澎思科技申省梅擔任CNCC2020論壇主席，縱論跨域學習技術前沿和應用趨勢
（原標題：澎思科技申省梅擔任CNCC2020論壇主席，縱論跨域學習技術前沿和應用趨勢）
今年CNCC大會將於10月22-24日在北京（主會場）舉行，全國多地設立分會場和專場並進行同步線上直播。今年除講者陣容十分強大外（首批KN講者確認：圖靈獎得主、院士、名企專家將做特邀報告），活動也十分多。包括三場大會論壇、百餘場技術論壇、CTO Club峰會首發、14場特邀報告、CCF頒獎晚宴、優秀大學生頒獎等，精彩紛呈，不容錯過。
技術論壇豐富多彩、嘉賓陣容強大、話題前沿，其中10月24日16:00-18:00，在北京新世紀日航飯店2層江蘇廳舉行的《AI落地的跨域學習技術和進展》技術論壇，將邀請跨域學習領域學術界的頂尖學者和工業界的領軍人物一起，聚焦AI落地過程中跨域學習起到的重要作用，以及AI落地痛點等尖銳問題展開探討，一起探討跨域學習的技術前沿和進展，歡迎光臨！
AI落地的痛點，跨域學習技術和進展
傳統的機器學習和現在的深度學習都依賴大量的標註數據，並在監督下訓練出表現優異以及具備一定泛化能力的模型。但隨着感知環境及應用場景的變化，訓練好的模型性能會大幅度下降，重新訓練週期長成本高，再加上AI人才的短缺，都成爲AI落地和普惠的障礙。如何解決跨域學習、數據標註以及數據隱私問題，訓練更具泛化性、魯棒性的模型成爲學術界和工業界面臨的共同課題。在此背景下，跨域學習和遷移學習成爲近年來研究的前沿熱點。
通用智能是下一代AI發展的必然趨勢，代表智能革命的未來。跨域學習、遷移學習、無監督學習、自監督學習等將在未來幾年實現在多個領域的落地生根，正在成爲AI大規模落地的希望。本論壇邀請跨域學習領域走在國際算法前沿的學術界頂尖學者和已在產業應用中實現落地的工業界領軍人物，共同探討AI落地的跨域學習技術和進展。
論壇主席
申省梅
澎思科技首席科學家、新加坡研究院院長。華人知名女科學家，計算機視覺與深度學習領域國際知名學者。前松下新加坡研究院副院長，累計獲得30餘項人工智能國際競賽冠軍，累計專利300餘項。擁有計算機視覺領域全棧算法研究及工程化經驗，技術面覆蓋AI智能傳感、AI視覺感知、AI視圖處理、視覺導航和控制、增強現實、聲紋識別、機器人等領域。曾榮獲日本松下傑出技術、領軍人物特別獎；獲評中國人工智能學會優秀科技工作者和新加坡科技界傑出女性稱號；擔任國際標準化組織(ISO)和國際電工委員會(IEC)標準制定主編；負責和牽頭多項音視頻國際標準制定工作。在CVPR 2020組織了第一屆Anti-UAV Workshop & Challenge競賽。
陳熙霖
中科院計算所研究員，IEEE Fellow, IAPR Fellow, CCF會士。近年來主要研究領域爲計算機視覺、模式識別、多媒體技術以及多模式人機接口。目前是IEEE Trans. on Multimedia的Associate Editor、Journal of Visual Communication and Image Representation的Senior Associate Editor、計算機學報副主編、人工智能與模式識別副主編。先後獲得國家自然科學二等獎1項，國家科技進步二等獎4項，合作出版專著1本，在國內外重要刊物和會議上發表論文300多篇。
論壇主持
王瑞平
中科院計算所研究員、博士生導師，研究領域爲計算機視覺與模式識別，重點關注真實開放環境下的視覺場景理解問題。發表主流國際期刊和會議論文70餘篇，Google Scholar引用4300餘次，獲授權國家發明專利8項。圍繞相關學術專題，先後在CVPR2015、ECCV2016、ICCV2019等國際會議合作組織並主講Tutorial。擔任國際期刊Pattern Recognition、Neurocomputing、The Visual Computer編委，國際會議IEEE CVPR2021、WACV2018-2020、ICME2019/2020、IJCB2020、ICPR2020領域主席。研究成果獲得2015年度國家自然科學獎二等獎（第4完成人）、2019年度國家自然科學基金委優青項目資助。入選2019年度北京智源人工智能研究院"青年科學家"。
講者和報告簡介
報告摘要聯邦學習，是當前人工智能尤其是AI金融領域，最受工業界和學術界關注的研究方向之一。當下，AI在算法研發方面突飛猛進，卻離企業落地的目標有着不小的距離。AI所面臨的一個挑戰是標註數據的嚴重不足，而數據往往分佈在不同的機構和個人形成的數據孤島處。使用和聚合這些數據都會受到用戶隱私、商業安全的挑戰。本次演講將介紹如何利用聯邦學習來連接數據孤島的數據，形成合力，以得到更有效的機器學習模型，同時保護用戶隱私和商業機密。
報告人簡介
微衆銀行首席人工智能官、香港科技大學講席教授，AAAI、ACM、CAAI、IEEE、IAPR、AAAS Fellow，《IEEE Transactions on Big Data》和《ACM Transactions on Intelligent Systems and Technology》開創主編，曾獲2019年度"吳文俊人工智能科學技術獎"傑出貢獻獎，2017年ACM SIGKDD傑出服務獎。他曾任華爲諾亞方舟實驗室主任，第四範式公司聯合創始人，香港科技大學計算機與工程系系主任以及國際人工智能聯合會(IJCAI)理事會主席。最近的著作有《遷移學習》和《聯邦學習》。
報告摘要
海量標註數據和深度學習技術推動了視覺識別的巨大進步，現有模型在許多數據集上的性能已經超越人類。然而，高準確率的前提是同源數據的隨機劃分保證了訓練和測試集具有相同的特徵分佈。在技術落地中，訓練集和應用間的環境差異、地域差異、文化差異等挑戰導致大部分視覺識別應用的準確率和穩定性仍不理想，甚至造成"種族偏見"等倫理問題。本報告將從數據集建設、遷移學習算法和性能評價三個角度，彙報課題組近期在解決多人種人臉識別、視頻監控人臉識別、對抗魯棒性人臉識別、表情識別文化差異上的研究進展。
報告人簡介
北京郵電大學人工智能學院教授，博士生導師。長期從事模式識別與計算機視覺的基礎理論研究，並應用到人臉識別、表情識別、行人再識別、細粒度圖像檢索等。近年來主持國家重點研發計劃課題和國家自然科學基金等項目十餘項，與華爲、中興、騰訊、滴滴、佳能等科技企業開展廣泛的技術合作，曾三次指導學生獲得圖像識別類的國際算法競賽第一名，擔任IJCAI 2020、ICPR 2020、ICME2020領域主席和高級程序委員，國際期刊IEEE Access編委，Image and Vision Computing客座編委。在IEEE TPAMI、TIP、TIFS、IJCV、PR等國際期刊以及ICCV、CVPR、ECCV、NIPS、AAAI、SIGIR等國際會議發表論文100多篇，谷歌學術引用4300多次，SCI他引1100餘次。曾入選北京市優秀博士學位論文、教育部"新世紀優秀人才"、北京市"科技新星"。
03. 闞美娜：《多粒度圖像遷移建模》
報告摘要
遷移學習是機器學習與計算機視覺中的重要研究問題之一，旨在研究如何將一個領域的知識遷移到另外的領域，具有重要的研究意義與應用價值。場景變化是計算機視覺應用中的重要挑戰之一。本報告將介紹講者近期在場景、類別、以及樣例層面進行圖像遷移建模的研究工作，旨在提升圖像分類算法的場景自適應能力。
報告人簡介
中科院計算所副研究員，碩士生導師。研究領域爲計算機視覺與模式識別，主要關注人臉識別、多視學習、遷移學習、弱少監督學習等問題，相關成果已發表在TPAMI、IJCV、CVPR、ICCV等相關領域主流國際期刊與會議上面，谷歌學術引用2300餘次。擔任TPAMI、IJCV、TIP、TMM、CVPR、ICCV、ECCV等期刊會議的審稿人。2014年獲得CCF優秀博士學位論文獎、2016年入選CCF青年人才託舉計劃、2018年獲得中國圖象圖形學學會石青雲女科學家獎青年獎、2019年入選北京市科技新星計劃。此外，獲得2015年IEEE FG視頻人臉識別競賽冠軍、2015年IEEE ICCV年齡估計競賽亞軍、2017年IEEE CVPR人臉面部關鍵點定位亞軍等。
04. 鄭良:《Do We Really Need Ground Truths to Evaluate A Model?》
報告摘要
模型性能評估是機器學習的重要一步，一般來說，我們要求測試集包含測試樣本與其標籤，並將測試標籤與模型預測結果進行比較。儘管學術界大多數數據集滿足這個要求，在實際情況中，往往我們只能獲取測試數據而無法獲取其標籤。在本次報告中，我將介紹一個重要而較少討論的問題：模型自動評估(AutoEval)。具體地，給定有標籤的訓練集和一個模型，目標是估計模型在一個沒有標籤的測試集上的性能。爲此，提出了一種meta-dataset的方法，從數據集層面上設計了一種迴歸模型，實現了較爲理想的精度。
報告人簡介
澳大利亞國立大學講師、計算機未來學者、澳大利亞研究理事會優秀青年科研學者獎的獲得者。在物體再識別領域做出了重要貢獻。論文被MIT Technology Review報道。獲中國人工智能學會優秀博士學位論文、澳大利亞青年科學家獎、澳大利亞人報Top-40 Early Achievers等榮譽。任CVPR 2021, ECCV 2020和Multimedia 2020領域主席，IJCAI 2019和 AAAI 2020資深程序委員，IEEE TCSVT副編輯等。在CVPR 2020和ECCV 2020組織了AICITY和TaskCV競賽。
05. 龍明盛：《遷移學習理論，算法及開源庫》
報告摘要
遷移學習一直是機器學習領域的難點問題，其目標是在數據分佈變化的條件下實現強泛化能力。經過長期探索，逐步縮小了遷移學習的泛化理論與學習算法之間的鴻溝，獲得了更緊緻的泛化界和更優的學習器。此次報告將按照發展歷程介紹遷移學習的代表性泛化理論及學習算法，重點介紹我們的間隔泛化理論及其對抗學習算法、遷移推理中的概率校準和無監督遷移學習算法。最後，介紹我們最近開源的遷移學習算法庫，爲推動遷移學習的規範發展和應用落地提供支撐。
報告人簡介
清華大學軟件學院副教授，機器學習研究組負責人，國家優秀青年基金獲得者，入選北京市科技新星。研究領域涉及機器學習理論與算法，專注於遷移學習、預測學習、深度學習及其在數據科學和人工智能中的應用。以第一/通訊作者在CCF-A類期刊和會議上發表論文60餘篇，包括TPAMI/ICML/NIPS二十篇，谷歌學術引用超過8000次。擔任NIPS/ICLR領域主席，中國計算機學會人工智能與模式識別專委會委員。獲得SDM會議最佳論文提名、清華大學優秀博士學位論文、中國人工智能學會優秀博士學位論文、中國知網最受關注博士學位論文、教育部技術發明一等獎。