2022年,第15届中国 R 会(北京)将于11月19-25日在中国人民大学召开,本次会议由统计之都,中国人民大学统计学院、中国人民大学应用统计科学研究中心主办,得到 Posit 赞助支持,将以线上会议和线下会议相结合的方式举办。欢迎进入 R 会官网,获取更多会议信息!
链接:
https://china-r.org/bj2022/index.html
下面为您奉上本次 R 会主会场演讲介绍,本会场主席为常象宇,吕晓玲
主会场
时间:2022年11月19日 上午8:30-11:40
腾讯会议号:696226349
腾讯会议链接:https://meeting.tencent.com/dm/UcyLhAME9aTD

线下会场:明德主楼1031
01
邓柯
用统计学方法破解自然语言密码
个人简介
邓柯,清华大学统计学研究中心长聘副教授。主要从事Bayes统计和统计计算方面的研究,并致力推动统计学与生物医学、人工智能、人文社科等领域的前沿交叉。北京大学应用数学学士(2003)、统计学博士(2008),哈佛大学博士后、副研究员(2008-2013)。2013年进入清华大学工作,2015年当选中国人工智能学会智慧医疗专业委员会副主任委员,2016年获“科学中国人年度人物”的荣誉称号,2017年当选中国现场统计研究会计算统计分会理事长、2018年当选中国青年统计学家协会副会长,2019年受聘担任北京“智源人工智能研究院”研究员,2020年荣获“世界华人数学家国际联盟”最佳论文奖和“中国数字人文大会”最佳论文奖。主持多项国家级项目,担任多个国内外知名学术期刊的副主编和编委。
报告摘要
理解自然语言是当代人工智能研究的一个关键问题。近年来,基于深度学习,特别是大规模预训练模型,的自然语言处理方法取得了重要进展,在机器翻译、文本生成等预测性任务上取得了良好的表现。但是,目前来看,这种完全依赖大数据和大算力堆积起来的“黑盒模型”还不能真正理解自然语言并对语言现象背后的本质机理进行揭示。我们另辟蹊径,从统计学习的角度出发,提出了一系列贝叶斯统计模型对自然语言的局部结构进行建模和解析。大量实际数据分析表明,这些方法可以在小数据、弱监督场景下,以可解释的方式有效揭示中文自然语言的局部语法语义结构,并在中文分词、命名实体识别、关系提取等重要任务上取得良好的效果。
02
孟德宇
Learning an Explicit Sample Weighting Mapping for Robust Deep Learning
个人简介
孟德宇,西安交通大学教授,博士生导师,任大数据算法与分析技术国家工程实验室统计与大数据中心副主任。发表论文百余篇,其中IEEE汇刊论文60余篇,计算机学会A类会议40篇,谷歌学术引用超过18000次。现任IEEE Trans. PAMI,Science China: Information Sciences等7个国内外期刊编委。目前主要研究聚焦于元学习、概率机器学习、可解释性神经网络等机器学习基础研究问题。
报告摘要
现有深度学习方法的有效性依赖于对训练数据集的高质量要求,当训练集呈现蕴含复杂标记噪声、类别不均衡等数据偏差问题时,其有效性往往不能得以保证,这被称之为深度学习的鲁棒性学习问题。这一问题已经严重制约了深度学习在现实场景中的有效应用,是领域亟需面对的瓶颈问题。本报告将特别针对样本加权这一类典型的处理数据偏差的方法论展开讨论,介绍该方法论从针对少量数据偏差类型的传统手工赋权设定方法,如何演进到更为前沿的针对更多数据偏差类型的自动化赋权方法。特别地,将深入讨论在该方法论背后蕴含的元学习思想本质,挖掘其有效性理论内涵,从而揭示其可能对现实场景中复杂鲁棒深度学习问题的潜在泛化可用性。
03
魏哲巍
谱域图神经网络理论基础
个人简介
魏哲巍,教授,博导,入选国家高层次青年人才计划。研究方向为大数据算法理论、图机器学习。2008年本科毕业于北京大学数学科学学院,2012年博士毕业于香港科技大学计算机系;2012年至2014年于奥胡斯大学海量数据算法研究中心担任博士后研究员,2014年9月加入中国人民大学信息学院担任副教授,2019年8月起任教授。2020年4月加入高瓴人工智能学院。在数据库、理论计算机、数据挖掘、机器学习等领域的顶级会议及期刊上(如SIGMOD、VLDB、ICML、NeurIPS、KDD、SODA等)发表论文50余篇,并获得数据库理论顶级会议PODS2022十年最佳论文奖。担任PODS、ICDT等大数据理论会议论文集主席以及VLDB、KDD、ICDE、ICML、NeurIPS等国际会议程序委员会委员。主持多项自然科学基金青年项目、面上项目及重点项目子课题。担任鹏城实验室广州基地青年科学家。培养博士生获2021年百度奖学金(全球10人)。
报告摘要
近年来,由于图结构数据的强大表达能力,用机器学习方法分析和挖掘图数据的研究越来越受到重视。图神经网络(Graph Neural Networks)是一类基于深度学习的处理图数据的方法,在众多领域展现出了卓越的性能,其已经成为一种广泛应用的图分析方法。谱域图神经网络是图神经网络研究中一类重要的方法,它们在拉普拉斯谱域中设计和学习不同的图卷积,具有良好的理论保证和可解释性。本报告拟先介绍图神经网络的任务和一些前沿应用,然后从图傅里叶变换、图卷积的设计和图谱滤波器的多项式近似等方面探讨谱域图神经网络的理论基础,最后将讨论我们在谱域图神经网络所做的一些工作和对未来工作的展望。
04
朱宏图
Statistical Learning Methods for Neuroimaging Data Analysis with Applications
个人简介
朱宏图博士是北卡罗来纳大学教堂山分校生物统计学,计算机,和遗传学终身教授,曾任MD安德森癌症中心的诊断影像学Bao-Shan Jing讲席教授和生物统计学终身教授,滴滴出行首席统计学家。2000年获得香港中文大学统计学博士学位。主要研究领域为统计学习、医疗图像处理、精准医疗、生物统计、人工智能和大数据分析。2011年当选美国统计学会和数理统计学会会士。2016年荣获德克萨斯州癌症预防与研究中心杰出研究奖。2019年因强化学习在网约车出行中的应用荣获Daniel Wagner杰出应用奖。在多个大型医疗研究项目中担任统计分析师,并提供实验设计、数据分析和新方法开发。现有高水平期刊论文290多篇,包括Nature,Science, Cell, Nature Genetics,Nature Communication, Nature Neuroscience,JAMA Psychiatry,PNAS,JMLR, AOS以及JRSSB;高水平会议论文45篇,包括KDD,NIPS,ICDM,AAAI,MICCAI以及IPMI。担任多个国际顶级会议的区域主席,包括Information Processing in Medical Imaging。担任(过)多个国际顶级期刊的编委,包括Statistica Sinica,JRSSB,Biometrics,Annals of Statistics和Journal of American Statistical Association。
报告摘要
The aim of this talk is to provide a comprehensive review of statistical challenges in neuroimaging data analysis from neuroimaging techniques to large-scale neuroimaging studies to statistical learning methods. We briefly review eight popular neuroimaging techniques and their potential applications in neuroscience research and clinical translation. We delineate the four common themes of neuroimaging data and review major image processing analysis methods for processing neuroimaging data at the individual level. We briefly review four large-scale neuroimaging-related studies and a consortium on imaging genomics and discuss four common themes of neuroimaging data analysis at the population level. We review nine major population-based statistical analysis methods and their associated statistical challenges and present recent progress in statistical methodology to address these challenges.
参与方式
本会场将线上线下同步进行,线下会场位于中国人民大学(仅限校内师生),线上会场为腾讯会议,欢迎各位线上线下的朋友共同参会!
腾讯会议室:696226349
线下会场:明德主楼1031
会议组织
主办方
承办方
中国人民大学统计学院 
数据科学与大数据统计系
赞助商
联系方式
  • 会议微信:统计之都
  • 新浪微博:@统计之都
  • 微信公众号:统计之都
统计之都:专业、人本、正直的中国统计学社区。
关注方式:扫描下图二维码。或查找公众号,搜索 统计之都 或 CapStat 即可。
往期推送:进入统计之都会话窗口,点击右上角小人图标,查看历史消息即可。
继续阅读
阅读原文