点击蓝字
关注我们
AI TIME欢迎每一位AI爱好者的加入！
哔哩哔哩直播通道
扫码关注AI TIME哔哩哔哩官方账号预约直播
✦+
+
活动时间
2023年6月16日 19：00-21：00
+
邀请嘉宾
19：00—19：20
讲者简介
王琦：
国防科技大学理学院数学系统计与运筹学讲师。2015.06-2017.12期间，他在国防科技大学攻读管理学硕士学位，师从黄金才教授和冯旸赫副教授，从事复杂性与随机优化研究。2019.06-2022.09期间，他在荷兰AMLab攻读计算机博士学位，师从Max Welling 教授和 Herke van Hoof博士，从事生成式人工智能与强化学习的研究。
过去三年，他以第一作者在人工智能机器学习三大顶级会议ICML、NeurIPS 和 ICLR 累计发表了4篇论文，提出了一系列条件生成模型、元强化学习模型和统计推断算法，获得ICML2022 Travel Grant和NeurIPS2022 Scholar Award。
报告题目
AIGC技术发展趋势与前景展望
报告简介
近些年，人工智能生成内容(AIGC)技术受到了学术界和工业界的广泛重视，此类生成式AI技术的涌现提升了社会生产效率，为通用人工智能(Artificial General Intelligence)技术开发的难题提供了新的解决思路。
本报告的第一部分将对AIGC技术的发展进行溯源，面向生成式AI的核心模型，阐释背后的数学原理。本报告的第二部分将围绕生成式AI理论研究的相关问题进行探讨，涵盖可解释性、可靠性、可行性、泛化性等，并借助统计学、几何学、决策论、优化理论等数学理论对深度生成模型的结构设计、优化策略、效果评估，以及应用部署进行展望。
19：20—19：40
讲者简介
吴泰霖：
吴泰霖博士为西湖大学工学院人工智能方向助理教授，AI + Science实验室PI（http://tailin.org）。
2020～2023年在斯坦佛大学计算机系从事博士后研究，师从Jure Leskovec教授，博士毕业于麻省理工学院，本科毕业于北京大学。吴泰霖研究方向为 AI 与 Science 学科交叉的核心、普适问题，包括：
（1）开发机器学习方法用于大规模科学仿真和设计（流体、机械、材料）
（2）开发机器学习方法用于科学发现（物理、生命科学）
（3）基于图神经网络和信息论的表示学习。
尤为突出的是，吴泰霖博士在科学仿真方面，通过图神经网络模拟大规模系统方面成数量级地加快了仿真速度，解决其多尺度、多分辨率、大规模的核心挑战。为了促进科学发现，首次提出了以"AI 物理学家” 为核心的系列算法，能够模仿科学家发现简单、普适的物理定律和系统内部结构。在表示学习方面，吴泰霖提出的图信息瓶颈架构大幅提高了图表示学习的鲁棒性。
吴泰霖博士也是美国国家科学院院刊（PNAS）、Nature Communications、Nature Machine Intelligence、Science Advances 等综合期刊，以及各机器学习顶级会议的审稿人。
报告题目
AI用于多分辨率科学仿真和设计
报告简介
在这个报告中，吴泰霖博士将首先阐述科学仿真中的一个重要挑战：系统的多分辨率。在物理、流体、天气、材料、核聚变等很多领域，系统的一小部分变化非常剧烈，需要非常精细的分辨率，而大部分则变化缓慢。
他们提出了LAMP架构，通过一个图神经网络学习系统随时间的演化，另一个图神经网络通过强化学习来优化系统各个部分的空间分辨率，能实现预测误差和计算成本地可控权衡。报告第二部分，基于仿真，可以进行系统的反向设计，从而优化给定的目标。吴泰霖博士将阐述AI用于反向设计在各科学、工程关键领域的重要应用、开放问题和可能方向。
19：40—20：00
讲者简介
孟祥明：
浙江大学国际联合学院助理教授，研究方向为贝叶斯机器学习。
孟祥明博士于2023年3月加入ZJU-UIUC任长聘教轨助理教授，此前于2022年4月至2023年3月担任日本东京大学特任助理教授。他于2016年在清华大学获得信息与通信工程博士学位，2011年在西安电子科技大学获得通信工程学士学位。2016年至2019年在上海华为技术有限公司任高级研究工程师，之后于2019年至2020年，以及2020年至2022年先后在日本理化学研究所RIKEN综合智能创新中心（AIP）以及日本东京大学物理系做博士后研究员。
孟祥明博士的研究兴趣主要是机器学习、信息论、信号处理以及统计物理的交叉领域，尤其集中于概率图模型，近似贝叶斯推理以及学习算法。最近他对于扩散模型等深度生成模型及其在各种逆问题（如压缩感知与图像重构）中的应用特别感兴趣。相关研究工作发表于IEEE JSAC, IEEE SPL, NeurIPS, ICML, ICLR, AISTATS等国际顶级期刊与顶级会议。
他受邀担任多个国际顶级期刊会议的审稿人，包括Statistics and Computing, IEEE TCOM, NeurIPS, ICML, ICLR, CVPR, AAAI, AISTATS等。
报告题目
基于扩散模型的量化压缩感知
报告简介
We consider the problem of recovering a high-dimensional signal from noisy quantized measurements. Quantization, especially coarse quantization such as 1-bit sign measurements, leads to severe information loss, and thus a good prior knowledge of the unknown signal is helpful for accurate recovery. Motivated by the power of score-based generative models (SGM, also known as diffusion models) in capturing the rich structure of natural signals beyond simple sparsity, we propose an unsupervised data-driven approach for quantized compressed sensing (QCS) using SGM as an implicit prior.
To perform posterior sampling from the quantized measurements, one needs to obtain the noise-perturbed likelihood score, i.e., the gradient of an annealed log-likelihood, which, however, is intractable. To tackle such difficulty, under an uninformative prior assumption, we first obtain a closed-form noise-perturbed pseudo-likelihood score when the measurement matrices are row-orthogonal, leading to the QCS-SGM algorithm.
Moreover, for general measurement matrices, we further propose an enhanced version of QCS-SGM, dubbed QCS-SGM+, by using expectation propagation. Experiments on a variety of baseline datasets demonstrate that the proposed QCS-SGM and QCS-SGM+ significantly outperform existing state-of-the-art algorithms by a large margin.
20:00—20:20
讲者简介
娄钱：
娄钱博士2022年加入中佛罗里达大学，担任计算机系助理教授并且是计算安全与隐私中心成员。个人主页：https://www.qlou.org/
一年时间内已经指导学生发表ICLR 2023， CVPR 2023， DAC 2023等多篇学生一作文章，并长期招收优秀学生。此前于2021年博士毕业加入三星湾区人工智能中心担任Senior Research Scientist，在公司发表三篇一作ICLR, CVPR, 合作发表三篇ICLR, IJCAI, EMNLP文章, 多个受保护的专利。2017年本科从山东大学计算机基地班毕业，在印第安纳大学博士期间发表7篇一作NeurIPS，ICLR，ICML，3篇一作ICCAD，ASP-DAC， PACT (最佳论文提名)，6篇合作论文。
目前的研究主要是深度学习，高效学习和推理，人工智能安全和隐私，应用加密算法和系统等。30+研究成果已发表在顶会刊物上，比如 NeurIPS, ICML, CVPR, ICLR, EMNLP, IJCAI, PACT, DAC, DATE, ICCAD等等，并担任相关顶会和期刊的审稿人。
报告题目
探讨人工智能的安全与隐私问题
报告简介
人工智能模型，尤其是深度学习模型，已经在广泛的领域得到了应用，但其隐私和安全问题仍然存在许多待解决的挑战。本次报告旨在探讨数据隐私和模型隐私的问题，并对模型的安全性进行研究。
首先，数据隐私是一个关键问题。人工智能模型在训练和使用过程中需要使用大量的数据，而这些数据往往包含个人隐私信息。因此，我们需要探索如何保护这些数据的隐私，例如采用隐私计算技术，以确保个人身份和敏感信息不被泄露。
其次，模型隐私也是一个重要议题。人工智能模型可能泄露训练数据的敏感信息。研究人员需要研究如何在模型训练和推理过程中保护模型的隐私，以防止敏感信息的泄露。模型的安全性是另一个需要研究的关键问题。恶意攻击者可能通过植入后门攻击来破坏人工智能模型的性能和安全性。我们需要探索不同的后门攻击方法，并提出相应的检测和去除策略，以保护模型的安全性。
我们需要确保人工智能模型的隐私和安全性，从而推动人工智能技术的可持续发展。
20:20—21:00
Panel
・智能决策大模型在生命系统/机器人系统中部署的机遇与挑战
・大模型的安全隐患以及解决方案，特别是在医疗金融等高风险领域
・大模型在物理仿真中的机遇和挑战
・AI或者大模型还需要理论吗？
请添加“AI TIME小助手（微信号：AITIME_HY）”，回复“大模型”，将拉您进群！
AI TIME微信小助手
往期精彩文章推荐
记得关注我们呀！每天都有新知识！
关于AI TIME
AI TIME源起于2019年，旨在发扬科学思辨精神，邀请各界人士对人工智能理论、算法和场景应用的本质问题进行探索，加强思想碰撞，链接全球AI学者、行业专家和爱好者，希望以辩论的形式，探讨人工智能和人类未来之间的矛盾，探索人工智能领域的未来。
迄今为止，AI TIME已经邀请了1000多位海内外讲者，举办了逾550场活动，超600万人次观看。
我知道你
在看
哦
~
点击 阅读原文 预约直播！
39
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
