聚焦AI落地痛点，纵论跨域学习技术前沿和应用趋势 | CNCC技术论坛

澎思科技首席科学家、新加坡研究院院长。华人知名女科学家，计算机视觉与深度学习领域国际知名学者。前松下新加坡研究院副院长，累计获得30余项人工智能国际竞赛冠军，累计专利300余项。拥有计算机视觉领域全栈算法研究及工程化经验，技术面覆盖AI智能传感、AI视觉感知、AI视图处理、视觉导航和控制、增强现实、声纹识别、机器人等领域。曾荣获日本松下杰出技术、领军人物特别奖；担任国际标准化组织(ISO)和国际电工委员会(IEC)标准制定主编；负责和牵头多项音视频国际标准制定工作，在CVPR 2020组织了第一届Anti-UAV Workshop & Challenge竞赛。

中科院计算技术研究所研究员，IEEE Fellow, IAPR Fellow, CCF会士。近年来主要研究领域为计算机视觉、模式识别、多媒体技术以及多模式人机接口。目前是IEEE Trans. on Multimedia的Associate Editor、Journal of Visual Communication and Image Representation的Senior Associate Editor、计算机学报副主编、人工智能与模式识别副主编。先后获得国家自然科学二等奖1项，国家科技进步二等奖4项，合作出版专著1本，在国内外重要刊物和会议上发表论文300多篇。

微众银行首席人工智能官、香港科技大学讲席教授，AAAI、ACM、CAAI、IEEE、IAPR、AAAS Fellow，《IEEE Transactions on Big Data》和《ACM Transactions on Intelligent Systems and Technology》开创主编，曾获2019年度“吴文俊人工智能科学技术奖”杰出贡献奖，2017年ACM SIGKDD杰出服务奖。他曾任华为诺亚方舟实验室主任，第四范式公司联合创始人，香港科技大学计算机与工程系系主任以及国际人工智能联合会(IJCAI)理事会主席。最近的著作有《迁移学习》和《联邦学习》。

演讲题目：用户隐私，数据孤岛和联邦学习

摘要：联邦学习，是当前人工智能尤其是AI金融领域，最受工业界和学术界关注的研究方向之一。当下，AI在算法研发方面突飞猛进，却离企业落地的目标有着不小的距离。AI所面临的一个挑战是标注数据的严重不足，而数据往往分布在不同的机构和个人形成的数据孤岛处。使用和聚合这些数据都会受到用户隐私、商业安全的挑战。本次演讲将介绍如何利用联邦学习来连接数据孤岛的数据，形成合力，以得到更有效的机器学习模型，同时保护用户隐私和商业机密。

北京邮电大学人工智能学院教授，博士生导师。长期从事模式识别与计算机视觉的基础理论研究，并应用到人脸识别、表情识别、行人再识别、细粒度图像检索等。近年来主持国家重点研发计划课题和国家自然科学基金等项目十余项，与华为、中兴、腾讯、滴滴、佳能等科技企业开展广泛的技术合作，曾三次指导学生获得图像识别类的国际算法竞赛第一名，担任IJCAI 2020、ICPR 2020、ICME2020 领域主席和高级程序委员，国际期刊IEEE Access编委，Image and Vision Computing客座编委。在IEEE TPAMI、TIP、TIFS、IJCV、PR等国际期刊以及ICCV、CVPR、ECCV、NIPS、AAAI、SIGIR等国际会议发表论文100多篇，谷歌学术引用4300多次，SCI他引1100余次。曾入选北京市优秀博士学位论文、教育部“新世纪优秀人才”、北京市“科技新星”。

演讲题目：跨域人脸和表情识别

摘要：海量标注数据和深度学习技术推动了视觉识别的巨大进步，现有模型在许多数据集上的性能已经超越人类。然而，高准确率的前提是同源数据的随机划分保证了训练和测试集具有相同的特征分布。在技术落地中，训练集和应用间的环境差异、地域差异、文化差异等挑战导致大部分视觉识别应用的准确率和稳定性仍不理想，甚至造成“种族偏见”等伦理问题。本报告将从数据集建设、迁移学习算法和性能评价三个角度，汇报课题组近期在解决多人种人脸识别、视频监控人脸识别、对抗鲁棒性人脸识别、表情识别文化差异上的研究进展。

中科院计算所副研究员，硕士生导师。研究领域为计算机视觉与模式识别，主要关注人脸识别、多视学习、迁移学习、弱少监督学习等问题，相关成果已发表在TPAMI、IJCV、CVPR、ICCV等相关领域主流国际期刊与会议上面，谷歌学术引用2300余次。担任TPAMI、IJCV、TIP、TMM、CVPR、ICCV、ECCV等期刊会议的审稿人。2014年获得CCF优秀博士学位论文奖、2016年入选CCF青年人才托举计划、2018年获得中国图象图形学学会石青云女科学家奖青年奖、2019年入选北京市科技新星计划。此外，获得2015年IEEE FG视频人脸识别竞赛冠军、2015年IEEE ICCV年龄估计竞赛亚军、2017年IEEE CVPR人脸面部关键点定位亚军等。

演讲题目：多粒度图像迁移建模

摘要：迁移学习是机器学习与计算机视觉中的重要研究问题之一，旨在研究如何将一个领域的知识迁移到另外的领域，具有重要的研究意义与应用价值。场景变化是计算机视觉应用中的重要挑战之一。本报告将介绍讲者近期在场景、类别、以及样例层面进行图像迁移建模的研究工作，旨在提升图像分类算法的场景自适应能力。

澳大利亚国立大学讲师、计算机未来学者、澳大利亚研究理事会优秀青年科研学者奖的获得者。在物体再识别领域做出了重要贡献。论文被MIT Technology Review报道。获中国人工智能学会优秀博士学位论文、澳大利亚青年科学家奖、澳大利亚人报Top-40 Early Achievers等荣誉。任CVPR 2021, ECCV 2020和Multimedia 2020领域主席，IJCAI 2019 和 AAAI 2020资深程序委员，IEEE TCSVT副编辑等。在CVPR 2020和ECCV 2020组织了AICITY和TaskCV竞赛。

演讲题目：Do We Really Need Ground Truths to Evaluate A Model?

摘要：模型性能评估是机器学习的重要一步，一般来说，我们要求测试集包含测试样本与其标签，并将测试标签与模型预测结果进行比较。尽管学术界大多数数据集满足这个要求，在实际情况中，往往我们只能获取测试数据而无法获取其标签。在本次报告中，我将介绍一个重要而较少讨论的问题：模型自动评估(AutoEval)。具体地，给定有标签的训练集和一个模型，目标是估计模型在一个没有标签的测试集上的性能。为此，提出了一种meta-dataset的方法，从数据集层面上设计了一种回归模型，实现了较为理想的精度。

清华大学软件学院副教授，博士生导师，大数据系统软件国家工程实验室机器学习组组长。分别于2008和2014年从清华大学获学士和博士学位，2014-2015年在加州大学伯克利分校大数据实验室(AMPLab)、统计人工智能实验室(SAIL)从事研究工作。研究领域包括机器学习理论、算法和系统，特别是迁移学习、深度学习、预测学习及其在图像视频识别、预测任务中的应用。以第一作者或通讯作者在ICML/NIPS/CVPR等CCF-A类会议和期刊上发表论文46篇，谷歌学术引用超过3700次，其中在ICML 2015发表的深度迁移学习论文单篇引用800余次。担任ICLR领域主席、ICML/NIPS/CVPR等国际会议（高级）程序委员会委员。主持国家重点研发计划子课题、国家自然科学基金课题3项，授权国家发明专利20项。获2012国际数据挖掘会议最佳论文提名，2016中国人工智能学会优秀博士论文，2018教育部技术发明一等奖。

演讲题目：迁移学习理论，算法及开源库

摘要：迁移学习一直是机器学习领域的难点问题，其目标是在数据分布变化的条件下实现强泛化能力。经过长期探索，逐步缩小了迁移学习的泛化理论与学习算法之间的鸿沟，获得了更紧致的泛化界和更优的学习器。此次报告将按照发展历程介绍迁移学习的代表性泛化理论及学习算法，重点介绍我们的间隔泛化理论及其对抗学习算法、迁移推理中的概率校准和无监督迁移学习算法。最后，介绍我们最近开源的迁移学习算法库，为推动迁移学习的规范发展和应用落地提供支撑。

喜欢就点「在看」吧 !