主讲人简介:陈春林,南京大学教授,博导,工程管理学院副院长。
周献中,南京大学教授,博导,中国指挥与控制学会会士、常务理事。
李华雄,南京大学教授,博导,控制科学与智能工程系主任。
贾修一,南京理工大学教授,博导,《Pattern Recognition》编委。
俞奎,合肥工业大学黄山学者特聘教授,博士生导师。
陈春林作《面向复杂场景的机器人学习与知识发现》报告。报告从机器人学习的具身性特征出发,探讨其在复杂场景下的知识建模与决策优化方法。基于机器人学与机器学习的交叉视角,报告将梳理示教学习、分层强化学习等核心技术的演进路径,并结合工业制造、医疗辅助等领域的典型案例,阐释如何通过多模态感知、动态环境建模及人机协同机制实现知识的自主挖掘与泛化迁移。并分析当前面临的学习效率与数据稀缺性、安全可解释性约束、类脑计算范式创新等五大挑战。最后,结合量子控制、脑机接口等前沿方向,提出构建“感知-推理-交互-进化”闭环的下一代智能系统框架,为知识发现从实验室到产业化的跨越提供理论支撑与技术路径。
周献中作《智能博弈中的人机融合决策》报告。报告聚焦智能博弈场景下的人机融合决策理论与技术,探讨如何通过自然智能与人工智能的深度协同,实现复杂动态博弈中的高效知识发现与策略优化。报告以“人件技术(Humanware)”为核心,提出人机多通道协同交互框架,结合意图识别、动态置信校准与分层强化学习技术,构建面向动态博弈环境的混合决策模型。针对人机认知偏差与异构系统协同难题,报告将分析多模态数据(如语音、文本、态势图)的语义对齐方法,阐释大语言模型在博弈策略生成与可解释性增强中的作用,并通过兵棋推演、智能博弈对抗等场景案例,展示人机协同决策在意图推理、多任务推演及动态资源调度中的实践价值。进一步,围绕开放环境下的博弈不确定性,提出基于量子博弈论与元学习的动态适应策略,探讨人机互信机制与博弈均衡状态的协同优化路径,为智能博弈从理论到实战的跨越提供方法论支撑。报告最后将展望量子计算、脑机接口与具身智能的交叉融合方向,揭示人机融合决策在军事推演、应急指挥、智慧城市等领域的广泛应用前景。
李华雄作《多模态学习与多视图聚类及其优化》报告。本报告围绕多模态学习与多视图聚类的理论与优化方法,探讨其在人工智能与知识发现领域的核心价值与应用潜力。针对多模态数据(如图像、文本、时序信号)的异构性与高维性,报告将系统性阐述基于交替方向乘子法(ADMM)的跨模态哈希学习框架语义对齐与自适应标签关联技术,提升多源异构数据的检索效率与知识泛化能力。结合特征解耦与图学习理论,提出多视图聚类模型,解决开放场景下噪声敏感、信息冗余等难题,为工业控制、医疗影像分析、智能博弈等领域的多源数据融合提供方法论支撑。同时,报告将分析弱监督场景下的鲁棒优化策略,包括代价敏感三支决策、噪声抑制机制及动态权重分配技术,探索如何通过风险最小化方法平衡分类精度与模型可解释性,揭示多视图聚类在动态数据流适配与用户意图建模中的创新价值。最后,展望未来研究方向与技术挑战,为人工智能驱动的知识发现与决策优化提供理论工具链与实践参考。
贾修一作《知识发现驱动的标记分布学习》报告。报告围绕知识发现驱动的标记分布学习理论与方法,系统阐述其在复杂数据场景下的创新价值与应用潜力。标记分布学习作为一种新型机器学习范式,突破传统多标记学习的局限性,通过描述度量化标记间的相对重要性差异,为多义性对象(如医学影像多病症关联、自然语言多情感表达)提供更精细的语义建模框架。针对标记分布隐含的序关系与相关性特征,报告提出基于知识发现的动态优化策略:一方面,融合全局标记相关性与局部样本关联性,构建低秩近似与流形正则化联合优化模型,提升年龄估计、自闭症检测等任务的可解释性与泛化能力;另一方面,结合知识图谱与元学习技术,从异构数据中挖掘潜在标记分布规律,实现跨领域知识迁移与增量式学习。报告展示标记分布学习在医疗影像多标签诊断、工业设备多状态监测等场景的实践案例,通过动态置信校准与代价敏感三支决策方法,解决数据噪声干扰与标记缺失问题,显著提升模型鲁棒性。同时,探讨大语言模型与标记分布学习的协同机制,探索基于提示工程的标记增强技术,为多模态数据(如文本-图像联合分析)提供统一表征空间。最后展望知识发现驱动的自适应标记分布学习在开放动态环境下的挑战,如小样本泛化、多粒度语义融合等方向,为人工智能与知识发现领域提供方法论参考与技术工具链支撑。
俞奎作《因果结构学习与鲁棒机器学习问题初探》报告。构建鲁棒的机器学习模型是实现安全、可信、可靠的新一代人工智能技术的重要基础之一。因果推断通过发现数据中的因果关系揭示数据背后的规律与机制,为构建鲁棒的机器学习模型提供了有效途径。因此,如何从因果推断视角探索机器学习模型的鲁棒性问题是目前机器学习领域的热点研究课题。在 Pearl’s 因果推理模型框架下,因果结构学习是因果推断前提。近 20 年来,因果结构学习一直是因果推理领域的核心研究方向。探索如何高效的从数据中学习因果结构以及探讨因果结构学习与机器学习模型的鲁棒性问题,是因果推断与机器学习融合的重要研究方向。