点击蓝字
关注我们
AI TIME欢迎每一位AI爱好者的加入!
2021 年 7 月 13 日,「AI TIME 走进浙大」论坛在浙江大学公共管理学院隆重举行。
此次活动得到了浙江大学计算机学院人工智能研究研究所、浙江大学计算社会科学研究中心、浙江大学工程师学院、阿里巴巴集团、中软国际教育集团等机构的大力支持。
在本次论坛中,AI TIME 负责人何芸老师首先对 AI TIME 的起源、定位、使命、系列活动进行了介绍。
接着,中软国际教育集团“未来杯”大赛事业部总经理张喆先生发布了 2021“未来杯”高校 AI 挑战赛。
随后,浙江大学计算机学院人工智能系主任杨洋副教授、浙江大学计算机系况琨副教授、阿里巴巴集团资深算法总监杨红霞博士、浙江大学公共管理学院研究员吴超分别带来了时序图数据挖掘、因果推理与因果学习、大规模多模态预训练模型、群体智能与数据资产四个方向的学术报告。
最后,本次论坛的嘉宾与现场观众就「大规模预训练模型如何改变 AI 研究」这一话题展开了精彩的讨论。
主题报告
杨洋:Time2Graph
浙江大学计算机学院人工智能系主任杨洋介绍了其团队在融合时间序列和图数据,进行时间序列建模方面的研究进展——Time2Graph。杨洋教授团队的团队主要从事基于图数据的异常检测、图表示学习、计算社会学等方面的研究,相关成果被应用于国家电网、中国电信、海康威视、阿里巴巴等企业。
时序数据大量存在于我们的日常生活和业务场景下,股票价格波动、交通流量变化、癫痫患者的脑电数据都属于时序数据。为了对时序数据的模式进行识别和分析,我们往往需要具备一些领域的先验知识。为此,杨洋教授团队提出考虑构造时序数据波形的「基因」,将某些行为与特定的时序数据中的模式关联起来。
具体而言,时序数据中具有代表性的子序列被称为 Shapelets,该片段具有很强的可解释性。我们需要找出一些 Shaplets 能够将正负样本的空间距离拉开。
杨洋教授团队利用该技术成功地帮助国家电网识别出了用户的窃电行为。由于 Shapelets 在不同的时间段代表的物理意义有所差别,杨洋教授团队提出了「Time-aware Shapelets」。当我们挖掘出每个片段波形对应的 Shapelets 后,就可以将原始数据转化为 Sharpelets 的索引序列,从而将原始时间序列转化为更低维空间中的离散表征。
为了在计算复杂度可接受的情况下表示出 Time-aware Shapelets,杨洋教授团队构造了 Shapelet 演化图,其中节点代表 Shapelets,有向边的权重代表 Shapelets 共现的概率。根据 Shapelets 的物理意义和演化图中边的情况,我们就可以识别出异常的窃电行为。
在杨洋教授课题组被 TKDE 录取的最新论文中,他们提出了 Time2Graph+,试图自动地学出 Shapelets 演化图的结构,该方法取得了一定的性能提升。
此外,图结构也可能随着时间而发生变化。因此,杨洋教授课题组在论文「EvoNet」中提出了一种动态图神经网络,从而量化地表征图结构的变化过程。
主题报告
况琨:因果推理与因果学习
浙江大学计算机学院况琨副教授在本次论坛中概述了因果推理与因果学习的概念,并简要介绍了其团队在这个方面取得的一些研究进展。
目前&