时间：6月28日 14:30-17:30

地点：办公楼圆形报告厅

一、清华大学朱军博士学术报告

题目：Scalable Bayesian Inference with Posterior Regularization

摘要：

Bayesian methods represent one important type of statistical methods for learning, inference and decision making. At the core is Bayes' theorem, which has been developed for more than 250 years. However, in the Big Data era, many challenges need to be addressed, ranging from theory, algorithm, and applications. In this talk, I will introduce some recent developments on Bayesian inference with posterior regularization, which can incorporate rich side information such as the large-margin property we like to impose on the model distribution for accurate prediction, or the domain knowledge collected from experts or crowds for good interpretation, and scalable online learning and distributed inference algorithms. When applied to deep generative models, we are able to significantly improve the prediction accuracy without sacrificing the generative performance.

朱军，清华大学计算机系特别研究员、智能技术与系统国家重点实验室副主任、卡内基梅隆大学兼职副教授。主要从事机器学习、贝叶斯统计等基础理论、算法及相关应用研究，在国际重要期刊与会议JMLR, PAMI, ICML, NIPS等发表学术论文80余篇。受邀担任IEEE TPAMI的编委、《自动化学报》编委；担任中国计算机学会学术工委主任助理；担任机器学习国际大会ICML2014地区联合主席, 担任ICML（2014、2015、2016）、NIPS（2013、2015）、UAI（2014、2015、2016）、IJCAI2015、AAAI（2016、2017）等重要国际会议的领域主席。获中国计算机学会优秀论文奖、中国计算机学会青年科学家奖、国家优秀青年基金、中创软件人才奖；入选IEEE Intelligent Systems国际杂志评选的“AI’s 10 to Watch”以及清华大学221基础研究人才计划。

二、南京大学俞扬博士学术报告

题目：演化学习理论基础研究

摘要：演化算法是一类启发式优化算法，已在工业设计等问题中得到成功应用。但由于理论基础缺失，限制了其在机器学习等领域的深入应用。报告人 将回报在演化学习理论基础的一些进展，包括对演化学习时间复杂度的计算、逼近性能的分析、其算子效用的分析、以及在一些机器学习任务上的应用。

俞扬，博士，南京大学副教授。主要研究领域为人工智能、机器学习、演化计算、数据挖掘。分别于2004年和2011年获得南京大学计算机科学与技术系学士学位和博士学位。2011年8月加入南京大学计算机科学与技术系、机器学习与数据挖掘研究所（LAMDA）从事教学与科研工作。曾获2013年全国优秀博士学位论文奖、2011年中国计算机学会优秀博士学位论文奖。发表论文40余篇，包括多篇Artificial Intelligence、IJCAI、AAAI、NIPS、KDD等人工智能、机器学习和数据挖掘国际顶级期刊和顶级会议论文，研究成果获得ACM GECCO'11 Best Theory Paper、PAKDD'08 Best Paper等荣誉。任《Frontiers of Computer Science》青年副编辑，任人工智能领域国际顶级会议IJCAI’15高级程序委员，任IJCAI'16宣传共同主席、IEEE ICDM'16宣传共同主席、ACML'16 Workshop共同主席等。