报告题目：目标重识别：从封闭到开放

报告人：王鹏 教授

报告时间：2022年11月19日（周六）8:40-9:40
报告地点：腾讯会议（738 9828 6779）

报告内容：

本报告旨在对当前目标重识别任务上的一些技术瓶颈进行讨论和分析，并对本课题组基于当前瓶颈所展开的相关研究进行介绍。总的来说，首先在理想的封闭场景下，训练重识别模型对目标的固有属性和易变属性进行解耦，并通过引导模型关注目标物体的固有属性，以缓解姿态、视角等因素变化对重识别模型的影响。此外，针对开放场景下的目标重识别任务，本课题组从应用环境变化、输入模态变化等实际问题出发，基于动态网络技术，设计了具有场景自适应能力的重识别模型，为重识别任务的现实应用提供了技术支撑。

报告人简介：

王鹏，教授，2000~2011年在北京航空航天大学自动化科学与电气工程学院学习并获得学士和博士学位；博士毕业后在阿德莱德大学bevitor伟德官网从事科研工作；2017年加入西北工业大学bevitor伟德官网任教授博导。目前担任空天地海一体化大数据应用技术国家工程实验室副主任，西北工业大学人工智能本科专业负责人。主要从事计算机视觉和机器学习领域的研究工作。在TPAMI、IJCV、CVPR、ICCV、ECCV、ICML、AAAI、IJCAI、MM等权威期刊会议发表学术论文70余篇。作为负责人承担科技部新一代人工智能青年科学家项目1项。

报告题目：自治数据库系统

报告人：李国良 教授

报告时间：2022年11月19日（周六）9:50-10:50

报告地点：腾讯会议（738 9828 6779）

报告内容：

大数据时代下，数据库系统主要面临着三个方面的挑战。首先，基于专家经验的传统优化技术（如代价估计，连接顺序选择，参数调优）已经不能满足异构数据、海量应用和大规模用户对性能的需求。我们可以设计基于学习的数据库优化技术，使数据库更智能。其次，AI时代很多数据库应用需要使用人工智能算法，如数据库中的图像搜索。我们可以将人工智能算法嵌入到数据库，利用数据库技术加速人工智能算法，并在数据库中提供基于人工智能的服务。再者，传统数据库侧重于使用通用硬件（如CPU），不能充分发挥新硬件（如ARM、AI芯片）的优势。为了解决这些挑战，我们提出了原生支持人工智能（AI）的自治数据库系统。一方面，我们将各种人工智能技术集成到数据库中，以提供自监控、自诊断、自愈、自优化、自安全和自组装功能。另一方面，我们通过使用声明性语言让数据库提供人工智能功能，以降低人工智能使用门槛。我们定义了人工智能原生数据库的五个阶段，给出了设计人工智能原生数据库的挑战。最后还以数据库自动调优、基于深度强化学习的查询优化、基于机器学习的基数估计和自治索引/视图推荐为例，展示人工智能原生数据库的优势。

报告人简介：

李国良，清华大学计算机系长聘教授。主要研究方向为数据库，发表CCF A类论文150余篇，他引12000余次。主持国家自然基金重点等项目。获得了VLDB 2017 Early Career Research Contributions Award（VLDB青年贡献奖，亚洲首位获奖者）、IEEE TCDE Early Career Award（IEEE 数据工程领域杰出新人奖，亚洲首位获奖者）。担任VLDB Journal、IEEE TKDE等编委，SIGMOD 2021大会主席，VLDB 2021 Demo 主席，ICDE 2022 Industry Chair。获得过VLDB20、KDD18、ICDE18最佳论文候选，CIKM17最佳论文、DASFAA14最佳论文提名、APWeb14最佳论文。获得过国家科技进步二等奖、计算机学会科技进步特等奖。

报告题目：用户能力画像及其在教育和司法领域的应用研究

报告人：刘淇 教授

报告时间：2022年11月19日（周六）11:00-12:00

报告地点：腾讯会议（738 9828 6779）

报告内容：

在教育、司法、游戏、运动等诸多领域，如何自动建模和量化参与者的“特定技能”掌握水平（如员工对特定知识点的掌握能力、诉讼律师对某一类案件的辩护能力）是基础性的研究问题，对于自适应推荐、自动组队等智能服务有着重要的应用价值。然而，传统基于认知诊断理论的用户能力画像模型大多建立在心理学或统计学基础之上，尽管建模过程和诊断结果具有较好的可解释性，但所使用的函数拟合性能力有限，而且对数据的格式有较强约束（例如，不能处理文本、图片等数据），限制了其应用与推广的范围。本报告将以教育和司法领域为例，介绍能够从大规模异构行为数据中进行用户能力画像的机器学习新模型。

报告人简介：

刘淇，中国科学技术大学bevitor伟德官网特任教授，博导，中科院青促会优秀会员，兼任中科大团委副书记、创新创业学院副经理。主要研究数据挖掘与知识发现、机器学习方法及其应用，相关成果获得过IEEE ICDM 2011最佳研究论文奖、ACM KDD 2018 (Research Track)最佳员工论文奖。还曾获中科院经理特别奖和优博、教育部自然科学一等奖（排名第2）、吴文俊人工智能科技进步一等奖（排名第3）、阿里巴巴达摩院青橙奖。