2023年12月28日上午，“江南大学计算智能及应用学术论坛”在江南大学人工智能学院成功举办。大会由江南大学人工智能与计算机学院副院长（主持工作）方伟，江南大学人工智能与计算机学院陈璟副教授共同主持，共邀请了来自南方科技术大学、中国科技大学、西安电子科技大学、北京航空航天大学以及中国矿业大学（北京）等高校的6位教授做了计算智能及应用方面的精彩报告。
南方科技大学计算机科学系讲席教授姚新教授首先做了《When Evolutionary Computation Meets Trustworthy Artificial Intelligence》的主题报告，可信度是人工智能的一个关键问题首先简单地回顾了人工智能伦理，这与人工智能的可信度密切相关。其次，探讨了机器学习模型的公平性和可解释性问题。人们认为，可信度的许多方面，如公平性和可解释性，本质上是多维的，它们不能用任何单一的数值测量来全面定义。报告提出多目标进化学习可作为一种提高人工智能可信度的方法，以公平性和可解释性为例，说明了多目标进化学习如何用于提高学习模型的公平性和可解释性。最后报告说明了约束学习如何用于规范必须满足某些标准的模型，例如安全性。
中国科学技术大学陈欢欢教授做了《因果学习与特征选择》的报告，近年来，因果学习逐渐成为人工智能的研究热点。报告研究因果关系在特征选择技术的应用。相对于传统技术选择的特征，因果特征不仅具有良好而鲁棒的预测性，还具备多层次的可解释性。报告介绍了该领域的发展进程和最新技术，通过若干生物医学场景的应用案例，展示因果特征选择的鲁棒和可解释性优势。
西安电子科技大学李阳阳教授，做了《量子智能计算及应用》的报告，主要介绍了研究组在量子智能计算领域的系列研究工作，包括全局优化的量子智能优化算法框架，量子多目标优化学习模型，并用于遥感图像解译中。
中国矿业大学（北京）教授郭一楠，做了《知识引导的多目标进化优化》的报告，面向进化过程中的隐性知识，报告给出了相应的知识挖掘策略，并提出了相应的自适应知识引导算子；针对动态多目标优化问题中迁移学习机制响应环境变化时效性问题，提出了域适应学习方法，引入子空间分布对齐方法，减少知识迁移过程的计算消耗，有效权衡了算法性能和效率；面向不同动态特性的动态多目标优化问题，历史环境间差异性具有不确定性，提出了知识引导迁移策略，通过知识匹配方法从知识池中挑选适用于当前环境的知识，并利用混合迁移机制提高历史知识的利用效率，基于此拓展其求解群智能感知中的任务分配等问题，提出了基于Q-学习的超启发式多目标动态感知任务分配机制。
西安电子科技大学尚荣华教授，做了《基于深度学习的遥感影像解译》的报告，随着科技进步，卫星遥感技术发展迅速。遥感图像的数据规模也在不断增大，图像分辨率不断提高。遥感数据的解译问题也成为当前人们研究的热点问题。传统的图像处理算法要求研究者设计复杂的特征提取过程，而且面对复杂多样的遥感数据时难以取得很好的效果。随着深度学习与神经网络算法的兴起，深度神经网络被应用到遥感数据的处理中来。但是由于遥感图像与自然图像有很大差异，深度学习算法难以发挥出自身优势。本报告针对上述问题，介绍了团队基于深度学习的遥感影像解译进行的一些探索与工作。
北京航空航天大学袁源教授，做了《Iterative Genetic Improvement: Scaling Stochastic Program Synthesis》的报告。程序综合旨在从底层编程语言中自动找到满足给定规范的程序。虽然这有可能彻底改变计算，但如何有效地在大量程序空间中搜索是程序合成中尚未解决的挑战。在解决方案需要大型程序的情况下，通常认为随机搜索比其他类型的搜索技术具有优势。不幸的是，现有的随机程序合成器不能很好地满足这种期望，受到可伸缩性问题的困扰。本报告提出了一个新的框架随机程序合成，称为迭代遗传改进，以克服这个问题。迭代遗传改进的核心思想是利用遗传改进对现有的参考方案进行改进，然后用找到的最佳方案迭代替代参考方案。与传统的随机综合方法相比，迭代遗传改进可以以更稳健的方式逐步增加程序的复杂性，并在两个程序合成领域：列表操作和字符串转换上对该方法进行了评价。实证结果表明，该方法在可扩展性和解决质量方面都比几种代表性的随机程序合成器技术具有相当大的优势。
本次论坛荟聚了计算智能领域的多名专家学者，活动为广大同学提供了与领域专家面对面交流的宝贵机会，帮助在校学生了解计算智能领域的研究与应用。
大会参与人员合影
方伟主持大会
姚新教授作报告
陈欢欢教授作报告
李阳阳教授作报告
郭一楠教授作报告
尚荣华教授作报告
袁源教授作报告
当前位置:
