报告人：周天异
时间：11月21日下午1点
地点：管理楼304
题目: 可信多模态机器学习
摘要：多模态人工智能技术正在被广泛应用到智能医疗、无人系统等重要领域，设计精准、可靠的多模态学习技术成为支持重要应用的关键。多模态数据为智能系统决策提供了丰富信息，使得多模态智能系统可以“兼听则明”，提高分类和预测准确性。然而，在许多代价敏感场景中，多模态融合及决策的可信性往往更加重要。对于多模态分类任务，传统方法通常假设各模态质量和任务相关性是稳定的。但实际上，对于不同样本或在不同场景下，模态的质量和任务的相关程度往往具有动态性。如多传感器场景中，RGB 图像在光线好时更有效，而近红外图像在可以在视觉困难情况下提供更重要的信息。本文使用不确定性对此动态性进行建模、利用一种改进的证据融合策略集成多模态信息。论文题为Trusted Multi-View Classification ，现已被 ICLR 2021，TPAMI 收录。基于此，不仅能在模态质量动态变化时获得更加稳定的分类结果，同时能够估计决策信心，并对分类结果和分类信心进行模态级溯源。整体上，所提方法在多模态协同学习（兼听则明）中，对不同模态进行证据估计（信而有征），从而支持融合及决策的可靠性和稳定性。
个人简介：周天异博士,毕业于新加坡南洋理工大学, 现为新加坡科技研究局人工智能中心担任主任研究员 (Principal Scientist) 职位, 并且担任人工智能团队带头人（Group Manager)。 周天异博士主持多项新加坡重点研发项目，并且已在机器学习, 人工智能,信息安全等领域核心期刊(中科院一区)和国际会议(CCF A类)上发表论文100余篇; 此外是Springer Nature Computer Science, IEEE Transactions等国际重要SCI 期刊的副主编/特邀编委；是多个国际顶级/重要学术会议（例如CCF A类会议IJCAI）等的专题报告组织联合主席和国际旗舰会议MOBIMEDIA 2020 技术程序委员会联合主席；获得IJCAI，ECCV，ACML等多个国际顶级/重要学术会议及其专题报告会最佳论文奖；担任NeurIPS, ICML, ICLR, AAAI, IJCAI 等国际顶级会议领域主席 (Area Chair)。
报告人：陈岑
地点：管理楼304
题目: 面向图神经网络的高效能算法与体系结构协同设计
摘要：最近，图神经网络(GNN) 将深度学习扩展到了面向图结构数据的学习，并在很多任务上展示了其强大的图表示学习能力。典型的图神经网络模型大都采用邻域消息传播机制，通过聚合邻居节点的特征来更新目标节点的特征。通过分析，我们发现邻域消息传播机制的简单实现会导致大量的冗余计算和冗余通信开销。本报告主要介绍我们在高效能图神经网络方面的一些研究工作。我们通过算法与体系结构的协同设计来去除计算过程中的冗余，以此来加速图神经网络。与目前的图神经网络加速器相比，我们提出的图神经网络加速器在不损失网络精度的情况下带来了可观的加速比并极大的降低了能耗。
个人简介：陈岑博士，新加坡科技研究院（A*STAR）、资讯与通信研究所（I2R）研究科学家（Scientist III），新加坡国立大学、南洋理工大学兼职博士生导师，新加坡AI人才特殊津贴获得者。主要研究领域：面向大数据与人工智能的高效能算法与体系结构。已累计在国际学术期刊和会议上发表论文60余篇，一作论文涉及MICRO，HPCA, DAC, AAAI, IEEE TC,IEEE TPDS, IEEE TSMC-S, IEEE TCYB, IEEE TNNLS, ICDM, ICPP等。
