刘新旺 国防科技大学

主题报告1：新型鲁棒多核聚类算法

个人简介：刘新旺，国防科技大学计算机学院教授，博士生导师。国家自然科学基金优秀青年基金获得者。主要研究兴趣包括机器学习、数据挖掘、模式识别等。发表IEEE Trans及CCF A类论文120篇，包括IEEET-PAMI、IEEE T-KDE、IEEET-IP、ICML、NeurIPS、CVPR、ICCV、AAAI、IJCAI等。谷歌学术引用9400余次。担任AAAI 2020-2023、IJCAI2020-2022等国际人工智能顶级会议的资深程序委员会委员，以及IEEE TNNLS、IEEE TCYB等国际期刊编委。主持科技部“新一代人工智能2030” 重大项目、国家自然科学基金面上项目等，研究成果曾两次获湖南省自然科学一等奖。

报告摘要：本次报告将介绍最近提出的SimpleMKKM融合聚类框架及其相关拓展。首先，区别于常用的min-min/max-max聚类算法，我们提出了一个全新的min-max模型，并设计了新的优化算法，保证了得到的解具有全局最优性。该模型不含任何超参数，且在不同应用中展示了优越的聚类性能。接着，采用核矩阵局部对齐的思想对其进行了拓展，提出了Localized SimpleMKKM算法。最后，我们进一步提出了一种无参的样本自适应Localized SimpleMKKM算法。代码开源于https://xinwangliu.github.io/

白璐 中央财经大学/北京师范大学

主题报告2：结构模式识别与机器学习

个人简介：白璐，中央财经大学教授，北京师范大学人工智能学院教授（双聘）。国家优秀青年科学基金获得者（交叉科学部首届国家优青），教育部国家优秀自费留学生奖获得者，百度全球高潜力“AI华人青年学者榜单”入选者，曾获国际模式识别学会IAPR Newsletter下一代报道（全球每年4位青年学者）。长期从事基于图数据的结构模式识别与机器学习理论研究。累计发表国际权威期刊会议论文近100篇，包括：国际顶级期刊TPAMI、TKDE、TNNLS、PR、TCYB、TITS，以及国际顶级会议ICML、IJCAI、ICDE、ECML-PKDD、ICDM、CIKM等，累计至少两篇论文入选ESI高被引/热点论文（TPAMI 2022 & PR 2018）。担任国际模式识别旗舰期刊《Pattern Recognition》编委，并曾作为责任客座编辑于该期刊组织首个关于金融人工智能特刊。

报告摘要：图是描述事物间复杂关系的重要数据类型，在现实应用领域广泛存在，如：计算机视觉、动态金融时序网络、交通网络、生物/化学信息网络、社交网络等。如何分析与处理图数据是目前人工智能领域的重要研究内容。然而，由于图是一种非规则的结构数据，传统基于欧式空间数据的模式识别与机器学习算法难以直接进行处理。如何提出并发展可直接应用于图数据分析的结构模式识别与机器学习算法是当前的研究热点。本报告首先梳理了结构模式识别与机器学习理论研究的发展脉络，分析了相关算法的理论特点与发展现状。最后，针对现有研究存在的理论难点瓶颈问题，介绍了报告人在相关方向的具体创新研究工作，并给出若干金融场景下的应用实例。

廖振宇 华中科技大学

主题报告3：基于随机矩阵方法的“无损”神经网络压缩

个人简介：廖振宇，华中科技大学电子信息与通信学院副研究员，长期从事“面向高维数据的大规模机器学习的基础理论和关键技术”的研究，将高维统计学和随机矩阵理论应用于复杂大规模机器学习系统设计，成果发表在ICML、NeurIPS、ICLR、COLT、AISTATS、AAP、JSTAT等人工智能、机器学习顶级会议与期刊，合著专著Random Matrix Methods for Machine Learning，长期受邀担任多个人工智能、机器学习领域顶级会议和期刊的审稿人或程序委员会委员，受邀担任欧盟自然科学基金ERC和加拿大自然科学基金NSERC外部评审。获2019年法国巴黎萨克雷大学ED STIC优秀博士论文，牵头或参与了包括中国自然科学基金青年基金、重点专项，中国计算机学会CCF-海康威视斑头雁基金，法国和美国自然科学基金等一系列科研项目。

报告摘要：在当今的大数据时代，包括深度神经网络在内的大规模机器学习方法被广泛地应用到了各行各业。然而，很多机器学习的方法是从“低维度”的日常直觉发展而来，在处理高维度、大规模的数据时，其表现往往与设计初衷大相径庭，导致算法不可信，不鲁棒，和理论最优方案相距甚远。通过考虑机器学习模型和数据集规模都很大的“大数据”实际场景，随机矩阵理论为大规模机器学习提供了全新的理论理解，打开了通往全新范式的大门。在本报告中，我们从高维空间的“维度诅咒”现象开始，展示大数据场景下出现的诸多反直觉现象，并应用随机矩阵理论为这些高维空间的反直觉现象提供定量理论解释。进一步的，针对深度神经网络压缩这一实际问题，我们将举例如何发展随机矩阵理论，以设计高效“无损”神经网络压缩方法，并给出对应的理论保证。