投稿联系人： 王恩
联系电话： 13756494481
注册费咨询及酒店预订联系人：刘宇舟
联系电话： 18166855855
工作邮箱： nciip2023@163.com
通讯地址： 吉林省长春市前进大街2699号吉林大学前卫南区计算机楼
邮 编： 130012
形式概念分析与粒计算学术论坛2
论坛介绍：
形式概念分析作为粒计算的一种重要基本模型，是Wille教授于1982年提出的一种从形式背景挖掘知识进行数据分析的强有力工具。该理论主要强调以人的认知为中心，提供了一种与传统的、统计的数据分析和知识表示完全不同的方法，已成为人工智能学科的重要研究领域。随着智能信息技术突发猛进的发展，形式概念分析理论在我国受到了极大的关注，并涌现出众多的优秀学者和有价值的成果。
为深入推动形式概念分析与粒计算的研究，在全国各位专家学者的大力支持下，“第一届——第七届形式概念分析与粒计算学术研讨会”分别于2016年、2017年、2018年、2019年、2020年、2021年、2022年相继在重庆、西安、石家庄、深圳、南昌、兰州、镇江成功召开。会议引起了广大学者特别是青年学者的广泛关注，相关主题成为了该研究领域的讨论热点。
本届会议得到了中国人工智能学会知识工程与分布智能专委会、中国人工智能学会粒计算与知识发现专委会，以及吉林大学计算机学院的大力支持。本届形式概念分析与粒计算学术研讨会将与参会代表一起畅谈形式概念分析、粒计算等理论中的学术前沿问题，广泛交流最新成果，共同分享收获的喜悦。
论坛主席：
李金海
昆明理工大学数据科学研究中心副主任，教授，博士生导师，西北农林科技大学客座教授，云南省中青年学术和技术带头人，云南省高层次人才计划青年拔尖人才，中国人工智能学会粒计算与知识发现专委会常务委员、知识工程与分布智能专委会常务委员、人工智能基础专委会委员，CCF-B类期刊IJAR领域编辑，SCI期刊IJMLC、JIFS副主编。主持国家自然科学基金4项（含子项目）。在国际期刊IEEE TKDE、IEEE TCYB、IEEE TFS、IEEE SMCA、PR，以及国内一级学报《计算机学报》、《电子学报》、《软件学报》等上发表学术论文40余篇，其中ESI高被引论文6篇，入选中国精品科技期刊顶尖学术论文1篇。主要研究兴趣为分类算法、计算智能、形式概念分析、智能系统分析、数据挖掘等。
形式概念分析与粒计算学术论坛2报告嘉宾
林耀进 闽南师范大学
主题报告1：开放环境下层次分类学习的一点思考
个人简介：林耀进，教授，闽南师范大学计算机学院院长、福建省数据科学与智能应用高校重点实验室主任。合肥工业大学博士，天津大学博士后。曾获福建省百千万人才工程、福建省高层次人才、福建省优秀教师、福建省青年五四奖章等荣誉与称号。中国人工智能学会粒计算与知识发现专委会常务委员，中国人工智能学会知识工程与分布智能专委会委员，福建省人工智能学会副理事长，福建省中小学人工智能教指委委员。计算机科学与技术国家一流专业建设点负责人，福建省计算机科学与技术应用型学科带头人，福建省不确定信息处理专业硕士导师团队带头人。主要从事粒计算与机器学习的研究，在该领域主持国家自然科学基金3项，参与国家自然科学基金4项，主持省级重点自然科学基金、省重大教改项目等多项；在CVPR、IJCAI、软件学报、电子学报、TKDE、TKDD、TFS、TNNLS等国内外著名会议期刊发表论文100多篇。获福建省科技进步奖一等奖、三等奖各1项，福建省教学成果奖二等奖2项。
报告摘要：实际应用中广泛存在着各类复杂数据，分析数据的结构信息对有效的分类建模具有重要意义。其中利用数据类别间层次结构关系进行分类学习任务广泛存在于疾病诊断、图像标注等领域。在传统层次分类学习中，一般假定类别标记数量与关系恒定，特征信息静态充分，且特征空间与决策空间保持一致性。然而，在实际应用中，上述假设经常不能被满足。本报告将分享开放环境下层次分类学习的一点思考。
王婕婷 山西大学
主题报告2：随机一致性视角下的可学习理论与方法
个人简介：王婕婷,博士，山西大学大数据科学与产业研究院,讲师，主要研究方向为统计学习理论与方法,重点关注随机一致性视角下的可学习理论和方法的探索。 在《IEEE Transactions on Pattern Analysis and Machine Intelligence》《Artificial Intelligence》《Machine learning》等国内外重要学术期刊发表论文10余篇。
报告摘要：可学习理论是统计机器学习的基本理论与算法约束. 基于机器学习进行决策时,由于受到数据噪音、标注偏好等因素影响, 或由于缺乏足够证据和先验知识, 决策结果与真实情况由于随机产生的一致性时有发生. 此随机一致性在机器学习模型的学习结果中普遍存在, 将导致决策缺乏客观性、可解释性与可重复性, 给经典可学习理论与方法带来挑战.机器学习算法大多以最大化准确度为核心准则, 例如决策树及 KNN 算法中的众数投票策略及经典学习算法以错误率的凸连续上界作为替代损失 (如 SVM 算法的 hinge 损失, Adaboost 算法的指数损失, 逻辑斯蒂回归的对数损失等). 然而, 简单的准确度指标作为反馈或启发准则, 包含了带有偏差的随机一致性, 这对于学习机泛化性能的评价是不可靠、不精准的. 因此, 研究如何消除学习过程中的随机一致性,建立基于纯一致性度量的机器学习算法与理论体系成为人工智能研究领域的一个重要科学问题。
桑彬彬 重庆师范大学
主题报告3：面向有序分类任务的稳健知识获取及增量学习方法研究
个人简介：桑彬彬，男，博士，毕业于西南交通大学 计算机与人工智能学院。于2022年7月以“杰出博士”层次引进到重庆师范大学计算机与信息科学学院。主要研究方向：粒计算理论模型，增量学习，特征选择。目前已在IEEE TFS、IEEE TCYB、INS、KBS、ASOC、IJAR、IJMLC等国内外知名期刊上发表学术论文20余篇，其中1篇论文入选2023年ESI高被引论文。此外，还担任了《Pattern Recognition》、《IEEE Transactions on Industrial Informatics》、《Artificial Intelligence Review》、《International Journal of Machine Learning and Cybernetics》等国际知名期刊的审稿人。曾获得硕士研究生国家奖学金、博士研究生国家奖学金、士继青年奖章、西南交通大学五四青年奖章等荣誉。
报告摘要：在实际生产与生活中，各行各业面临着海量的有序分类任务，如信用等级评估、医疗诊断、金融风险预测等领域。然而，随着大数据技术的发展，有序分类任务呈现出动态演变、噪声扰动以及高维混杂等特点，这使得传统知识获取方法面临着计算效率低、鲁棒性差以及知识演化能力弱等挑战。如何对有序分类任务进行稳健且高效的知识获取是一个亟待解决的问题。本次报告将分析面向有序分类任务的知识获取工作所面临的挑战，介绍稳健的模糊粗糙知识获取模型和高效的增量特征选择方法，旨在提高面向有序分类任务知识获取方法的稳健性与实时高效性。
郭豆豆 西南大学
主题报告4：双向概念认知学习理论与方法
个人简介：郭豆豆，西南大学人工智能学院在读博士；研究兴趣：概念认知学习、粒计算、机器学习等不确定性人工智能理论；目前已在IEEE TNNLS、IEEE TFS、INS、APIN等国际重要学术期刊发表学术论文10余篇；现主持重庆市研究生科研创新项目1项；担任IEEE TFS、IEEE TAI、INS、AIR、COGO、IJMLC等多个国际学术期刊审稿人。
报告摘要：双向概念认知学习（Two-Way Concept-Cognitive Learning, TCCL）是研究概念知识建模和认知粒化描述的的新理念和新方法。立足于形式概念分析理论与方法，将对象和属性间充分性与必要性判别的双向认知过程作为切入点，研究概念学习的双向认知机理，正式提出双向概念认知学习。报告主要回顾双向认知机理的相关研究进展，并以此为基础介绍双向概念认知学习的理论与方法，以及对未来研究工作的展望。