张敏，清华大学计算机系教授，国家高层次人才，人工智能研究所科研副所长。主要研究领域为信息搜索与推荐、用户分析与建模。现任ACM Publications理事会理事，国际顶级期刊ACM TOIS主编，ACM杰出会员，入选ACM SIGIR Academy。获IBM Global Faculty Award，中国高校计算机专业优秀教师奖励计划，北京科学技术奖一等奖，中国中文信息学会钱伟长科学技术奖一等奖多项，SIGIR Test of Time Award，EMNLP24 Best Resource Award，WSDM22 Best Paper等。长期与国内外多家企业进行深度科研合作。
【报告题目】
负责任的内容推荐：精准性、可解释性与公平性
【报告摘要】
推荐系统是人们获取信息的主要渠道之一，因其在经济发展、信息传播等方面的重要作用，能带来显著的社会和经济效益，已成为国际竞争的新焦点，具备重要的战略意义。推荐系统天然存在精准把握用户需求困难、推荐结果不可解释、推荐效果容易存在不公平现象等关键挑战。受启发于需求分层理论，我们提出推荐系统应满足用户三方面需求：基本的精准性需求以解决需求复杂、交互稀疏等挑战；进阶的可解释性需求以应对输出片面、推理黑盒等不足；最终的公平性需求以处理曝光集中、服务失衡等问题。报告将总结介绍THUIR近十年来在精准、可解释、公平的负责任的内容推荐方面的研究工作。相关成果2024年获得SIGIR十年时间检验奖，6项国际重要会议的最佳论文奖励及多篇会议高引论文，以及中国中文信息学会钱伟长中文信息处理一等奖。近五年成果引用超过万次。相关成果应用服务超过7亿用户。
Hong Yu is a professor at Chongqing University of Posts and Telecommunications in China and an Academic Leader in Intelligent Science & Technology in Chongqing. Her research interests focus on rough sets, three-way decisions, industrial big data, medical data analysis, automation of knowledge, knowledge discovery and machine learning. Her researches have been funded by the National Natural Science Foundation of China. She received a Chongqing Natural Science and Technology Award. She has published 5 books and 80 research articles. She holds 10 patents and has 12 software copyrights.
[Titile]
MCML: Meso-Cognitive Machine learning
Current limitations in machine learning reliability stem from two critical gaps: (1) the disconnection between micro data and macro knowledge, and (2) the inconsistency between machine learning paradigms and human cognitive processes. Here I present a study of meso-cognitive machine learning (MCML) by integrating cognitive mechanisms and mesoscale knowledge representation. Drawing inspiration from mesoscience principles, we develop mesoscale knowledge representations that bridge micro data and macro knowledge through causal graphs, hierarchical structures, and enriched feature vectors. Our approach systematically incorporates core cognitive mechanisms—including perception, memory, and attention—try to create human-like machine learning models. Experimental validation demonstrates the study’s effectiveness: mesoscale representations achieve 2.47% improvement in mean values of age accuracy and enable precise facial age synthesis through hierarchical causal learning. In cognitive integration tasks, we show how episodic memory-based class incremental learning maintains 74.85% average accuracy over 9 learning phases on ImageNet-100. The talk further presents practical implementations in medical dialogue system, autonomous driving, where our cognitive-mesoscale integration framework enhances success rate by 47.5% at unsignalized intersections through leveraging diminishing demonstrations in deep reinforcement learning. These advancements establish a new paradigm for developing trustworthy, biologically-inspired machine intelligence that harmonizes data-driven learning with human-like reasoning.
吴迪，北京北龙超级云计算有限责任公司总经理、中国计算机学会（CCF）理事、CCF高专委常务委员、CCF大模型论坛执行委员，清华经管EMBA(22级)。深耕高性能计算领域十余载，在超算中心商业化运营方面具备丰富的管理经验，为推动中国计算机科学技术的发展作出了积极贡献。北京超级云计算中心（简称北京超算）是北京市政府主导下，院市共建的国家重要信息化基础平台，由北京北龙超级云计算有限责任公司负责实体运营，是中国第一家成功实现市场化运营的超算中心。2020-2024年，北京超算连续5年荣获中国HPC TOP 100 “通用CPU算力性能第一名”，同时2024年在世界人工智能算力性能排行榜（AI Perf500）上榜大模型训练算力性能第一和延迟推理性能第一。北京超算以创新的超级云计算模式率先实现了中国超算服务的商业化实践，目前已为超过1000家企业、科研机构和高校提供了优质算力服务，并完成了行业应用的平台SaaS化，为高端科研计算方法的大面积推广和普及打下了坚实基础。
【报告题目】
AI智算云助力大模型训练与推理
【报告摘要】
AI智算云在大模型训练和推理中的重要性和优势，并展示了AI智算云在不同应用场景下的案例。北京超级云计算中心将持续依托超算中心在资源、技术、服务、算力网络、案例经验方面的优势，为大模型研发团队提供高质量、高性价比的算力资源与服务，与产学研用各方伙伴一起推动人工智能生态繁荣，加速大模型应用的商业落地。
陈玉玲，贵州大学教授、博士生导师、学术学科带头人，国家级青年人才；公共大数据国家重点实验室副主任、贵州省大数据产业发展应用研究院副院长，贵阳市政协委员。面向数据交易可信安全监管、算力枢纽防护体系开展密码学、大数据安全与隐私保护、区块链安全、大模型安全技术研究。主持包括国家自然科学基金联合基金重点、贵州省重大专项等各级各类项目20余项。主编学术专著及教材 5部，发表SCI/EI收录论文120余篇；授权发明专利20余件，制定国家、行业、地方及团体标准10余项；获得贵州省先进工作者（贵州省劳模）、教育部宝钢优秀教师奖、贵州省金师、贵州省青年科技奖、贵州省科技进步二等奖（第1完成人）、贵州省十大优秀科技成果奖（第1完成人）、中国通信学会科技进步奖二等奖等荣誉和奖项。
【报告题目】
云端媒体数据隐私保护与隐写嵌入技术的探讨
【报告摘要】
随着云存储服务的蓬勃发展，爆炸式增长的数据量，使得数据的安全存储与有效管理愈发关键。如今，人们普遍选择将各类媒体数据，如图像、音频、视频等，上传至云服务器。但这些媒体数据包含的敏感信息，会引发严峻的信息隐私保护问题。因此，本报告聚焦于云端媒体数据安全，分别从图像加密以及从图像隐写拓展至视频隐写的范畴展开深入探讨。在加密维度，着力平衡可用性与隐私性；于隐写层面，则深度钻研视觉媒体资源隐写技术的高效性与实用性。最后，从图像/视频级展望模型级的隐私保护研究工作。
梁建青，山西大学副教授，博士生导师。主要研究方向为机器学习、模式识别。近年来，在AI、TPAMI、TIP、ICML、AAAI、IJCAI等国际重要学术期刊会议上发表学术论文30余篇。获山西省自然科学一等奖，山西省科技创新领域青年拔尖人才，天津大学优秀博士学位论文奖以及WSDM杰出审稿人奖。主持国家自然科学基金青年项目、面上项目，参与科技部重大项目、国家自然科学基金联合基金重点项目多项。担任ICML、NeurIPS、ICLR、IJCV等人工智能领域国际学术会议和期刊审稿人，ICME 和 PRCV 领域主席。
【报告题目】
资源受限条件下的图表示学习方法
【报告摘要】
图表示学习在复杂关系建模领域前景广阔，已成功应用于社交网络推荐、生物医药分子属性预测及金融风控等场景。报告从数据资源、计算资源和存储资源角度，介绍近期在图外部注意力增强的Transformer、流形学习启发的轻量级图对比学习和交错注意力增强的Transformer等方面的相关研究及应用。