报告时间：2025年4月11日（周五）8：20–17：30

报告地点：数学与统计学院4号楼129会议室

报告一：

报告题目：基于嵌入的聚类算法研究

报告简介：在高维数据环境下，样本关于不同类的隶属度趋于均匀分布，易导致传统基于划分的聚类算法失效。结合空间变换思想，从特征和样本两个不同维度提出了融合聚类和图嵌入表示学习的联合优化框架。所提联合学习框架中，聚类任务、嵌入表示和数据分布结构保持融合在一个统一模型下，降低了模型多阶段学习模式的误差累积，使得模型多任务整体求解达到最优。

报告人介绍：周杰，深圳大学大数据系统计算技术国家工程实验室特聘研究员，深圳市海外高层次人才，深圳市高层次后备级人才，高级工程师，中国人工智能学会知识工程与分布智能专委会副秘书长。2011年6月于同济大学获得模式识别与智能系统专业工学博士学位，2009年至2010年为加拿大埃尔伯塔大学访问学者，2017年至2018年在香港理工大学任副研究员。在不确定性分析、模式识别、知识推理、智能系统研发等方面具有多年研究经验积累，并具有工业领域丰富的数据挖掘及智能控制系统开发实践经验。在TNNLS、TKDE、TFS、TCYB、TETCI、PR、电子学报等国内外重要学术刊物上发表论文70余篇,获得AIFT2019国际会议最佳论文奖、广东省人工智能产业协会科学技术奖（自然科学）二等奖。担任多个国际期刊审稿人，授权国内发明专利13项，主持和参与多项不确定性分析、知识推理等方面的国家和省部级科研课题。

报告二：

报告题目：最优特征提取器与分类器的一体化设计理论与算法

报告简介：如何将分类器和特征提取器集成到一个统一的模型框架中进行联合优化学习是人工智能算法设计中的一大挑战，这将可以充分发挥特征提取器与分类器的性能，从而使系统的识别精度达到最佳状态。为此，该报告主要针对经典算法中特征提取与分类器分别独立设计或拼接存在的次优问题，以子空间特征提取与SVM分类为例，提出面向高维数据特征提取器与分类器设计的最优一体化学习理论与算法框架，并介绍其在高维数据分类如肿瘤图像特征提取与识别等取得的进展及一些前沿相关问题。

报告人介绍：赖志辉，博士、深圳大学计算机与软件学院教授、博士生导师，现为广东省计算机视觉中英联合实验室副主任。曾任香港理工大学博士后、副研究员及研究员，已发表了200多篇学术论文，其中有60多篇发表在IEEE Transactions系列权威杂志上。他所发表的学术论文已获得近4500次SCI他引及9000次GOOGLE学术引用,个人h指数为52；曾有7篇论文入选EIS高被引论文。他曾获得2017年江西省自然科学技术奖二等奖、2019年吴文俊人工智能自然科学三等奖、2023年广东省人工智能产业协会二等奖。他于2015年入选深圳市海外高层次人才“孔雀计划”，2019起入选全球前2%科学家榜，现任国际SCI期刊International Journal of Machine Learning and Cybernetics的编委；详情见个人主页http://www.scholat.com/laizhihui。

报告三：

报告题目：高效降维算法的研究——递阶辨识方法及变量消去法

报告简介：大规模系统广泛存在与现实生活中，大规模系统辨识存在变量多、维度高、信息矩阵病态等问题。利用递阶辨识方法将高维系统划分为多个低维子系统，分别辨识每一个子系统，进而降低病态特性；由于递阶方法未考虑变量之间的耦合，进一步提出变量消去法。理论和仿真实验验证了方法的有效性。

报告人介绍：陈晶，江南大学理学院副院长，博士，教授，博导，江苏省青蓝工程中青年学术带头人，江苏省应用数学学会常务理事，无锡市十佳青年科技之星，主要从事机器学习优化方法与理论、系统建模与参数辨识。以第一作者发表论文60余篇，其中SCI收录50余篇，包括控制领域顶级期刊《Automatica》， 《IEEE Transactions on Automatic Control》，《System Control Letters》等。江苏省高校自然科学奖2等奖1项（主持），授权发明专利10余项，主持国家省部级课题7项，包括国自然面上项目2项，省自然面上项目2项。《International Journal of Modelling, Identification and Control》编委、《Mathematics》、《Algorithm》客座编委，国际会议International Conference on Modelling, Identification and Control及International Symposium on Modelling, Identification and Control 程序委员会委员。

报告四：

报告题目：神经网络模型的鲁棒性研究

报告简介：神经网络是人工智能领域的核心基础模型之一，而其鲁棒性研究旨在解决神经网络在复杂、不确定以及对抗性环境中所面临的可靠性、安全性和稳定性问题。随着神经网络技术的快速发展，尤其是深度神经网络在自动驾驶、医疗诊断、金融决策等领域的广泛应用，神经网络模型正逐步从实验室走向实际场景。然而，这些实际应用场景充满挑战，包括数据分布的偏移、环境的不确定性以及潜在的恶意攻击等，这些因素可能导致模型性能下降甚至完全失效。因此，确保神经网络模型在极端条件下的稳定性和可靠性显得尤为重要。神经网络鲁棒性研究不仅关注提升模型的容错能力，还涉及其在面对不完全信息、数据质量问题以及算法偏见等多方面挑战时的表现。通过鲁棒性研究，可以有效应对实际应用中的风险，保障模型在复杂环境中的可靠性。本讲座将系统介绍神经网络鲁棒性的核心概念及其重要性，深入分析神经网络模型在设计与应用中的潜在风险，并探讨如何通过技术手段评估和提升神经网络模型的鲁棒性与安全性，为其在实际场景中的应用提供坚实保障。

报告人介绍：阮文杰，博士，中国科技大学特任教授，博士生导师，本科毕业于中南大学自动化系，硕士毕业于中南大学控制科学与工程系，博士毕业于澳大利亚阿德莱德大学计算机系。博士毕业后，曾在英国牛津大学等多所知名高校从事博士后研究及科研教学工作多年。阮博士在人工智能相关领域的顶级会议（如NeurIPS、IJCAI、ASE、AAAI、CVPR等）发表论文40余篇，并多次受邀担任国际会议（如AAAI、IJCAI、SIGIR、AAMAS等）的程序委员会高级委员或委员。阮博士的主要研究方向聚焦于神经网络的鲁棒性分析，尤其专注于为各种常用深度神经网络模型设计高效的鲁棒性评估与验证算法。近年来，他对大模型的鲁棒性评测与验证表现出浓厚兴趣，并在这一领域积极开展研究。