关于召开“2020第二次机器学习MINI学术研讨会”的通知

各会员、专委会委员、广大科技工作者：

2020年第二次机器学习MINI学术研讨会，定于12月15-16日在江苏省镇江市召开。本次会议由江苏省人工智能学会主办，江苏省人工智能学会机器学习专业委员会、江苏大学承办。本次会议的主题涉及人工智能、机器学习领域各个方面，旨在汇聚广大人工智能领域的专家、学者，围绕当前机器学习、人工智能领域的热点话题、核心技术以及大家共同关注的科学问题进行深入交流和探讨，为我省人工智能界提供交流最新研究成果的舞台。会议将邀请国内著名人工智能、机器学习专家做大会学术报告，就“机器学习”、“数据挖掘”、“大数据智能”、“模式识别”、“计算机视觉”等有关专题的前沿技术与应用实践与参会者进行深入交流与研讨。诚挚欢迎广大学术界、产业界朋友参加本次会议。（会议差旅费、食宿费等自理）

江苏省人工智能学会会员使用优惠码注册缴费，享受会员优惠。会员优惠码将通过短信发送到JSAI会员手机号，请注意查收。

现将相关事宜通知如下：

一、会议组织：

主办单位：江苏省人工智能学会

承办单位：江苏省人工智能学会机器学习专业委员会、江苏大学

二、会议报到

会议时间：2020年12月15日下午2:00开始报到

报到地点：镇江市明都大饭店

三、会议时间

2020年12月15-16日

地点：镇江市明都大饭店

四、会议日程

12月15日   

14:00-18:00   会议注册  报到；地点：明都大饭店明都厅

12月16日   地点：明都大饭店明都厅

08:30-09:00   开幕式（主办方领导致辞、专委会主任致辞）、合影

09:00-09:50   特邀报告1：孙权森  教授

报告题目：多核学习之聚类分析

报告摘要：无监督数据聚类被广泛应用于图像分割、样本标注、信息检索、网络路由、社区发现等领域。针对非线性数据聚类任务，核方法是处理非线性数据的重要手段，能够较好地挖掘数据中的复杂结构信息。但是，传统的单核学习方法面临着核函数以及核参数选择困难的问题，使得非线性数据聚类成为聚类研究中的重要挑战之一。多核学习通过预先定义一个含有多个候选核的核池，再将这些候选核进行融合以充分挖掘多核之间的互补信息，既能有效地避免核函数与参数选择困难的问题，还能更好地捕获数据的复杂结构信息，从而显著提高聚类性能。本次报告将介绍我们在多核学习聚类上的几个阶段性工作。

嘉宾简历：

孙权森，现任南京理工大学计算机科学与工程学院/人工智能学院教授，模式识别与智能系统（国家重点学科）、计算机科学与技术学科博士生导师。兼任江苏省人工智能能学会副理事长，江苏省微型电脑应用协会人工智能专委会主任、CCF AI/CAAI ML/CAAI PR等专委会委员。受聘国防科工局航天发展“十二五”规划论证组专家、“十三五”与“十四五”专题论证组特约专家。主要研究方向：模式识别与机器学习、图像分析与遥感信息处理。主持国家自然科学基金、民用航天项目、国家高分重大专项等纵向课题20余项。在AAAI、IJCAI、ACM Multimedia等国际会议以及IEEE TPAMI/TNNLS/TIP/TCYB等重要国际期刊上发表论文100余篇；获得国家授权发明专利20余项。本人博士论文及指导的博士论文被评为江苏省优秀博士学位论文，入选江苏省“青蓝工程”中青年学术带头人培养对象。先后获得省部级科研奖励4项。

09:50-10:10   茶歇

10:10-11:00   特邀报告2：宋井宽  教授

报告题目：Approximate Nearest Neighbor Search and Multimedia RetriEval

报告摘要：Approximate nearest neighbor (ANN) search has been widely applied in large-scale retriEval systems. The most-common application, multimedia retriEval, plays an important role to help people find interesting multimedia contents. To perform ANN search, people tries to reduce searching time in the database by hashing, quantization or graph methods. Since these techniques require distances computation between feature vectors for Evaluating similarities, when applied to multimedia retriEval, images, videos and other modalities should be first extracted to features. With the help of deep learning, we propose end-to-end hashing and quantization networks that directly convert medias to binary codes, which enables high efficient large-scale multimedia retriEval by extremely fast distance computation. Additionally, cross-modal retriEval such as text-to-image retriEval should take care of modality-gap. We also propose several networks to handle cross-modality problems by projecting separated modal-space into a unified shared feature space. Our works are highly applicable and outperform state-of-the-arts in not only retriEval accuracy but also space and time consumptions.

嘉宾简历：

宋井宽，电子科技大学教授，博士生导师，国家“青年特聘专家”，四川省“特聘专家”。2013年博士毕业于澳大利亚昆士兰大学，之后分别在特伦托大学和哥伦比亚大学担任博士后研究员。主要研究方向为“人工智能”和“计算机视觉”。在多媒体、计算机视觉、人工智能等领域的重要会议和期刊发表论文100余篇，谷歌学术引用5000余次。2016年获模式识别国际会议ICPR最   佳论文奖，2017获信息检索顶   级会议SIGIR最   佳论文提名奖，ADC最   佳学生论文奖，获评2019 ACM China SIGMM学术新星奖、2020 AMiner AI 2000“多媒体最   具影响力学者”提名。担任国际SCI期刊ACM TOMM等编委、WWW Journal、TMM、Pattern Recognition、ACM TDS等期刊的客座编委，担任多个期刊的评审和多个国际顶   级会议(MM'18-'20, IJCAI'18)的领域主席，IEEE高级会员。主持/主研科技部科技创新2030—“新一代人工智能”重大项目、四川省“青年科技创新团队”项目、国家自然科学基金委面上项目、贵州省科技厅“大数据榜单”等项目。

11:00-11:50   特邀报告3：侯臣平  教授

报名题目：融入标签先验信息的分类方法初探

报告摘要：人工智能领域的研究正在迈向第三代，典型的特征是结合知识驱动的第   一代人工智能和数据驱动的第二代人工智能这两种范式。本报告以典型分类方法（数据驱动）为基础，尝试融入关于标签的先验信息（知识驱动），主要介绍三种不同的初步尝试：利用非重叠历史标注数据的全表达数据分类方法、带有标签比例约束的半监督分类方法和处理单侧标记噪声的多示例分类方法。最后，对该研究方向进行了简单的总结和展望。

嘉宾简历：

侯臣平，国防科技大学教授，博士生导师。主要从事开放环境下的机器学习方法和应用研究工作，在动态特征复用、低维嵌入学习、复杂标记学习等方面取得了系列研究成果，并成功应用于军事领域。近年来，在IEEE TPAMI等国内外著名刊物和会议上以第   一/通讯作者发表学术论文50余篇（包括IEEE 汇刊长文20篇），担任TPAMI等杂志以及ICML、NIPS、IJCAI、AAAI等会议的AC/SPC/PC等，是Neurocomputing等SCI期刊的编委，多篇论文进入ESI各层次高被引论文。主持国家自然科学基金、国防973专题等10项项目。获国家优秀青年科学基金、湖南省杰出青年科学基金，享受**专业技术岗位津贴等。

12:00    午餐

14:00-14:50   特邀报告4：郝建业  博士

报告题目：深度强化学习的挑战及落地

报告摘要：本报告首先会介绍深度强化学习背景与基础，然后重点从如何学的好、学的快、学的稳三个方面介绍深度强化学习所面临的挑战及相应的解决方案，同时介绍深度强化学习在游戏AI与测   试、自动驾驶、网络优化等领域的落地与应用。

嘉宾简历：

郝建业博士，华为诺亚方舟决策推理实验室主任。主要研究方向为深度强化学习、多智能体系   统。发表人工智能领域国际会议和期刊论文100余篇，专著2部。 主持参与国家基金委、科技部、天津市人工智能重大等科研项目10余项，研究成果荣获ASE2019、DAI2019、CoRL2020最   佳论文奖等，同时在游戏AI、广告及推荐、自动驾驶、网络优化等领域落地应用。

14:50-15:40   特邀报告5：张伟楠  副教授

报告题目：Model-based Reinforcement Learning: Fundamentals and Advances

报告摘要：Model-based reinforcement learning approaches leverage a forward dynamics model to support planning and decision making, which is a promising method to reduce the sample complexity of deep reinforcement learning methods. In this talk, I will start with the fundamentals of model-based methods for traditional grid-based reinforcement learning. Then I will discuss the advances of model-based methods for deep reinforcement learning, including model learning and model usage algorithms with theoretic bound analysis. Finally, I will present our two recent works on model-based reinforcement learning, i.e., bidirectional model-based policy optimization (ICML 2020) and unsupervised model adaptation (NeurIPS 2020).

嘉宾简历：

Weinan Zhang is now an associate professor at Shanghai Jiao Tong University. His research interests include reinforcement learning, deep learning and data science with various real-world applications of recommender systems, search engines, text mining and generation, game AI etc. He has published over 80 research papers on international conferences and journals and has been serving as a (senior) PC member at ICML, NeurIPS, ICLR, KDD, AAAI, IJCAI, SIGIR etc. and a reviewer at JMLR, TOIS, TKDE, TIST etc. He was granted as Top-20 Rising Stars in 2016 by Microsoft Research, Best Paper Honorable Mention Award in SIGIR 2017, ACM Shanghai Rising Star Award 2017, Alibaba DAMO Young Scholar Award 2018 and the Best Paper Award in DLP-KDD Workshop 2019. Weinan earned his Ph.D. from the Computer Science Department of University College London in 2016 and B.E. from ACM Class of Shanghai Jiao Tong University in 2011.

15:40-16:00   茶歇

16:00-16:50   特邀报告6：祁磊   博士

报告题目：From Supervised to Unsupervised Learning: Research on Person Re-identification

报告摘要：Person re-identification (Re-ID) is to match images of the same individual captured by different cameras with non-overlapping views. Thus, the goal of Re-ID is to learn the discriminative feature representation which can effectively distinguish the same and different identities. Besides the typical supervised paradigm, considering time-consuming or even infeasible manual annotation in real applications, some semi-supervised and unsupervised methods have been proposed to address this issue. This talk will report our recent works on person Re-ID in the supervised, semi-supervised and unsupervised scenarios. Also, the potential work to Re-ID will be discussed.

嘉宾简历：

祁磊，东南大学计算机科学与工程学院至善博士后。2020年博士毕业于南京大学计算机科学与技术系，2018年8月至2019年8月在澳大利亚伍伦贡大学进行学术交流访问。主要研究兴趣包括计算机视觉和机器学习。目前已在国际主流期刊和会议上发表论文10余篇，其中包括CCF-A类会议和IEEE/ACM Trans.论文8篇，并担任多个国际期刊和会议审稿人。

16:50-17:10   闭幕式

五、会议注册

本次会议收取会务费500元/人，其中江苏省人工智能学会会员8折优惠。会务费由江苏省人工智能学会收取并出具发票，可现场缴费或银行汇款，汇款信息如下：

收款名称：江苏省人工智能学会

收款账号：320006678018010081595

开户行名称：交通银行南京栖霞支行

地址:江苏省南京市栖霞区仙林大道163号

联系人： 江   婷   15601581168 

（汇款请备注信息：姓名 单位名称，并请务必将汇款凭证截图发送到vip@jsai.org.cn。）

会务联系人：马忠臣   15751011359  E-Mail:  zhongchen_ma@ujs.edu.cn

注册联系人：李冰秋   17368128103

江苏省人工智能学会

江苏省人工智能学会机器学习专业委员会

江苏大学计算机科学与通信工程学院

2020年11月17日