李爽 北京理工大学

主题报告1：迁移学习研究前沿与进展

个人简介：李爽，博士，北京理工大学计算机学院长聘副教授，博士生导师，于2012年和2018年，在东北大学和清华大学分别获得自动化专业学士和博士学位，2015年至2016年在康奈尔大学计算机科学系作访问学者。研究方向为机器学习和深度学习，着重研究迁移学习与领域自适应学习，在自动驾驶、工业质检和智慧医疗领域有较为广泛的应用。主持国家级项目2项（科技部重点研发课题1项、国家自然科学基金青年项目1项），CCF-百度松果基金1项，阿里巴巴AIR项目1项，参与国家级、省部级、军队等科研项目5项。荣获教育部自然科学一等奖（排名4/8已公示）、山东省烟台开发区创新创业领军人才。在期刊IEEE TPAMI, TIP, TKDE, TNNLS, TCYB, TSMC和会议NeurIPS, ICLR, CVPR, ICCV, AAAI, ACM Multimedia等发表学术论文近50篇，其中CCF-A类论文共31篇（一作/通讯28篇），ESI高被引论文1篇。

报告摘要：随着信息技术的飞速发展和日益普及，机器学习方法在各行各业得到了广泛应用。大部分传统机器学习方法要求训练数据和测试数据服从相同的概率分布，但在大量的实际应用中，由于数据采集环境或设备的不同，训练样本（源域）和测试样本（目标域）往往会服从不同但具有相关性的概率分布。迁移学习方法可以有效解源域和目标域样本服从不同概率分布的问题，从而高效利用源域的标注样本和目标域的无标注样本，提高算法在目标域的有效性。报告从迁移学习关键问题入手，简要介绍迁移学习问题和主要方法，并对最新的研究进展进行主要阐述。

王晋东 微软亚洲研究院

主题报告2：安全、高效和可泛化的迁移学习

个人简介：王晋东，微软亚洲研究院主管研究员、中科院计算所博士。研究兴趣为迁移学习、鲁棒机器学习、半监督学习及相关的视觉和普适计算等应用。在国际知名会议和期刊如NeurIPS、ICLR、CVPR、IJCAI、UbiComp、ACMMM、TKDE、TASLP等发表50余篇论文，谷歌学术被引5000余次。获得IJCAI-19联邦学习研讨会最佳应用论文奖、清华大学AMiner 2012-2022十年最具影响力AI学者等荣誉奖项。出版的《迁移学习导论》一书帮助众多研究人员快速入门和学习该领域。领导开源了Github上最受欢迎的迁移学习项目（获得超1万星标）、半监督学习项目TorchSSL和USB、以及个性化联邦学习项目PersonalizedFL等。个人主页：https://jd92.wang/。

报告摘要：迁移学习是机器学习的基础性研究课题之一，在近年来取得了长足的进步。本次报告将会关注三个迁移学习的新问题：安全性、高效性、和可泛化性。具体而言，我们将探讨在预训练-微调模式下，如何构建更安全的迁移学习系统；在可学习数据资源少、计算资源少的情景下，如何进行快速、轻量、准确的知识迁移；如何学习可泛化的通用知识以提高模型在未知数据分布下的泛化能力。我们将介绍与这些主题相关的理论、方法、应用、及开源项目。