宽度学习能否成为引领人工智能发展的下一个热点？| cncc2021-k8凯发旗舰

宽度学习能否成为引领人工智能发展的下一个热点？

摘要：cncc2021“宽度学习能否成为引领人工智能发展的下一个热点？”技术论坛将于2021年10月29日在深圳国际会展中心cc201a召开。本次论坛将邀请相关专家和优秀青年教师，讨论宽度学习在各类智能算法和产业创新中承担角色和未来趋势，如何扬长避短更好推动人工智能发展。

正文：

cncc2021将汇聚国内外顶级专业力量、专家资源，为逾万名参会者呈上一场精彩宏大的专业盛宴。别缺席，等你来，欢迎参会报名！

随着人工智能的蓬勃发展，深度学习网络取得了斐然的成绩。但由于深层网络结构的复杂性及超参数的数量巨大，深层学习网络存在训练时间过多的瓶颈问题。此外，为了追求精度，深度模型需要持续增加层数及参数，为网络结构分析与训练带来了巨大挑战。因此，如何在保证效果的前提下极大地缩短神经网络系统的训练时间已成人工智能时代的研究热点。宽度学习网络及其相关成果在世界上引起了学术界积极正面的回响。那么，宽度学习是否会在层出不穷的信息化网络工具竞争中脱颖而出，成为人工智能的未来担当？本次论坛，我们将邀请相关专家和优秀青年教师，讨论宽度学习在各类智能算法和产业创新中承担角色和未来趋势，如何扬长避短更好推动人工智能发展。此次活动由新华三集团提供赞助。

论坛主席：

张通，华南理工大学

个人简介：张通博士，现任华南理工大学计算机科学与工程学院教授（先上岗），博士生导师，院长助理。中国自动化学会青年工作委员会副秘书长。中国医学救援协会神经生物反馈治疗与干预分会副秘书长，广东省计算智能与网络空间信息重点实验室副主任。曾获广东省科技进步一等奖；第十届“吴文俊人工智能优秀青年奖”；ieee smc学会franklin v. taylor最佳论文奖；广东省杰出青年基金获得者；2020年全国互联网 大赛总决赛中指导学生团队获国家金奖2项。 主要从事人工智能，情感计算和小样本学习等算法及相关应用研究，发表学术文章50余篇。担任ieee transactions on computational social systems的期刊副编。对于情感智能算法与应用研究领域，主持国家自然科学基金青年、面上项目和重点项目课题4项，科技部“变革性技术关键科学问题”重点专项子课题1项。

论坛共同主席：

王昌栋，中山大学

个人简介：王昌栋，中山大学计算机学院副教授，博士生导师。2013年获得中山大学工学博士学位。2011年曾获首届广州市菁英计划公派留学项目资助，作为联合培养博士生，于2011年12月至2012年11月在美国伊利诺大学-芝加哥校区留学。他的研究方向包括数据聚类、社交网络、推荐系统、医学数据处理。他一共发表了100余篇学术论文，包括ieee tpami、ieee tkde、ieee tcyb、ieee tnnls等国际顶级刊物和kdd、aaai、ijcai、cvpr等国际顶级会议，其中中科院sci二区及以上期刊论文70余篇、ccf a、b类会议论文30余篇。主持了包括广东省自然科学基金-杰出青年基金、国家重点研发计划项目-子课题、国家自然科学基金-面上项目、国家自然科学基金-青年基金、ccf-腾讯犀牛鸟科研基金等13个项目。他的icdm2010论文荣获最佳论文提名奖；他曾获2012年微软亚洲研究院学者奖提名，2015年中国人工智能学会优秀博士学位论文奖，2017年广东特支计划“科技创新青年拔尖人才”，2018年度广东省自然科学奖一等奖、2020年度广东省自然科学奖二等奖。他是人工智能权威期刊journal of artificial intelligence research（jair）的副编辑（ae）。他是第16届数据挖掘与应用国际学术会议（16th international conference on advanced data mining and applications，adma 2020）的程序委员会共同主席（pc co-chair）。他是中国人工智能学会-模式识别专业委员会委员，中国计算机学会-数据库专业委员会委员，中国计算机学会-计算机视觉专业委员会委员，ccf广州分部副主席（2019.3-2021.3），ccf-yocsef广州主席（2020-2021），ccf广州分部学生分会指导主任（2021.4-2023.4），ccf学生分会工作组组长（2021.4-2022.4）。

论坛日程安排

时间：2021年10月29日13:30-18:00

地点：cc201a

主题报告1：

陈俊龙，华南理工大学计算机科学与工程学院 院长

个人简介：陈俊龙 （c. l. philip chen），欧洲科学院院士、欧洲科学与艺术院院士、ieee/aaas/iapr/caa fellow。陈教授是华南理工大学计算机学院院长、讲座教授、澳门大学讲座教授及科技学院前院长、中国自动化学会副理事长、科睿维安全球高被引科学家，美国工学技术教育认证会评审委员、ieee transactions on cybernetics顶级期刊主编、曾任ieee trans. on systems、man, and cybernetics: systems期刊主编。科研方向为智能系统与控制、计算智能等。曾获ieee系统科学控制论最高学术维纳奖 (norbert wiener award)、3次澳门自然科学奖、广东省科学技术一等奖、2次ieee transactions on neural networks and learning systems年度期刊最佳年度论文奖。陈教授的科研支持及成果包括科技部重点研发项目（首席）、国家基金委重点项目在人工智能方向的科研、以及多项广东省、广州市、澳门科技基金委的资助。澳门大学工程学科及计算机工程获国际《华盛顿协议》、《首尔协议认证》，是他对澳门工程教育的至高贡献。

报告题目：动态结构的神经网络：构建叠层宽度神经网络成深度模型

报告摘要：深层的网络结构能够使网络具有强大的学习能力，然而传统的深度结构网络参数量大，网络复杂性高，大多数深度网络的训练方式也是基于反向传播的梯度下降法或随机梯度下降法，往往存在着训练消耗时间长、容易陷入局部最优解等问题；宽度学习系统 (broad learning systems， bls) 是一种浅层的具有增量学习能力的神经网络，具有快速、高效的优点，然而其浅层结构也限制了网络的特征表达能力。为了解决上述问题，本汇报提出了一种具有动态结构的神经网络：构建叠层宽度神经网络成深度模型。该模型保留了宽度学习系统高效、快速的优点，同时通过残差连接将多个宽度学习系统模块叠加起来，增加网络的深度，提高网络的学习能力。叠层宽度神经网络（stacked bls）的“动态”体现在宽度和深度两个方面。宽度方向的增量学习体现在宽度学习系统模块内部的神经元：在每一个宽度学习系统模块内部，当新增加特征节点、增强节点或输入数据时，只需要学习新增加部分的权重即可；深度方向的增量学习体现在宽度学习系统模块之间：在宽度学习系统模块之，当叠加新的宽度学习系统模块时，下层模块的参数可以固定不变，只需要计算新叠加的宽度学习系统模块的网络参数即可。这两种增量学习的方式使得模型的计算量较少，网络复杂性较低，使用过程中可以很方便的增加网络的宽度和深度，并实现快速、高效的训练，能够针对不同任务进行适应性的调整，提高模型的泛化能力。叠层宽度神经网络在多个数据集上展现了优越性，在多个图像数据库的测试，均优于现有的很多图像分类方法，同时相较于深度神经网络方法，动态结构的神经网络大幅减少了网络计算时所需要的参数数量。

主题报告2：

黄德双，同济大学电子与信息工程学院 教授

个人简介：黄德双，博士，教授，现为同济大学电子与信息工程学院博士生导师，ieee fellow，国际模式识别学会(iapr) fellow，2000年度中科院“百人计划”入选者，中国计算机学会生物信息学专业委员会副主任委员。长期从事神经网络、模式识别与生物信息学方面的研究，在国内外等学术期刊上发表了超过230篇sci论文, h因子73；曾荣获教育部和安徽省自然科学一等奖各1项、人工智能学会科技进步一等奖奖1项；担任国家科技创新 2030—新一代人工智能重大项目“面向复杂数据处理的新型神经网络模型研究”项目首席专家；担任期刊ieee/acm transactions on computational biology & bioinformatics等杂志编委。

报告题目：graph representation learning and beyond

报告摘要：graph neural networks (gnn) have achieved advanced performance in many fields such as traffic prediction, recommendation systems, and computer vision. recently there are majorities of methods on gnn focusing on graph convolution, and less work about pooling. existing graph pooling methods mostly are based on top-k node selection, in which unselected nodes will be directly discarded, caused the loss of feature information. in that case, we propose a novel graph pooling operator called hierarchical graph pooling with self- adaptive cluster aggregation (hgp-saca), which uses a sparse and differentiable method to capture the graph structure. before using top-k for cluster selection, the unselected clusters are aggregated by an n-hop, and the merged clusters are used for top-k selection, so that the merged clusters can contain neighborhood clusters enhancing the function of the unselected cluster. this can enhance the function of the unselected cluster. through extensive theoretical analysis and experimental verification on multiple datasets, our experimental results show that combining the existing gnn architecture with hgp-saca can achieve state-of-the-art results on multiple graph classification benchmarks, which proves the effectiveness of our proposed model. besides, we are also interested in dynamic graphs. this kind of graph that changes over time is currently rarely studied. we leave this as future work. finally, some new research problems in this aspect will be pointed out and over-reviewed.

主题报告3：

赵冬斌，中国科学院自动化研究所研究员

个人简介：赵冬斌博士，中国科学院自动化研究所研究员，中国科学院大学岗位教授，ieee fellow。任ieee计算智能学会杰出讲座计划主席，《ieee神经网络与学习系统汇刊》、《ieee控制论汇刊》、《ieee人工智能汇刊》等多个国际期刊编委。组织了多次国际会议，包括ijcnn2019程序委员会主席等。发表论文300余篇，包括《ieee认知与发育系统汇刊》2020年度唯一优秀论文奖等多篇。团队获2020年robomaster全球人工智能挑战赛一等奖等多项。目前研究方向包括深度强化学习、智能博弈/游戏、自动机器学习、智能驾驶/交通、移动机器人等。

报告题目：宽度神经架构搜索

报告摘要：宽度学习系统利用较浅的宽度拓扑结构取得了与深度神经网络类似甚至更高的性能。另一方面，面向深度神经网络结构设计的神经架构搜索可以自动构建出优化的深度神经网络结构。将二者优点结合，本报告介绍团队首次提出的宽度神经架构搜索方法。首先介绍所提出的宽度神经架构搜索空间——宽度卷积神经网络，此基础上构建了三种高效的宽度神经架构搜索方法，给出了cifar-10和imagenet数据集的验证结果，实现了在提升神经架构搜索效率的同时兼顾所得模型的性能。

主题报告4：

王熙照，深圳大学计算机与软件学院 教授

个人简介：王熙照，博士，深圳大学教授，ieee fellow，caai fellow，ieee-smc计算智能专委会主席，springer杂志machine learning and cybernetics主编。中国人工智能学会(caai)常务理事、caai知识工程专委会主任委员。深圳市海外高层次人才，曾获省部级自然科学一等奖和吴文俊人工智能自然科学一等奖。主要研究兴趣包括不确定性建模和面向大数据的机器学习，在该领域发表学术论文多篇；著有《基于不确定性的决策树归纳》和《learning with uncertainty》等著作；主持完成国家自然科学基金等项目多项；累计完成指导博士/硕士学位研究生200多名；曾担任多个国际/国内学术会议的大会或程序主席。

报告题目：深度学习中的不确定性建模与分析

报告摘要：不确定性建模与分析是一个古老的话题，但将其用于深度学习中是近几年才刚开始的。报告聚焦于近年来流行的深度学习技术，讨论了学习过程中的数据、模型、预测等不确定性建模问题，分析了不确定性表示与泛化性能之间的关系，指出量化的不确定性可通过优化模型参数或改进损失函数来调整，该调整可显著提升对抗鲁棒性和学习性能。

主题报告5：

赵春晖，浙江大学控制学院 教授、浙江大学工业技术转化研究院副院长

个人简介：赵春晖，国家杰青，浙江大学控制学院教授、浙江大学工业技术转化研究院副院长。主要研究工业数据解析与应用，涉及化工、能源以及医疗领域等。已发表国际知名期刊sci论文140余篇。出版学术专著2本，授权发明专利50余项。近年已主持10余项科研项目，包括国家自科基金杰青、优青、重点、国家重点研发课题以及省重点研发、重大企业合作课题等。先后获得省部级多项奖励。曾获国家杰青（2021）、优青（2014）、全国百篇优博提名、教育部新世纪优秀人才、自动化学会首届青年女科学家奖等。担任ifac期刊journal of process control的senior editor以及3本sci期刊的associate editor、三家国内期刊编委等，担任国际自控联化工过程控制以及safeprocess技术委员会委员、中国自动化学会女科技工作者专委会秘书长等。

报告题目：宽度学习方法及实际应用思考与浅析

报告摘要：宽度学习系统由陈俊龙教授（prof. c. l. philip chen）于2017年首次提出，源于其1993年对扁平化神经网络的研究，作为一种不依赖深度结构的神经网络结构，具备了优秀的运算速度和简洁的结构。最近几年，我们课题组基于宽度学习系统做了一些工作，包括理论算法及其在工业中的应用。这里我们将简要介绍我们课题组对宽度学习的几方面的认知思考，具体包括，对于宽度学习的增量能力的研究，以及在实际应用中的探索。

cncc2021将于10月28-30日在深圳举行，今年大会主题是“计算赋能加速数字化转型”。cncc是计算领域学术界、产业界、教育界的年度盛会，宏观探讨技术发展趋势，今年预计参会人数将达到万人。每年特邀报告的座上嘉宾汇聚了院士、图领奖得主、国内外名校学者、名企领军人物、各领域极具影响力的业内专家，豪华的嘉宾阵容凸显着cncc的顶级行业水准及业内影响力。

今年的特邀嘉宾包括acm 图灵奖获得者john hopcroft教授和barbara liskov教授，南加州大学计算机科学系和空间研究所yolanda gil教授，陈维江、冯登国、郭光灿、孙凝晖、王怀民等多位院士，及众多深具业内影响力的专家。今年的技术论坛多达111个，无论从数量、质量还是覆盖，都开创了历史之最，将为参会者带来学术、技术、产业、教育、科普等方面的全方位体验。大会期间还将首次举办“会员之夜”大型主题狂欢活动，让参会者畅快交流。

cncc2021将汇聚国内外顶级专业力量、专家资源，为逾万名参会者呈上一场精彩宏大的专业盛宴。别缺席，等你来，欢迎参会报名！