时间：2022年5月25日，14：00-17：00
地点：B8附楼报告厅
报告题目一：生成对抗网络技术研究和应用
报告简介：
近年来，生成对抗网络（GAN）在图像生成领域取得了巨大的成功，GAN已经能够在很多领域生成非常逼真的图像。本次报告主要介绍我们近几年对GAN的研究工作，主要包含两方面，一方面是如何提高GAN的训练稳定性和生成图像质量，包括LSGAN、αβ-GAN和Rg-GAN，另一方面是基于GAN的应用，包括多域图像生成、图像翻译和GAN逆映射。LSGAN旨在通过使用卡方散度来缓解GAN的梯度消失问题。αβ-GAN利用更广义的αβ散度来提高GAN对不同数据集的适应性。Rg-GAN旨在弥补GAN在理论和实践之间的一个差距，并建立f-散度和积分概率度量之间的关系。
报告人简介：
毛旭东，中山大学人工智能学院副教授，主要从事生成对抗网络、跨媒体智能、图像翻译等方向的研究。2019博士毕业于香港城市大学，之后在香港理工大学从事博士后研究。在国际学术期刊和会议上（TPAMI、ICCV、CVPR、NeurIPS等）上发表学术论文20余篇，发表著作1部，Google学术引用次数超过4100次，主持国家自然科学基金面上项目1项，授权国家发明专利3项，美国专利2项。曾担任CVPR、ICCV、NeurIPS、ICLR、AAAI等学术会议的程序委员会委员。
报告题目二：在深度学习时代，传统机器学习模型是否还值得考虑
报告简介：深度神经网络（DNN）已经成为众多现实问题的首选解决方案。因此，传统机器学习模型，如SVM和贝叶斯网等，常被忽视。基于DNN的模型通常有优越的表现，但通常需要大模型、较长的训练和推理时间。 传统机器学习模型，如SVMs，通常较小而且训练和推理速度更快。在这个报告中，将主要介绍一个我们研究小组近期的科研成果，包括通过自动化模块增强基于SVM模型的准确度。实验结果表明增强后的SVM，在效率和准确度上都比以有的SVM方案更好。在一个“细粒度情感分析”实际案例学习中，我们设计的基于SVM的方案能取得和DNN相似的结果，甚至超过了大部分基于BERT的模型。另外，与基于BERT的模型相比，我们的方案在推理速度上快约40倍、在模型参数量上少约100倍。
报告人简介：
文泽忆博士主要从事机器学习系统、高性能计算及数据挖掘相关领域的研究，特别是利用图形处理器(GPU)及多核处理器优化机器学习训练及推理算法的执行效率。他带领研发的开源机器学习系统代表作包括：ThunderSVM 和ThunderGBM。其中ThunderSVM是目前世界上单机版最快的支持向量机(SVM)训练及推理系统，在获得相同的训练模型和相同的硬件环境的情况下，比常用的LibSVM库快10到100倍。两个机器学习系统的论文，均以文博士为第一作者的身份，发表于机器学习顶级期刊Journal of Machine Learning Research (JMLR)。其中发表于2018年JMLR的论文，目前已经受到了127篇学术论文的引用，并被用于图像分割及分类和蛋白质行为预测等现实任务中。两个开源项目在GitHub开源社区中获得近2,000个收藏，也被媒体报道（如Hacker News的头条)和在社交媒体上转发近5,000次。文博士目前已发表34篇科技论文，其中一作文章17篇，CCF A类文章21篇，且经常在国际顶级会议（如:KDD，SC，AAAI，CVPR，SIGIR）当Program Committee和顶级期刊（如JMLR, IEEE TPDS）当审稿人。他还是并行及分布式计算顶级期刊IEEE TPDS 2019年的最佳论文获得者(1/987)，及并行计算知名会议ICPP的2021年最佳论文入围者(4/329)。文博士在西澳大学工作的两年多里，其研究项目受到澳洲政府、学校及企业的总资助金额达312,193澳元（折合人民币约为150万）。
