报告题目：超限学习机–填补Frank Rosenblatt梦想到John von Neumann的困惑之间的空白?

Speaker：  Guang-Bin Huang  Nanyang Technological University, Singapore

报告 人：黄广斌  （新加坡南洋理工大学）

地    点：  数计学院2号楼309

时    间：  2015年7月16日15:00-17:00

Abstract

Artificial intelligence and machine learning have become hot in the past years. This talk will analyse the reasons behind the reviving of artificial intelligence and machine learning from both technologies and industrial demand aspects. We wish to point out that the true machine learning era is coming and it’s time to rethink artificial intelligence and machine learning. This talk will introduce a newgeneration of learning theory (the resultant biologically inspired learning technique referred to as Extreme Learning Machine (ELM)) and its wide type of applications. ELM outperforms many popular learning methods (e.g., conventional neural networks and support vector machines) with faster learning speed (up to tens of thousands times) and higher accuracies. Preliminary studies shows that ELM also outperforms deep learning in some applications. ELM theories may have explained the reasons why the brain are globally ordered but may be locally random. This talk wishesto share with audiences the trends of machine learning: 1)turning point from machine learning engineering to machine learning science; 2) convergence of machine learning and biological learning; 3) from human and (living) thing intelligence to machine intelligence; 4) from Internet of Things (IoT) to Internet of Intelligent Things and Society of Intelligent Things.

 摘要

近几年人工智能和机器学习的研究和应用开始变得火热起来。这个报告从技术和工业需求角度分析人工智能和机器学习复兴的原因。本报告指出真正的机器学习时代已经来到，是时候重新思考人工智能和机器学习的研究，定位和角色。本报告也简介新的学习理论和技术（所衍伸的生物学验证的学习方法叫超限学习机ELM）及其应用。超限学习机和广泛流行的学习技术（比如传统的人工神经网络，支持向量机）相比，速度快（可以达到几百到几万倍），精确度。初步研究显示在某些应用中超限学习机和深度学习相比准确率有所提高, 但训练时间会大幅度降低（可以从1-2天缩短到几分钟或更少）。ELM理论也许能解释为什么生物脑总体有序又局部无序,即使同种生物各个脑袋又不一样(比如每个人的脑袋不尽相同) 。本报告也想展望一下未来机器学习的发展趋势: 1）从机器学习工程到机器学习科学的转折点; 2）机器学习和生物学习机制的汇合趋势; 3）从人（生命体）的智能到机器智能; 4）从物联网（Internet of Things (IoT)）到智能物的联网（Internet of Intelligent Things）以及智能物的社群交互（Society of Intelligent Things）。

黄广斌(Guang-Bin Huang) 是IEEE Transactions on Cybernetics, Neurocomputing，Cognitive Computation和Neural Networks编辑。他被Thomson Reuters 评为“Highly Cited Researcher”，以及列为“2014 The World's Most Influential Scientific Minds”之一。他也是IEEE Transactions on Neural Networks and Learning Systems (2013)最佳论文获得者。

他目前的研究方向包括：大数据处理分析，脑机交互，人机交互，图像处理，机器学习理论和技术。他是新加坡南洋理工大学电子电气工程学院副教授(tenured) 。他是德国宝马集团和南洋理工大学联合研究实验室（BMW-NTU Future Mobility Research Laboratory）人机交互，脑机交互以及汽车辅助驾驶项目负责人。他也是劳斯莱斯和南洋理工大学联合研究实验室（Royce Rolls – NTU Corporate Lab）导航决策辅助系统项目负责人，新科工程和南洋理工大学联合研究实验室（Singapore Technologies Engineering – NTU Corporate Lab）场景识别和机器学习项目负责人，台达电子和南洋理工大学联合研究实验室（NTU – DeltaLab）数据分析和视频项目负责人。他是新加坡樟宜机场新加坡航空公司地面服务公司第五货运大厦的信息跟踪控制系统升级改造的总设计师和项目技术负责人(1998-2001) 。 

他的一个主要学术贡献是提出一套全新的学习理论和方法：Extreme Learning Machines （ELM，超限学习机）。ELM突破了前30年流行的前馈神经网络以及近20年广泛应用的支撑向量机（SVM）的理论和技术瓶颈。和ELM相比，支撑向量机及其演伸方法只是提供次优学习方案。ELM和SVM/LS-SVM，Deep Learning（深度学习）相比，准确率高，简单易用，学习速度可以快几千到几万倍。ELM理论最近也得到了生物和脑神经学的直接生物验证，弥补了机器学习和脑学习机制之间的空白，解决了计算机之父冯·诺依曼（John von Neumann）60年前的关于人脑和计算机结构和能力的困惑。