2023年深圳大学计算机与软件学院海内外青年科学家云论坛-机器学习与图形图像
机器学习与图形图像
2023年10月16日
14:30 - 17:00
腾讯会议号：842557166
主持人：黄惠
报告人：陈超奇、彭志浩、秦慧玲、王瑞伟
1
Speaker：香港大学 陈超奇
面向开放世界的可泛化机器学习算法研究
报告摘要
在过去的十年中，以深度学习为代表的机器学习模型在各种任务中取得了前所未有的成功。然而，当这些模型在真实世界中部署时，它们往往难以处理数据偏移问题，即训练和测试数据不符合独立同分布假设，从而降低了它们在许多关键应用中的安全性和可靠性，例如自动驾驶和计算机辅助疾病诊断。因此，如何开发在未知领域和新情境下具有良好泛化能力的机器学习算法成为了研究人员面临的重要问题。本次报告将重点介绍面向开放世界的领域泛化算法研究，以及它们在视觉理解和医学图像分析任务中的应用。
2
Speaker：香港城市大学 彭志浩
Attention-driven Embedding Learning in Unsupervised Deep Graph Clustering
报告摘要
The combination of the traditional convolutional network (i.e., an auto-encoder) and the graph convolutional network has attracted much attention in clustering, in which the auto-encoder extracts the node attribute feature, and the graph convolutional network captures the topological graph feature. However, the existing works (i) lack a flexible combination mechanism to adaptively fuse those two kinds of features for learning the discriminative representation and (ii) overlook the multi-scale information embedded at different layers for subsequent cluster assignment, leading to inferior clustering results. In this seminar, I will present a deep clustering method named Attention-driven Graph Clustering Network (AGCN).
3
Speaker：西安电子科技大学 秦慧玲
基于自利联合学习的市域范围下交通状态估计
报告摘要
准确的市域交通状况估计对许多交通运营和城市应用至关重要。然而，现有的方法在进行城实时推断时往往存在可扩展性的问题，或者在有限数据条件下表现不够稳健。近年来，车辆的GPS轨迹数据已成为许多交通应用的流行数据源。GPS轨迹数据具有广泛的覆盖范围，非常适合全路网应用，但也存在稀疏性和在不同时间和地点之间高度异质的缺点。在本研究中，我们开发一种基于部分可观测交通状态的稳健且可解释的市域范围下的交通状态填补框架。我们引入了一种新的学习策略，称为自利联合学习（SCL），它在一个自利的半监督学习任务和一个充当评论家的鉴别器之间建立合作，以促进半监督学习任务的训练并提供其结果的解释性。
4
Speaker：新加坡国立大学 王瑞伟
约束转化与求解
报告摘要
日常生活中很多问题可以被建模成约束问题，然后使用约束求解器来进行求解，比如排班、排课、产品配置和电力系统潮流优化等问题。一般为了约束模型的可理解性，会先用相对比较自然的约束模型来对问题进行建模。接着在约束求解器中, 自然的约束模型可以被各种不同的编码转化成更高效的模型来提升求解速度。
在这次报告中，我们首先讨论怎么用二元编码来提高一些有限域约束的求解效率。在历史上，人们对于有限域约束的研究是从二元约束开始的。很多求解算法是在二元约束上进行研究，然后才被扩展到其他约束。从理论的角度看，二元约束是NP-完全的，我们可以用二元编码将任意有限域约束转化成二元约束。然而，二元编码目前还没有被广泛应用于实际的约束求解器中，因为现有的二元约束算法和二元编码求解效率很低。我们将从多个角度探索将二元编码应用于实际约束求解的可能性。例如我们提出了新的二元编码来对表约束、有限自动机约束以及决策图约束等有限域约束进行压缩并提升求解效率。
此外，我们还会讨论如何化简神经网络及其相关的约束问题。为了确保神经网络能够被安全地应用在一些非常重要的地方，人们提出了许多算法来验证神经网络的鲁棒性（即确保神经网络满足特定的约束）。但是很多实际的验证工具无法很好地处理一些结构比较复杂和规模比较大的神经网络。我们提出了新的方法来化简神经网络，从而减小相应的约束问题的规模和提升现有神经网络验证工具的效率和可用性。
扫码加入论坛会议
更多精彩
关注我们
图文 | 各位讲者
排版 | 伍亚洲
责编 | 伍亚洲
— 版权声明 —
本微信公众号所有内容，由深圳大学计算机与软件学院微信自身创作、收集的文字、图片和音视频资料，版权属深圳大学计算机与软件学院微信所有；从公开渠道收集、整理及授权转载的文字、图片和音视频资料，版权属原作者。如原作者不愿意在本公众号刊登内容，请及时通知本号，予以删除。