于互联网海量信息的情报分析与处理需求论证》、《网络化数据挖掘》、《需求工程—对复杂系统的软件工程的基础研究》、《室外移动机器人多车交互协作关键技术研究》等，在高校讲授《不确定性人工智能》课程，对人工智能感知和认知过程中的双向认知云模型有深入的研究。
3. 陈小平 中国科学技术大学计算机学院
  • 报告题目：人工智能理论基础问题的新思考和新动向
  • 内容摘要：总结人工智能三次高潮产生的核心成果——暴力法和训练法，以及AlphaGo Zero对暴力法和训练法的融合与超越。分析当前人工智能发展的根本性瓶颈——不确定性问题，阐述不确定性给人工智能理论基础带来的挑战。介绍人工智能及理论基础研究在两个方向上的新动向——知识整合与融差操作。
  • 嘉宾介绍：陈小平博士，现任中国科学技术大学机器人实验室主任，机器人技术标准创新基地主任，计算机学院教授，中国人工智能学会AI伦理专委会主任，中国RoboCup委员会主席，国际RoboCup联合会理事。曾任2015世界人工智能联合大会机器人领域主席、2015和2008RoboCup机器人世界杯及学术大会主席。中科大“杰出研究”校长奖获得者，IEEE ROBIO’2016最佳大会论文等国际论文奖、世界人工智能联合大会最佳自主机器人奖和通用机器人技能奖、机器人世界杯12项世界冠军等团体奖获得者。
4. 戴彧虹 中国科学院数学与系统科学研究院
  • 报告题目：Training GANs with Centripetal Acceleration
  • 内容摘要：Training generative adversarial networks (GANs) often suffers from cyclic behaviors of iterates. Based on a simple intuition that the direction of centripetal acceleration of an object moving in uniform circular motion is toward the center of the circle， we present the Simultaneous Centripetal Acceleration (SCA) method and the Alternating Centripetal Acceleration (ACA) method to alleviate the cyclic behaviors. Under suitable conditions， gradient descent methods with either SCA or ACA are shown to be linearly convergent for bilinear games. Numerical experiments are conducted by applying ACA to existing gradientbased algorithms in a GAN setup scenario， which demonstrate the superiority of ACA.
  • 嘉宾介绍：戴彧虹，中国科学院数学与系统科学研究院院长助理、研究员、博士生导师。1992年毕业于北京理工大学；1992年中国科学院计算数学与科学工程计算研究所博士毕业后留所工作，先后担任助理研究员、副研究员、研究员、冯康首席研究员；2011年获国家杰出青年科学基金资助；2015年获得冯康科学计算奖；2017年获第十六届陈省身数学奖；2018年获首届萧树铁应用数学奖。戴彧虹主要从事计算数学、应用数学、运筹学和人工智能的研究。
5. 董彬 北京大学北京国际数学研究中心
  • 报告题目：Mathematical Modeling in Image Restoration, Image Analysis and Beyond
  • 内容摘要：Image restoration, including image denoising, deblurring, inpainting, computed tomography, etc., is one of the most important areas in imaging science. In image restoration, wavelet frame based approach and PDE based approach (including variational models and PDE models) are two of the most successful approaches and are widely adopted in both academia and industry. Although the development of the two approaches took rather different paths, an intriguing and fundamental question is whether the two approaches are deeply connected. The main portion of this talk is based on a series of papers, where we established rigorous and generic connections between wavelet frame and PDE based approach. This includes connections of wavelet frame based approach to total variation model and the Mumford-Shah model. Furthermore, connections of wavelet frame shrinkage to a rather general form of nonlinear evolution PDEs are also established. Other than the establishment of the links between the two approaches, brand new models for both approaches are also discovered, which combine merits from both approaches, and thus outperform existing models in various applications in image restoration. Our theoretical studies also enable us to connect mathematical modeling and computations with deep learning. The connections not only can provide guidance to deep network design, which is a central task in deep learning, but also enable us to tackle challenging problems in applied and computation mathematics. In the end of my talk, I will present one of our recent works on bridging numerical differential equations with deep neural network design for PDE identification from observed dynamics data.
  • 嘉宾介绍：董彬，北京大学，北京国际数学研究中心长聘副教授、主任助理，北京大数据研究院深度学习实验室研究员、生物医学影像分析实验室副主任。主要研究领域为应用调和分析、优化方法、机器学习、深度学习及其在图像和数据科学中的应用。在理论上，将图像领域独立发展近30年的两个数学分支（PDE/变分方法和小波方法）建立深刻的联系，改变了领域内对这两类方法的认识，拓宽了这两类方法的应用范畴。应用上，以数学理论为指导思想，为来源于医学影像、计算机视觉、深度学习等领域中的重要问题提供行之有效的解决方案。董彬在包括《Journal of the American Mathematical Society》、《Applied and Computational Harmonic Analysis》、《SIAM系列期刊》、《Inverse Problems》、《ICML》在内的国际重要学术期刊和会议上发表论文50余篇，拥有2项美国专利，现任期刊《Inverse Problems and Imaging》编委。于2014年获得香港求是基金会的求是杰出青年学者奖，2015年入选中组部第十一批“千人计划”青年人才。
6. 范欣欣 网易大数据
  • 报告题目：数据平台的时序数据技术
  • 内容摘要：本报告就时序数据平台在大数据AI平台建设中主要应用场景，提出时序数据平台的核心系统及技术架构，重点分享时序数据库系统的功能特性和核心优化思路。
  • 嘉宾介绍：范欣欣，网易大数据技术专家，就职于网易研究院后台技术中心数据库技术组，专注于HBase的开发运维，热衷于MySQL等相关数据库技术。
7. 方斌 清华大学计算机系
  • 报告题目：机器人感知、操作与学习
  • 内容摘要：灵巧操作是机器人领域最具挑战技术之一。操作也是实现服务机器人多种任务的基本途径。报告围绕机器人感知、操作与学习三个方面展开。首先介绍机器人的各种感知手段，重点介绍视触力滑的多模态触觉感知装置和多模态信息融合的感知方法；接着介绍机器人的灵巧操作，重点介绍仿人灵巧手和软体手的操作；最后介绍机器人学习的研究现状，重点介绍机器人交互模仿的技能学习。
  • 嘉宾介绍：方斌，清华大学计算机系助理研究员。兼任中国人工智能学会认知系统与信息处理专委会秘书长。2017年清华计算机系博士后留校工作，主要研究方向是人工智能与机器人。承担或参与项目有科技部机器人专项、国家自然科学基金仪器专项、国家自然科学基金青年基金等。发表SCI/EI论文三十余篇，申请发明专利二十余项。研制的基于穿戴装置的机器人遥操作系统已在航天五院、大唐电信等多家应用，研制的仿人灵巧手应用于三星、航天五院等多家单位，曾被央视、北京卫视等多家媒体专访报道。
8. 冯超 滴滴AI Labs
  • 报告题目：A Review of Deep Reinforcement Learning: Implementing Distributed Frameworks and Overcoming Sparse Reward Challenges
  • 内容摘要：Deep reinforcement learning has received more and more attention and achieved breakthroughs in academic and industrial fields recently. Nowadays, deep neural network models already can beat human professional players in many games, such as Atari, Go, and even Dota (a multiplayer online battle arena game), with constrained environment. Reinforcement learning usually contains two major parts: 1. finding the state-action sequences that lead to the positive/negative rewards; 2. memorizing good decisions from the historical experience utilizing deep models with large scale training. Most of the work is enhancing the performance of these two parts. In this talk, recent developments of implementing distributed frameworks and overcoming sparse reward challenges will be reviewed, and some future work will be discussed.
  • 嘉宾介绍：冯超，现就职于滴滴出行AI Labs时空数据组，担任专家算法工程师，负责路径规划算法与图像、视频应用算法的研发工作，曾任小猿搜题拍照搜题算法负责人。著有书籍《强化学习精要》《深度学习轻松学》，个人的研究方向有计算机视觉，分布式机器学习框架和深度强化学习。
9. 宫士敏 小米大数据部
  • 报告题目：NLP中的移动搜索技术
  • 内容摘要：AI赋能和数据驱动使得小米互联网业务得到了持续的增长，也助推了搜索和推荐系统的发展。本报告就NLP技术在移动搜索场景下遇到的问题，提出相关性计算、查询分析和排序方面的算法设计与架构，并基于用户行为大数据，提升优化算法效果和用户体验。
  • 嘉宾介绍：宫士敏，小米大数据部算法团队Leader，带领团队构建了小米移动搜索算法体系。研究领域主要包括搜索引擎、机器学习、推荐系统等。对搜索中的相关性计算、排序、NLP等相关技术有深刻理解，并对深度学习在搜索推荐领域应用有丰富的实践经验。毕业于中科院计算所，之前在搜狗搜索负责网页搜索算法相关工作。
10. 关海欣 云知声
  • 报告题目：远场语音交互中前端信号处理关键技术
  • 内容摘要：TBA
  • 嘉宾介绍：关海欣，北京云知声信息技术有限公司高级研发总监/资深技术专家，曾任3M Cogent北京研发中心高级研发经理/语音方向负责人，从事人工智能技术研究与产品开发10余年，于2010年获得声纹识别评测NIST SRE HASR1世界第一，2012年获得NIST SRE核心评测世界第三，2013年参与人脸识别NIST FRVT2013与真假指纹识别LivDet2013评测，分获世界第三与世界第二，现专注于远场语音交互中前端信号处理关键技术的研究与开发工作。
11. 胡翔宇 百度搜索
  • 报告题目：基于深度学习的识图搜索
  • 内容摘要：本报告结合百度下一代智能搜索的发展趋势和搜索业务的最新进展，融合传统CV与深度学习，应用CNN特征，构建千亿级别图片库和视觉索引，结合图像分类、细粒度识别、检索和大规模GPU 在线加速技术，给出识别万物的移动端深度学习识图搜索系统，该系统实现千万级别 DAU、过亿的 PV 访问量。
  • 嘉宾介绍：胡翔宇，百度搜索公司资深策略工程师，AI领域（图像识别，视觉检索，视频理解，大规模深度学习，LTR）的资深专家。目前正负责百度下一代视觉搜索的研发工作，通过最新的AI 技术将百亿级线下信息数据化，构建千亿级行业知识库和多模态的索引，从文本检索升级到语义索引，用图像/视频/XR 技术，升级搜索引擎的 I/O 交互及索引内核，打造新的AI搜索体验，让搜索无处不在。
12. 胡晓光 百度深度学习技术平台部
  • 报告题目：PaddlePaddle核心技术
  • 内容摘要：本报告将分享PaddlePaddle 总体架构；深入框架设计原理及实现；PaddlePaddle 新特性，移动端部署、并行等；结合百度 AI 实践，NLP、图像等应用。
  • 嘉宾介绍：胡晓光，百度深度学习技术平台部主任工程师，多年深度学习算法实践经验，2015 年带领团队上线全球首个基于深度学习的在线翻译引擎；现负责 PaddlePaddle 模型应用，致力于打造最好用的深度学习平台。
13. 黄智生 荷兰阿姆斯特丹自由大学人工智能系
  • 报告题目：智能机器人与网络自杀监控预警
  • 内容摘要：青少年自杀已经成为社会普遍关注的重要问题之一。自杀是15岁到34岁青少年人群死亡的主要原因。据估计15到24岁青少年中120万人受到抑郁症折磨，大学生中抑郁率高达23.8%。抑郁症是自杀死亡的主要原因。许多年轻人在自杀之前通过网络媒体表达了各种自杀情绪和愿望，这为采用人工智能及大数据技术对网络媒体作分析并进行自杀救助提供了可能性。我们开发的网络智能机器人采用知识图谱技术，每天监控对应的网络媒体并发布自杀监控通报。我们组织的“树洞行动救援团”根据监控通报采取自杀救助行动。自2018年7月起，我们已经对数以百计的人提供自杀救助，暂时缓解了她们的自杀行为。我们将介绍构建网络智能机器人的基本技术，并阐述这种智能机器人如何用于发现自杀人群并发布对应的监控通报。
  • 嘉宾介绍： 黄智生博士是荷兰阿姆斯特丹自由大学人工智能系终身教授， 出版了《海量语义数据处理-平台，技术，与应用》、《生物医学语义技术》等教材，发表过论文论著超过二百篇， 担任超过一百个国际学术会议的程序委员会委员，超过二十个国际会议的联合主席，担任六个国际学术刊物的编委，特约主编或特约编委。主持欧盟第七框架重大项目LarKC中推理工作组的工作。主持欧盟第七框架智慧医疗重大项目EURECA中基于语义技术的临床试验系统 SemanticCT的开发；主持了基于语义技术的抗菌药物合理用药系统SeSRUA的开发。他参与开发的E-Culture项目在2006年世界语义万维网技术挑战赛上获得冠军。作为第一作者获得2014世界健康信息技术学术年会（HealthInfo2014）最佳论文奖。他所开发的网络自杀监控机器人具有很高的科学价值，已经取得明显的社会效益。他所发起的“树洞行动救援行动”已经成功地挽救数以百计的生命。这些事迹已经被科技日报、健康界、扬子晚报、和北京青年报等媒体广泛报导。
14. 江会星 美团点评搜索与NLP部
  • 报告题目：对话理解技术
  • 内容摘要：智能客服是一种使用自然语言与用户交互的人工智能系统，通过分析用户意图以人性化方式与用户沟通，向用户提供客户服务。本报告首先给出美团智能客服的对话交互设计框架，然后详细分析意图挖掘、意图理解、情绪识别、对话管理等的机器学习算法核心技术及其效果。
  • 嘉宾介绍：江会星，博士，美团点评搜索与NLP部NLP中心研究员，智能客服团队负责人，主要负责美团智能客服业务及智能客服平台的建设。曾在阿里达摩院语音实验室从事智能语音对话交互方向研究，主要负责主导的产品有斑马智行语音交互系统、YunOS语音助理等。
15. 姜忠鼎 复旦大学计算机学院
  • 报告题目：基于多模态交互的增强型VR视频协同式观看系统
  • 内容摘要：VR视频通常指立体全景视频，增强型VR视频使用弹幕、问答、语音以及辅助视频流等媒体素材对VR视频进行增强，提升视频重要区域的视觉清晰度，丰富VR视频包含的视听信息。针对本地文件、直播和点播视频，提出VR视频增强的若干关键技术，构建多人同时使用的VR视频观看系统。该系统实现多个观看用户的播放时间同步、视角同步并降低用户眩晕感。针对PC播放终端和移动播放终端，综合语音、手势和手柄等多模态交互技术实现系统的人机界面。本系统可提升基于VR视频的教育培训、事件直播和点播等应用的用户体验。
  • 嘉宾介绍：姜忠鼎博士现为复旦大学计算机学院副教授，毕业于浙江大学计算机科学与工程系CAD&CG国家重点实验室，获得学士和博士学位，2018年入选首届高校计算机专业优秀教师奖励计划。目前研究方向为虚拟现实/增强现实,具体包括基于多投影的集群式VR系统开发工具、基于VR头盔的教育培训与仿真系统、沉浸式大数据分析以及增强现实沙盘模拟等。研究工作发表于IEEE TVCG等一流国际期刊和CVPR等顶尖国际会议。研究成果成功应用于2010年上海世博会、新一代CRH2高铁列车研制以及AR沙盘推演等重要系统。
16. 李衡宇 小马智行
  • 报告题目：自动驾驶从0到1之路
  • 内容摘要：总结分析自动驾驶实现从0到1过程中所面临的技术挑战，以及小马智行所采取的路径：如何在短时间积累高效的数据，并实现模型的快速优化；如何打造一个最安全的自动驾驶系统，即不单单是保证各系统模块的表现和高度稳定性，更是持续的验证系统的可靠性和扩展性；在单车智能已得到验证的基础上，如何实现规模化复制。
  • 嘉宾介绍： 李衡宇，小马智行联合创始人、北京研发中心负责人。前百度广告搜索部和自动驾驶事业部资深工程师，具有10年设计和开发大规模、高可靠和高稳定性系统的工作经验；曾作为技术负责人主导开发了百度广告预算控制系统，并获2013年“百度最高奖”（百万美元大奖）；四川大学电子信息学硕士和学士学位。
17. 李杰 快手
  • 报告提目：基于深度学习的语音识别声学建模
  • 内容摘要：本报告将以2011年提出的上下文相关-深度神经网络-隐马尔可夫框架为标志，基于深度学习的语音识别技术设计一个“又快又好” 的声学模型，具备下文语境的门控循环单元模型（mGRUIP-Ctx）。声学模型中，有效建模下文语境是保证模型性能的一大关键点。但“建模下文信息”与 “低延迟”经常会相互矛盾。我们提出的mGRUIP-Ctx模型在两者之间找到了比较好的平衡点。该模型性能优异且计算高效。二是基于SpeechTransformer的端到端语音识别技术。SpeechTransformer以机器翻译中的Transformer为基础，在大规模语音识别任务上在不使用任何语言模型的条件下，性能可以超过基于Lattice-Free MMI的语音识别系统。
  • 嘉宾介绍：李杰，博士毕业于中国科学院自动化研究所，模式识别与智能系统专业，研究方向为基于深度学习的声学模型建模。在国际主流语音会议，包括ICASSP, Interspeech, ISCSLP上发表论文12篇。之前曾于2016年加入微软（亚洲）互联网工程院，任语音技术研究员。2017年底加入快手，从事语音识别相关算法研究和产品落地，目前的工作重点在于短视频领域内的声学模型建模，所研发的声学模型在快手多个产品线中落地，日均处理语音请求数千万条。
18. 李亚楠 阿里大文娱
  • 报告题目：通用对话系统
  • 内容摘要：本报告重点分析通用信息服务领域的对话交互技术中的难点，包括对话理解、对话管理、任务型对话、智能问答、通用聊天等任务。
  • 嘉宾介绍：李亚楠，中科院计算所博士，先后工作于腾讯、微软、百度、阿里，研究方向为信息检索、自然语言处理、推荐。目前负责阿里神马智能对话，探索下一代AI搜索技术，打造更加自然的对话问答系统，提供更加智能的通用信息服务能力，服务天猫精灵、阿里云IoT、车载OS、优酷电视、蚂蚁客服、UC头条、夸克智能浏览器等多个阿里重要业务。基于国内第二大通用搜索引擎和亿级用户数据，我们拥有深厚的技术沉淀和海量的日志数据。
19. 李旸 深觉智能
  • 报告题目：通用知识表达框架的数学基础
  • 内容摘要：知识体系是智能系统中极为重要的一环，而有关传统理论研究虽然历史悠久，但大多都是从哲学层面进行定义和考虑，还停留在基于文字的层面。目前人工智能的现状是基于数字和符号的计算，本talk探讨如何构建通用知识表达框架的数学基础，使知识体系能够被智能系统有机和有效利用，进而推动人工智能的发展。
  • 嘉宾介绍：李旸博士，本科毕业于清华大学电子工程系。 后在美国伊利诺伊大学香槟分校智能人机互动实验室，师从计算机视觉大师Thomas Huang 和人机对话之父Stephen E. Levinson教授，并获得自然语言理解领域的电子工程博士。 李旸博士在美国有多年的创业高科技企业研发带队的经验，从事过多媒体压缩和传输，基于区块链的分布式云存储系统等的算法研发和产品开发工作，拥有3项美国技术发明专利，多项技术创新。李旸博士在人工智能理论研究方面独树一帜，把物理哲学思想引入人工智能领域，拥有一套未公开的完整的人工智能核心理论，并重点研发人工智能理论在自然语义理解和智能对话系统中的应用。 李旸博士目前在国内创立了上海深觉智能科技有限公司，带领团队致力于研发通用人工智能引擎的核心算法，并把这一算法用于重点开发智能对话产品。李旸博士目前重点研究知识学的基础理论，通用知识表达框架，以及知识的自动生成方法。
20. 李子晋 中国音乐学院
  • 报告题目：音乐人工智能：发展与展望
  • 内容摘要：近年来音乐与人工智能结合发展迅速，本报告将概述人工智能在音乐创作制作、音乐表演、音乐教育、音乐研究等的应用情况，分类总结歌声信息处理、音乐处理、乐器识别等任务中涉及的声学技术、认知感知、信号处理、声音合成技术等概念、原理、应用、基本技术框架，并展望其未来发展趋势。
  • 嘉宾介绍：李子晋，中国音乐学院音乐科技专业副教授，音乐声学博士，麦吉尔大学国家公派访问学者。长期从事音乐科技相关科研与教学活动。发表期刊及会议论文近30篇，出版专著1部，获国家专利4项，主持和参与国家科技部基础项目《中国传统乐器声学测量及频谱分析》、国家艺术基金《中国传统乐器数字博物馆传播平台建设》、北京市社科基金《西山文化小镇声音景观设计研究》等10余项项目。参与组织全国乐器学研讨会、全国计算机声音与音乐技术会议（CSMT）中国传统音乐技术论坛、音乐人工智能发展研讨会等10余场学术会议及论坛。
21. 林会杰 网易有道
  • 报告题目：NLP与智慧教育
  • 内容摘要：本报告基于有道智慧教育系统AI技术，包括作业批改、自适应学习、口语评测，探讨计算机视觉、语音、自然语言处理等相关技术在教育领域中的应用。
  • 嘉宾介绍：林会杰，2011年和2016年在清华大学获得计算机学士和博士学位，主要研究兴趣包括情感计算、人机语音交互及移动计算。现任网易有道技术总监，负责有道语言翻译及教育类工具产品和智能硬件产品研发工作。
22. 刘青山 南京信息工程大学
  • 报告题目：视觉特征学习
  • 内容摘要：机器视觉的目标就是让机器能像人眼视觉系统一样自动‘’看懂‘’外部环境，因此是人工智能领域的一个重要研究方向。本报告将介绍机器视觉研究中特征学习方面的一些最新进展及其面临的问题，并重点从高维视觉特征表达和深度视觉特征学习两个方面，介绍我们团队近年来在目标检测、遥感图像分类等方面的研究进展。
  • 嘉宾介绍：刘青山博士现任南京信息工程大学教授、博导。2003年4月毕业于中科院自动化所模式识别国家重点实验室获博士学位，随后留实验室工作，2006年4月赴美国Rutgers大学访问、工作。2011年9月加盟南京信息工程大学。先后入选江苏省特聘教授、江苏省双创团队领军人才、江苏省优秀教育工作者、科技部中青年创新领军人才等。是江苏省人工智能学会副理事长、中国自动化学会模式识别与机器智能专委会副主任、中国计算机学会多媒体专委会和计算机视觉专委会常务委员等。主要研究方向为图像与视频分析、计算机视觉、和机器学习。先后主持承担国家杰出青年基金项目，国家自然基金重点项目、面上项目、江苏省杰出青年基金等。先后获2016年度教育部自然科学二等奖、2017年江苏省教学成果二等奖、2018年江苏省高校自然科学一等奖、和2018年中国电子学会自然科学一等奖等。
23. 刘武 京东AI研究院
  • 报告题目：Empowering Retailing Experiences with Computer Vision
  • 内容摘要：作为人工智能的眼睛，计算机视觉研究的发展正在对我们的生活和生产产生巨大的影响，其中包括整个零售业态。京东提出了“零售即服务”的概念，将零售定义为内容与交互的自然结合。在本次报告将展示京东AI如何通过研发计算机视觉技术，更好地感知和了解顾客、产品以及零售场景，从而对顾客提供更加自然、更个性化的交互服务，推动整个零售业的发展。
  • 嘉宾介绍：刘武，京东AI研究院高级研究员，ACM未来计算协会创始委员，中科院计算所博士。研究方向为多媒体与计算机视觉，在IEEE CVPR、ACM MM、IJCAI、AAAI、UBICOMP等一流国际会议和期刊上发表文章30余篇。获得过中国科学院优秀博士学位论文奖、中国科学院院长特别奖、国际会议IEEE ICME 2016 Best Student Paper、京东集团AI平台与研究部技术创新奖等，并入选2017年微软铸星计划。在JD率领团队获得过IEEE CVPR 2018全球人体姿态估计挑战赛两个任务的冠军。曾担任SCI期刊MTAP、MVA客邀编辑，国际会议ICME 2019 Web Chair， BIGMM 2018 Publicity Chairs，ICIP 2017、PCM 2016等分会主席。
24. 吕超 北京理工大学智能车辆研究所
  • 报告题目：智能车辆类人驾驶行为学习与建模
  • 内容摘要：随着智能系统理论和技术的快速发展，具有自主学习能力，能够学习人类驾驶经验和驾驶行为的智能车辆开始成为学者和公众共同关注的焦点。然而，现有的驾驶行为学习方法旨在通过模仿到达学习的目的，对数据依赖性强，不能有效地将已有的知识和经验迁移到新任务的学习中，具有学习效率低、泛化能力差的缺点，限制了其在复杂动态驾驶场景中的应用。本次报告将介绍一种针对智能车辆的驾驶行为建模与学习方法。该方法基于迁移学习（Transfer Learning），可以实现不同驾驶任务与驾驶员之间的知识迁移，大大提高了系统的学习效率和泛化能力。
  • 嘉宾介绍：吕超，北京理工大学智能车辆研究所讲师，2015年于英国利兹大学获博士学位。主要从事强化学习、驾驶行为建模、智能控制系统、智能车辆与智能交通系统的研究。主持国家自然基金项目和上汽联合基金重点项目，参与了包括欧盟COST组织项目，国家863课题等在内的多项国际和国内项目。发表SCI /EI收录论文20余篇 ，对深度学习和强化学习在智能交通系统中的应用有丰富经验。所在团队为无人车技术工业和信息化部重点实验室和无人平台科技创新团队。
25. 彭佩玺 中国科学院自动化研究所
  • 报告题目：Unsupervised Cross-dataset Transfer Learning for Person Re-Identification
  • 内容摘要：The problem of Person Re-identification (ReID) is to associate pedestrians captured from multiple non-overlapping cameras. It has many important applications in video surveillance such as person search or cross-camera tracking. Most existing person ReID approaches follow a supervised learning framework， in which a large number of labelled matching pairs are required for training. This severely limits their scalability in real-world applications. To overcome this limitation, we introduce a novel unsupervised cross-dataset transfer learning method to person ReID, which aims to transfer discriminative representations from the labeled source dataset collected from elsewhere to the unlabeled target dataset. The experimental results on several benchmarks demonstrate the proposed method can achieve state-of-the-art performances.
  • 嘉宾介绍：Peixi Peng received the B.S. degree of Mathematics and Applied Mathematics from Xi’an Jiaotong University in 2010. He received the ph.D. degree of Computer Applied Technology from National Engineering Laboratory for Video Technology of Peking University in 2017. At present, he is an assistant researcher in the Institute of Automation of the Chinese Academy of Sciences. His research interests include the machine learning and computer vision. As the first author, he has published more than 5 papers in the top international conferences and journals. Also, he was ranked as one of the best performers in NIST TRECVID SED tasks and IEEE PETS.
26. 彭 鹏 启元世界
  • 报告题目：启元决策智能平台与多智能体机器人竞赛
  • 内容摘要：近年来，以深度强化学习为代表的新一代的智能决策技术，在围棋、Dota2以及星际争霸、机器人等多个行业先后取得突破。但是，深度强化学习也由于其探索效率低、训练收敛性差以及复现难度大等问题饱受质疑。启元世界历时两年搭建的支持单智能体和多智能体决策训练平台，可同时训练上百个决策智能体，具备配合智能资源分配以及自动调参的元学习方法，使得智能体的能力Skill能稳定提升与叠加。本报告将以启元世界参加2018年NeuraIPS 的AI for prosthetics以及Pommerman比赛中所用的技术为例，介绍启元世界智能决策平台中包括持续学习（Continual Learning）以及多智能体博弈优化 (Multiagent Policy Optimization)等多项核心技术。
  • 嘉宾介绍：彭鹏，香港科技大学博士，前阿里巴巴算法专家，目前为启元世界研究科学家，专注于深度强化学习和智能决策的研究与应用。2016年，作为国内最早使用深度强化学习研究星际争霸的阿里认知计算实验室核心成员，与UCL合作发表BiCNet，受到DeepMind、牛津大学等国内外同行的引用与高度评价。
27. 齐路 数美科技
  • 报告题目：TBA
  • 内容摘要：TBA
  • 嘉宾介绍：TBA
28. 马利庄 上海交通大学人工智能研究院、华东师范大学计算机与软件学院
  • 报告题目：计算机视觉最新进展
  • 内容摘要：由数字化技术催生互联网、电子商务，再催生大数据、云计算，从而催生深度学习技术、形成风起云涌的人工智能理论与应用。本报告从产学研创新合作的角度阐释了深度学习技术的理论突破，以及人工智能技术在语音技术、人脸识别、图像识别方面应用的重大突破，重点以计算机视觉相关的人脸识别与图像识别为例，展示人工智能技术无比广阔的应用前景，人工智能润物无声地渗透到我们生活的每个角落、改变社会的演变方式。
  • 嘉宾介绍： 马利庄，理学博士，博士生导师，国家杰出青年基金获得者，华东师范大学特聘教授、多媒体与视觉实验室主任，上海交通大学特聘教授、上海交通大学人工智能研究院副院长、上海中医药大学信息科学与技术中心主任（兼）、上海交大-商汤科技联合“深度学习与计算机视觉”实验室主任、上海深度人工智能联合创新中心主任、中国人工智能学会理事、“智能CAD与数字艺术专委会”副主任、中国图像图形学会理事、“动画与数字娱乐专委会”主任；中国青年科技奖、国家教育部科技进步奖获得者；国家“百千万人才工程”（第一、二层次）首批人选。 
29. 钱若函 百度凤巢
  • 报告题目：大规模广告拍卖机制设计
  • 内容摘要：广告拍卖机制设计是大规模在线广告系统的基石，其目标是通过制定广告分配、计费策略，解决在多智能体环境中的多目标优化问题。本次报告剖析拍卖机制设计的一般问题和行业应用挑战，给出拍卖机制设计在在线广告拍卖领域的关键解决方案。
  • 嘉宾介绍：钱若函，百度凤巢拍卖机制技术负责人。主要研究领域包括算法博弈论、机制设计、深度学习、强化学习等。推动凤巢从GSP机制升级到序列拍卖机制，实现凤巢拍卖的页面级别激励兼容和全局优化；推动实现凤巢基于深度强化学习的自动拍卖机制设计，解决复杂拍卖场景下多目标优化的机制问题。
30. 秦曾昌 Keep
  • 报告题目：运动科技与人工智能
  • 内容摘要：在无线互联网经济发达的时代，可以不离开沙发而触摸到整个世界。我们可以看电影、电视和娱乐节目，可以秒杀很多商品，可以在游戏的世界里面驰骋纵横，也可以打车和点外卖。科技的发展某种层面只关心人们的大脑，然而实际上人们的躯体与大脑一样重要，只有有了健康的体魄才有人的一切。 本报告将基于机器学习、数据挖掘算法讨论Keep的运动科技与用户体验。
  • 嘉宾介绍：秦曾昌，Keep首席科学家，人工智能研究院院长；英国布里斯托(Bristol)大学硕士、博士；美国加州大学伯克利分校 (UC Berkeley) 博士后。曾在英国牛津 (Oxford) 大学与美国卡内基梅隆大学 (CMU) 做访问学者。主要研究方向为人工智能，曾在包括机器学习、不确定性建模、自然语言处理、多媒体检索、计算博弈与医疗影像分析等领域出版英文专著1本、论文集2本与专业论文近100篇，引用过千次。兼任果壳网科学顾问，曾参与我国第一次太空授课专家团。是国内科技创新大赛、机器人大赛、小小科学家等青少年科技创新比赛评委，出版翻译科普著作2本。
31. 邱从贤　阿里巴巴
  • 报告题目：Apache Flink赋能机器学习
  • 内容摘要：本报告基于Apache Flink赋能机器学习，包括特征提取、行为识别、模型训练、迭代计算、实时预测等。
  • 嘉宾介绍：邱从贤，Apache Flink Contributor，向社区贡献了状态数据多线程上传和下载的功能，序列化器迁移等相关代码，正在对状态存储做重大重构。目前任职阿里巴巴高级工程师，主要从事 Flink 中状态管理相关工作。
32. 宋士吉 清华大学自动化系
  • 报告题目：基于强化学习的深海机器人水下作业与运动控制方法
  • 内容摘要：深海机器人一直以来都是深海勘探的核心工具之一，搭配多种传感设备和作业工具可代替人完成危险且复杂的水下作业。但是，水下复杂的水动力学环境及感知环境给深海机器人的自主作业带来了巨大的挑战，为本领域研究提供了很多热点方向。本报告结合近几年来强化学习方法及其各应用领域取得的主要进展，重点阐述强化学习在深海机器人水下作业和运动控制两个领域的理论及应用成果，主要包括：（1）在水下机器人动力学模型缺失的条件下，基于强化学习方法的精准运动控制。（2）在递归神经网络和机器人好奇心机制下，基于强化学习方法的热液羽状流的追踪。（3）在复杂感知输入的水下作业环境下，基于分层强化学习结构的水下机器人作业控制及其应用。
  • 嘉宾介绍：宋士吉，清华大学自动化系教授、博士生导师。1996年获得哈尔滨工业大学基础数学专业博士学位。1996年至2000年，分别在中国海洋大学、东南大学两次完成博士后研究。长期致力于复杂生产线智能优化与调度方法、鲁棒随机分层优化建模与分析求解方法、机器学习理论方法及其应用等方向研究。担任IEEE Transactions on Systems， Man， and Cybernetics: Systems编委，国际期刊The Scientific World Journal: Operations Research编委；曾任《中国科学-信息科学》与《自动化学报》等期刊编委。在国内外重要学术期刊会议发表论文240余篇，其中IEEE Transactions 系列期刊长文、国内外著名期刊SCI检索论文120余篇，其中高被引论文5篇；论文在Web of Science中被他引超过1600次，已授权或申请发明专利22项。近五年来，主持国家自然科学基金钢铁联合基金重点项目、重大科学仪器研制项目、面上项目、科技部863项目、教育部博士点基金优先发展主题、中国大洋协会信息系统项目累计20余项。获得2018年中国人工智能学会自然科学一等奖、2016年教育部高等学校自然科学二等奖奖、2017年中国自动化学会教学成果一等奖。获得2006年江苏省自然科学一等奖、2007年教育部高等学校自然科学二等奖。
33. 宋双永 阿里小蜜
  • 报告题目：阿里小蜜中的情绪回复能力
  • 内容摘要：情感机器人，即用人工方法和技术赋予机器人以人类式的情感，使之具有表达、识别和理解喜乐哀怒，模仿、延伸和扩展人的情感的能力。同时，情绪理解能力和情绪回复能力是机器人在类人能力上的重要体现。本报告针对客户情绪安抚、情绪生成式语聊和基于情绪分析的客服服务质检，提出阿里小蜜的情绪回复能力解决方案。
  • 嘉宾介绍：宋双永，阿里巴巴小蜜情感语聊算法负责人，智能服务事业部算法专家，致力于智能对话中的情绪回复能力以及开放域语聊能力的算法研究和业务场景落地，在机器学习和自然语言处理领域积累了多年的实战经验，发表了多篇学术文章和专利。
34. 孙立喆 宜人贷
  • 报告题目：数据服务平台建设
  • 内容摘要：本报告针对数据服务平台建设过程中的困难，通过搭建关键功能特性，建立宜人贷数据服务平台。
  • 嘉宾介绍：孙立喆，墨尔本皇家理工大学硕士，长期大数据平台建设以及数据工程等相关工作，目前就职于宜人贷，数据架构师，负责宜人贷数据服务平台的搭建工作。
35. 孙鑫伟 微软亚洲研究院
  • 报告题目：Generalized Split LBI and its Applications
  • 内容摘要：Abstract. In this talk, I will introduce a novel algorithm which aims to recover the signal with structural
  • sparsity under generalized linear model. It’s the combination of variable splitting and Linearized Bregman Iteration and can work with general loss function, we hence call it Generalized Split LBI (GSplit LBI). It’s proved to be equivalent to Mirror Descent Algorithm with specifically designed Bregman Distance. Rather than lasso which should pre-set a grid of regularization parameters, it can return a regularization solution path. In addition to such a simplicity, a path theory of model selection consistency can be ensured equipped with an early stopping and under weaker irrepresentable condition compared with generalized lasso. Furthermore, some l2 error bounds with Minimax Optimal Rate will also be introduced. Finally, I will present the applications of the proposed algorithm onto Alzheimer’s Disease and few-shot learning.
  • 嘉宾介绍：Xinwei Sun, Associate Researcher in Microsoft Research Asia. He received Phd from Peking University. During PhD, his research topics mainly focus on features selection in high dimensional data, statistical machine learning, with applications on medical imaging analysis, zero-shot learning, partial order ranking and deep learning. Recently, he is interested in applying statistics and optimization to theoretically understand the generalization power of existing deep learning models (e.g. CNN, ResNet and DenseNet). Such an understanding can provide insight for the development of new models, e.g. the compression of deep learning models, i.e., the propose of sparsity model with comparable predictive accuracy, reachability analysis, automatically tuning of hyper-parameters in deep learning models, etc.
36. 汪镭 同济大学电子与信息学院
  • 报告题目：算法作曲中的智能体验
  • 内容摘要：随着计算机的出现，计算机算法作曲应运而生。同样，算法作曲也是一系列的计算规则的集合，而目标则是将多个音乐片段加以合理组合，形成一个有机整体，给人以乐曲的美妙感受。算法作曲的最终目的，是试图使用某个形式化的过程，尽量使在当前计算平台的有限艺术能力条件下，利用其巨大的计算执行力，使进行音乐创作时的复杂人为介入程度达到最小，专注于艺术性的创作进程。目前在算法作曲领域的主要流行技术有：马尔科夫转换表、人工神经网络、音乐计算文法、遗传算法和随机过程等，各算法都有其自身的优点和问题。目前各类算法作曲主要存在的问题包括：音乐创作的风格问题替代；音乐知识的表达问题替代；创造性和人机交互问题实现；音乐作品的主客观评价问题等。我们针对以上问题，设计了一种新型的智能作曲系统，并通过仿真验证了该系统的可行性。首先，总结了自算法作曲诞生以来的典型作曲算法研究现状。分析典型作曲算法的优势与缺点。综合现有方法，给出了一种新型智能作曲系统的设计依据与总体框架模式。其次，基于隐马尔科夫模型的音乐知识表达模型构造及分析。总结了现有马尔科夫作曲算法的不足。基于隐马尔科夫模型，构建新型音乐结构学习与创作模 型，给出了参数训练过程。设计了基于隐马尔科夫模型的新型作曲算法。第三，回顾分析了算法作曲领域中对音乐评价的主流方法。给出了一种新颖的基于朴素贝叶斯分类的音乐评价方法。通过学习样本的数字分布特征，训练一个朴素贝叶斯分类器，根据分类结果，为待评价乐曲赋予一个量化的适应度函数值，减少作曲系统的人工参与程度。第四，设计基于交互式遗传算法的作品优化算法。以音乐合理性与用户需求为目标，构造新型的作品评价方法。利用交互式遗传算法对生成作品进行优化，使生成的作品更加符合音乐合理性，并可满足用户的个性需求，给出整个智能作曲系统框架，并用仿真实验验证该系统学习数据样本的有效性，生成符合音乐和理性知识，并满足用户需求的音乐作品。
  • 嘉宾介绍：汪镭，同济大学电子与信息学院教授，博士生导师，现任上海市科协委员会委员，国际电气与电子工程师学会（IEEE）上海分会副主席，中国人工智能学会理事兼自然计算及数字智能城市专业委员会秘书长，上海市人工智能学会理事兼秘书长，上海市微型电脑及应用学会理事兼副秘书长，上海市思维科学学会理事，中国自动化学会智能自动化专业委员会委员。
37. 王晓博 阿里大文娱
  • 报告题目：多模态视频分析技术研究
  • 内容摘要：TBA
  • 嘉宾介绍：王晓博，北京航空航天大学计算机学院数据挖掘方向博士。先后在百度、搜狗商务搜索部门从事算法策略研发工作。2015年加入阿里组建猜你喜欢算法团队，将猜你喜欢打造为手淘第一大导购场景，成为淘宝平台导购流量分发的核心入口。2018年起负责优酷算法中心，组建认知实验室，推出了多模态搜索推荐引擎、视频理解与智能生成平台等系列产品。主要研究方向为大规模分布式机器学习算法、多模态交互搜索推荐系统、算法博弈论。
38. 韦春阳 Hulu
  • 报告题目： 视频广告算法技术
  • 内容摘要：Hulu是一家美国的提供专业视频点播与直播的服务平台，商业广告是Hulu的重要变现手段之一。视频网站中的广告以合约担保式、品牌类广告为主，本报告运用机器学习、人工智能技术，设计Hulu广告系统解决方案，包括精准广告定向、广告流量匹配、广告库存预估等，帮助广告业务更加高效的运转。
  • 嘉宾介绍：2012年从北京大学硕士毕业后加入Hulu，目前担任智能广告算法团队负责人。有6年的计算广告领域的从业经验，致力于利用机器学习、人工智能技术来推动Hulu广告业务的发展，负责包括精准广告定向、广告流量匹配、广告库存预估、广告转化率优化等项目。
39. 魏雅文 小马智行
  • 报告题目：自动驾驶研发中的数据潜能挖掘
  • 内容摘要：TBA
  • 嘉宾介绍：魏雅文，小马智行数据总监。清华大学电子工程系学士，爱荷华州立大学计算机工程博士。毕业后在加州领英就职七年，是广告组的初创成员，担任构架师和工程项目lead, 领导并成功交付了多个大型工程项目，包括广告多币种，广告国际化，广告索引和服务，广告定位，商业帐户，广告审核，广告跟踪，预算控制，欺诈预防，客户服务工具，Feed流赞助内容，广告渲染引擎，和视频广告等等，为LinkedIn广告业务贡献了巨额收入。 后来加入Uber，负责实时调度部门多个工程团队，连接数乘客司机并建立可扩展性平台以支持Uber的多种商业业务。于2018年加入小马智行并负责数据团队，来解决无人车大数据带来的各种挑战。
40. 吴焦苏 中国科学院人工智能联盟标准组
  • 报告题目：Harmonic Gamedynamics
  • 内容摘要：TBA
  • 嘉宾介绍：John J.S. Wu is a member of Ethical Standards Group of Artificial Intelligence Alliance of Chinese Academy of Sciences (AIACAS) and an expert of “Artificial Intelligence Ethics” research program of the Academic Divisions of the Chinese Academy of Sciences (CASAD). His current research interests focus on Gamedynamics---an innovative area of mathematical foundation of artificial intelligence. Inspired by John von Neumann and Robert Aumann, he has been developing a general theoretical framework of the Strategic Correlativity Principle(SCP) and Graceful AI Theory over recent seventeen years. In addition to more than 30 articles and working papers, he is co-author of four books. His papers were cited by the scientists from Google,  Stanford University, Cornell University, Stockholm University, etc. He was an invited speaker and/or a keynote speaker of many conferences. He is a program committee member and also organized and/or co-organized a serial of top academic conferences. He serves as a member or council member of many scientific organizations.
41. 吴阳平 阿里云
  • 报告题目：HBase X-Pack赋能AI平台
  • 内容摘要：随着互联网的快速发展，产生了多种业务场景，这些业务场景需要多种数据库存储不同的数据，比如KV数据、时序数据、图数据以及时空数据等。维护数据库维护成本极高，因此本报告探索阿里云HBase X-Pack解决多种数据存储问题，赋能AI平台。
  • 嘉宾介绍：吴阳平，阿里云HBase X-Pack 首席架构师，中国HBase 技术社区负责人。多年大数据经验，对Hadoop、Spark、HBase等技术非常感兴趣。过往记忆大数据技术博客（https://www.iteblog.com/）博主。
42. 夏颉 阿里大文娱
  • 报告题目：流量效率最优化—大规模视频推荐在线决策算法
  • 内容摘要：在优酷的大规模视频推荐场景中，我们往往面临着一个基本问题：如何针对新入内容（长视频和短视频）进行有效地内容冷启动，提高宣发质量，实现流量效率最大化。针对这个问题，我们建立了优酷在线决策流量优化平台，一方面能够根据运营诉求实现了多场景多目标流量调控，满足新热大剧从宣发->分发不同阶段的不用运营诉求；另一方面，我们实现了海量短视频的高效率内容冷启动，保证了新产生内容快速透出的同时，大幅提升了线上流量的使用效率。
  • 嘉宾介绍：夏颉，浙江大学计算机学院CAD&CG国家重点实验室博士，发表国际顶级会议/期刊论文20余篇，担任NIPS、ICML、AAAI、IJCAI、CVPR等国际顶级学术会议程序委员会委员，及TPAMI、TIP、TNNLS、TKDE和TMM等国际顶级期刊审稿人；首届百度奖学金获奖者之一，先后在百度研究院和滴滴研究院担任大规模机器学习算法研发工作，2017年底加入阿里巴巴，当前主要负责优酷智能视频推荐和内容理解业务。
43. 谢广明 北京大学工学院
  • 报告题目：深度强化学习在仿生机器鱼的运动控制算法设计: 一个初步尝试
  • 内容摘要：仿生机器鱼以鱼类为仿生对象，在一定程度上复现了鱼类机动灵活的水中运动能力。但如何设计其运动控制算法，让其按照事先设定的意图运动，至今没有很好的解决方案。原因主要有两点：一是机器鱼自身的精确的动力学模型难以获得，二是始终存在复杂时变的流体环境干扰。我们尝试提出一套深度强化学习结合计算流体力学仿真的运动控制算法设计方案，以水下仿生机器人的路径跟踪问题作为典型案例，对所提出的方法进行有效性验证。
  • 嘉宾介绍：谢广明 北京大学工学院教授、博士生导师。先后主持包括重点项目在内的多项国家自然科学基金项目，参与多项973、863项目。先后获得国家自然科学奖二等奖、教育部自然科学奖一等奖等多项奖励。先后担任中国自动化学会机器人竞赛工作委员会副主任，中国系统仿真学会智能物联系统建模与仿真专业委员会委员、中国生产力促进协会服务机器人专业委员会委员等。是《Scientific Reports》等多个国际国内的编委。研究兴趣包括复杂系统动力学与控制，智能仿生机器人与多机器人协作等，发表SCI论文百余篇；2014-2018连续入围爱斯维尔中国高被引学者；获得二十余项发明专利。在科研之余，积极促进机器人产学研工作，是国际水中机器人大赛的创立者，国际水中机器人联盟主席，曾接受中央电视台《新闻联播》的采访报道，多次被包括中央电视台、北京电视台在内的各种媒体专访报道。
44. 熊超 滴滴AI Labs
  • 报告题目：出行场景智能客服的NLP技术
  • 内容摘要：AI在出行场景智能客服中发挥着不可或缺的作用。本报告针对智能客服机器人、热线IVR、智能路由以及智能辅助等场景，探索智能解决方案。
  • 嘉宾介绍：熊超，2010年毕业于北京航空航天大学模式识别与智能系统专业。毕业后加入腾讯从事搜索广告算法策略研发工作。2013年加入阿里巴巴从事智能人机交互方向。2017年加入滴滴，组建智能客服算法团队，主要研究方向为多轮对话，问答，智能辅助，强化学习和智能推荐。担任顶级期刊和学术会议，如TKDE，KDD等审稿人。多项智能客服领域技术专利发明人，专利覆盖多轮对话、问答、闲聊、智能预测等。
45. 徐潇然 Hulu
  • 报告题目：探究符号逻辑与深度学习的融合
  • 内容摘要：推理、知识图谱诞生于人工智能符号派阵营，深度学习则是神经网络在新时代的高峰。这看似水火不相容的对立，最终能否走向统一，在执彼此之手中会给AI带来一个什么样的未来？在令众生憧憬的道路上，还有哪些需要逾越的鸿沟？本报告从历史到当下，给出我们的答案。
  • 嘉宾介绍：徐潇然，毕业于北京大学智能科学系，2013年赴美国加州大学洛杉矶分校学习人工智能专业，两年博士学习后弃学回国创业，而后在360人工智能研究院做深度学习算法工程师，现在Hulu北京的研究员岗位上从事推荐推理方向的深度学习和强化学习研究，研究点主要关注在具有可解释性的可微推理(Differentiable Reasoning)和随机推理(Stochastic Reasoning)，先后提出了Backprop-Q随机计算图上的通用反向传播计算框架，和基于注意力流(Attention Flow)的可微推理模型。
46. 许家铭 中国科学院自动化研究所
  • 报告题目：语音交互中的鸡尾酒会问题和多模态认知
  • 内容摘要：智能语音交互近些年取得了重要进展，已经从“不可用”变为限定场景的“基本可用”，而目前制约其向泛场景“很好用”转换的两大技术瓶颈为语音交互前端的听觉感知和后端的语言认知。本报告围绕前后端的两大技术瓶颈展开，介绍借鉴类脑机制和进化博弈在听觉的鸡尾酒会问题和语言为核心的多模态认知方面的探索性成果，并进一步给出相关研究存在的问题以及可能的研究方向。
  • 嘉宾介绍：许家铭，中国科学院自动化研究所副研究员。主要研究方向为智能问答与人机对话。目前承担或参与国家及相关部委科研项目8项，包括国家自然科学基金、中国科学院战略性先导科技专项以及北京市科技重大项目等。在AAAI, IJCAI, ACL, EMNLP, COLING, NAACL以及Neural Networks等国际会议和期刊上发表论文30余篇。申请国家发明专利10项。目前兼职中文信息学会青年工作委员会委员，以及IEEE Trans, AAAI, ACL, COLING等期刊和会议程序委员会委员或审稿人。
47. 薛向阳，复旦大学计算机科学技术学院　
  • 报告题目：基于可学习深度先验的视觉概念解析
  • 内容摘要：深度学习在图像目标分类识别等一些特定任务上达到甚至超越了人的水平。然而，大多数成功的深度学习模型面临小样本、可解释性差等问题。与深度学习模型识别图像内容的机制不太一样，人在识别图像内容时，常将一幅图像场景分解为若干具体和抽象的视觉概念（物体），因为无论多复杂的图像场景都是由比较简单的视觉概念（物体）组合而成的。受此启发，最近有学者提出了用组合式隐变量来表示并解析图像场景。本报告将首先回顾视觉概念解析的最新研究进展，然后介绍我们最近提出的可学习深度先验方法，它能利用深度神经网络将组合式的隐变量转换为图像像素先验分布。研究表明，该先验分布学习了以往见过的视觉概念（物体），可帮助在未见过的场景中更好地完成视觉概念的解析，在合成图像数据实验上取得了良好性能。我们正努力将该方法用于自然图像场景解析，期望能缓解当前深度学习模型面临的难题。
  • 嘉宾介绍：薛向阳，复旦大学计算机科学技术学院教授。他当前研究领域为多媒体信息处理、计算机视觉与深度学习等，主要关注视觉目标检测与识别方法。发表学术论文200余篇，其中包括CCF推荐A类会议长文及重要国际期刊论文60余篇，获2016年IEEE TMM最佳论文提名奖和2017年国际会议ICME最佳论文奖。他是中国计算机学会杰出会员、中国图像图形学学会常务理事。他还担任《计算机研究与发展》、《计算机科学与探索》等期刊编委。
48. 杨强 香港科技大学、微众银行
  • 报告题目：数据孤岛，AI 向善与联邦迁移学习
  • 内容摘要：「AI 向善」是一个重大的议题，是当天论坛要聚焦的对 AI 系统至关重要的数据治理问题：数据越多，AI 系统的表现就越好，而这样的话就会造成数据和 AI 的寡头，例如 Google 以及国内的BAT等大公司，拥有巨量数据。而与之相对的则是小公司所面临的小数据场景，例如法律、金融、医疗大部分应用场景都存在小数据和「数据孤岛」的问题。杨强教授从技术上提出了一些解决方案。
  • 嘉宾介绍：杨强，微众银行首席人工智能官，香港科技大学讲座教授及前计算机系主任，前华为诺亚方舟实验室主任，AAAI 国际人工智能协会常务理事，IJCAI 国际人工智能联合会理事会主席，香港人工智能与机器人学会理事长，同时也是ACM 和 IEEE 在内的多个国际知名期刊的主编和学会的 Fellow。
49. 于建岗 绿湾科技
  • 报告题目：AutoML Platform的打造与落地
  • 内容摘要：Lvwan机器学习平台（Lvwan Focus）是绿湾自主研发的高效、简洁、易用的新一代机器学习平台。平台基于机器学习算法，为各行业提供一体化大数据解决方案。用户使用机器学习平台可以快速搭建机器学习算法模型，通过算法模型指导业务落地。机器学习平台具有可视化的界面、模块化算法因子、拖拽式的任务流以及灵活设置的算法参数，让用户通过简单的操作就可以完成模型的训练、评估和预测。平台适用于需要将机器学习应用于日常工作的用户，用户基于机器学习平台可以在短时间内搭建例如：商品推荐、金融风控、语义识别等业务模型。本talk将基于Lvwan Focus的架构设计与理念，提供行业AI解决方案。
  • 嘉宾介绍：于建岗博士，原美国微软总部架构师，百度主任架构师，科学家。于2007年在美国加州⼤学取得计算机专业博⼠学位，曾供职于美国微软公司总部从事互联⽹⼴告的机器学习⼯作；加入百度后主导设计上线了百度凤巢新⼀代点击率预估系统，是国内外⾸次利⽤⼤规模深度学习算法来做点击率预估的系统。
50. 詹坤林 58集团AILab
  • 报告题目：智能语音机器人提高人效
  • 内容摘要：智能语音机器人，即利用语音识别、语义理解和语音合成技术赋予机器多轮对话交互能力，使之能模拟真人与用户对话，识别和理解用户的会话意图，它被广泛应用于企业自动电话销售、产品推广、服务通知等多种业务场景，能为企业提高人效，节省大量人力成本。本报告将提出58同城智能语音机器人完整解决方案，提高销售、运营和客服上的人效。
  • 嘉宾介绍：詹坤林，58集团AI Lab负责人，算法高级架构师，负责推动AI技术在58生活服务行业的落地，为58集团打造全面AI能力。目前负责主要产品包括智能问答机器人、智能语音机器人、智能写稿机器人、AI算法平台等。硕士毕业于中国科学院大学，研究方向为数据挖掘，曾任腾讯高级工程师，负责微博、新闻推荐算法研发。
51. 张峥 上海纽约大学 AWS上海AI研究院
  • 报告题目：Deep Graph Made Easy (and faster)
  • 内容摘要：All real-world data has structures that are best described as graphs. If there is one data structure for deep learning algorithms, graph would be the foremost candidate. The graph structure can be either explicit, such in social networks, knowledge graphs, and protein-interaction networks, etc., or latent and implicit, as in the case of languages and images. Leveraging and discovering graph structures have many immediate applications and also serves as a futile ground for the next generation of algorithms.This talk begins with a general survey of deep graph learning, and then we will discuss a few new research work at AWS Shanghai AI Lab in this direction. We will introduce DGL, an open-source platform designed to accelerate research in this new emerging field, with its philosophy to support graph as the core abstraction and take care to maintain both forward (i.e. supporting new research ideas) and backward (i.e. integration with existing components) compatibility. DGL enables arbitrary message handling and mutation operators, flexible propagation rules, and is framework agnostic so as to leverage high-performance tensor, autograd operations, and other feature extraction modules already available in existing frameworks. DGL carefully handles the sparse and irregular graph structure, deals with graphs big and small which may change dynamically, fuses operations, and performs auto-batching, all to take advantages of modern hardware. DGL has been tested on a variety of models, including but not limited to the popular Graph Neural Networks (GNN) and its variants, with promising speed, memory footprint and scalability.
  • 嘉宾介绍：Zheng Zhang is Professor of Computer Science, NYU Shanghai; Global Network Professor, NYU. He also holds an affiliated appointment with the Department of Computer Science at the Courant Institute of Mathematical Sciences and with the Center for Data Science at NYU's campus in New York City. Prior to joining NYU Shanghai, he was the founder of the System Research Group in Microsoft Research Asia, where he served as Principle Researcher and research area manager. Before he moved to Beijing, he was project lead and member of technical staff in HP-Labs. He holds a PhD from the University of Illinois, Urbana-Champaign, an MS from University of Texas, Dallas, and a BS Fudan University.Zhang’s research interests are theories and practices of large-scale distributed computing and its intersection with machine learning, in particular deep-learning. He has published extensively in top system as well as machine learning conferences (OSDI, Eurosys, NSDI, NIPS, CVPR etc.), and is also known for his column “Zheng Zhang on Science,” which is published in Chinese Business.Zhang is a member of the Association for Computing Machinery and founder of the SIGOPS APSYS workshop and the CHINASYS research community. He served regularly as PC members of leading system conferences. During his tenures in industrial labs, he was awarded 40 patents and made numerous contributions to product lines. He has several Best Paper awards as well as awards for excellence from Microsoft and HP-Labs. Professor Zhang's works can be found on his Google Scholar Page (https://scholar.google.com.hk/citations?user=k0KiE4wAAAAJ&hl=en).Zhang was founder and advisor for DL platforms such as MXNet (https://mxnet.apache.org/), MinPy (https://github.com/dmlc/minpy) and most recently DGL (https://www.dgl.ai/), bringing deep learning practise to graph (see his github page (https://github.com/zzhang-cn)) As of fall of 2018, Professor Zhang is taking a leave of absence and has joined Amazon AWS, taking the role of Director of AWS Shanghai AI Lab.
52. 周国睿 阿里妈妈
  • 报告题目：电商数据下模型的挑战与发展
  • 内容摘要：CTR（点击率）预估是一个计算广告和推荐系统中的核心问题。近年来，随着硬件技术持续进步，深度学习技术飞速发展，伴随着互联网数据收集能力的提高，数据驱动模型为预估技术带来了革命性的改变。本报告，将从阿里妈妈定向广告预估技术演进的视角，回顾我们在预估技术深度学习化研究中所做的努力与探索，以及相应的代表性成果。同时分析现有广告/推荐系统的不足，展望下一代推荐/广告系统的挑战。
  • 嘉宾介绍：周国睿，北京邮电大学硕士。研究领域包括大规模机器学习、自然语言处理、计算广告、推荐系统等。现负责定向广告预估方向模型算法研发，同时是阿里巴巴自研深度学习框架XDL核心开发者。研究成果发表于KDD/AAAI/CIKM等会议，其研究工作均落地于实际系统。
53. 周文彪 途家网
  • 报告题目：民宿推荐中的Embedding技术
  • 内容摘要：民宿越来越成为旅游消费的新热潮，作为国内最大的民宿平台，途家在应用AI技术进行个性化商品推荐方面进行了不少探索。民宿行业的数据，具有用户消费频次低，用户兴趣点不好描述等特点，基于内容和普通协同过滤的方法效果都不明显，受graphic embedding， word2vec的启发， 我们运用embedding技术有效建立了商品之间的相似关系，运用在物物相似推荐场景通过AB测试效果明显胜出。
  • 嘉宾介绍：周文彪，对机器学习算法在商业上的落地有浓厚兴趣，在智能客服，自动化审核和个性化推荐算法方面有较多实践。从15年开始先后在去哪儿网和途家网负责排序和推荐方面的算法工作；搭建去哪儿大搜猜你喜欢推荐系统和途家排序及推荐系统，为公司流量转化提升做出重要贡献。
54. 朱宏图 滴滴出行
  • 报告题目：AI for Market Place with Applications to Ride Sharing Business
  • 内容摘要：In this talk, we introduce a general AI for market place analytical framework with applications in ride sharing business. This framework integrates some fundamental statistical methods, including experiment design and causal inference, with modern machine learning methods, such as deep learning and reinforcement learning. This framework not only makes statistical inference on a particular policy, but also optimizes a set of policies for a complex system. For instance, we introduce a novel class of equilibrium metrics (EMs) to quantify spatial balance of dynamic demand and supply networks defined on the same graph. It is primarily motivated by measuring the local and global spatial coherence between demand and supply patterns in large- scale ride-sharing platforms, such as Uber. The two key com- ponents of EM are to formulate the spatial coherence problem as an unbalanced optimal transport problem and to develop an efficient linear programming algorithm to solve such transport problem. Moreover, our EM measures the local (or global) distance between demand and supply patterns after the optimal transport, while incorporating the related trans- porting cost. Moreover, we establish the causal inference framework for dynamic process in order to introduce a set of statistical methods for evaluating various polycies used in ride sharing business. In addition, we model the ride dispatching problem as a Markov Decision Process and propose learning solutions based on deep Q-networks with action search to optimize the dispatching policy for drivers on ride-sharing platforms.This is a joint work with Zhaodong Wang, Zhiwei (Tony) Qin, Xiaocheng Tang, Jieping Ye, Sikai Luo, and Fan Zhou.
  • 嘉宾介绍：Dr. Zhu joined DiDi in 2018 from his position of Endowed Bao-Shan Jing Professorship in Diagnostic Imaging and a tenured professor of biostatistics at MD Anderson Cancer Center and a tenured professor of biostatistics at University of North Carolina at Chapel Hill. Dr. Zhu is leading DiDi’s statistical cognitive team with AI scientists and engineers on the development of innovative solutions for the world’s largest transportation platform. Dr. Zhu got his Ph.D. degree in statistics from the Chinese University of Hong Kong in 2000. He is an internationally recognized expert in statistical learning, medical image analysis, precision medicine, biostatistics, artificial intelligence, and big data analytics. He has been an elected Fellow of American Statistical Association and Institute of Mathematical Statistics since 2011. He received an established investigator award from Cancer Prevention & Research Institute of Texas in 2016. He has published more than 250 papers in top journals, including Nature, Nature Neuroscience, PNAS, AOS, and JRSSB. He serves as a chair or area chair of top international conferences including AAAI and Information Processing in Medical Imaging, as well as an editorial board member of premier international journals, including Statistica Sinica, Annals of Statistics, and Journal of American Statistical Association.  
大会地点
  • 北京理工大学（中关村校区）
  • 中心教学楼一层、二层报告厅、7号楼报告厅、研究生院101报告厅

交通路线 
  1. 乘坐地铁 4 号线，在魏公村站下车，由 A 口出，从北京理工大学东门进入校园；
  2. 乘坐 563、645、运通 103 路在魏公村路东口站下车，从北理工小南门（或称东南门，附近有很多快递）进入校区；
  3. 乘坐 26、355、365 路等路线在三义庙站下车，从北理工北门进入校区。
进入校园以后，大家可以直接问可爱的同学或者导航到达，导航目的地为北京理工大学-中心教学楼。
主办单位
  • 中国科学院人工智能联盟标准组
  • 北京理工大学计算机学院
协办单位
  • 机器之心
  • DataFun
支持媒体
  • 中国科技网
识别下方二维码或点击阅读原文报名
继续阅读
阅读原文