夏书银，重庆邮电大学教授，博士生导师，重庆市人工学会副理事长，计算智能重庆市重点实验室主任，重庆邮电大学人工智能学院副院长，前沿交叉研究院副院长，网络空间大数据智能计算教育部重点实验室副主任。主持国家重点研发计划、国家自然基金原创探索、国家优青项目等多项国家级重点项目，和王国胤和高新波教授等人提出/发展了粒球计算理论，相关成果一作/通信发表在IEEE TPAMI, TKDE, TNNLS, TCYB, ICML, AAAI，IJCAI，ICDE等人工智能重要期刊和会议上。获得CCF 自然科学一等奖、重庆市自然科学一等奖、吴文俊人工智能科技进步一等奖和国家教学成果二等奖。研究方向：粒球计算、计算机视觉、机器学习、深度学习、演化计算和群体智能等。
【报告题目】
粒球计算：高效、鲁棒、可解释的新型人工智能理论
【报告摘要】
现有人工智能方法主要基于最细的像素点/单一粒度，缺乏人脑“大范围首先”认知的天然的高效性、鲁棒性和可解释的认知计算特性。为此，基于多粒度认知计算理论，提出和发展了粒球计算。该理论基于从粗到细的生成方式来模拟“大范围首先的”人脑认知机制，使用不同粒度的粒球来覆盖数据样本，实现对数据自适应和高效的多粒度表示；并构建基于粒球的新型计算模式，实现相比传统人工智能方法更加高效、鲁棒和可解释的计算模式。目前粒球计算不仅得到了国内很多知名学者的广泛关注，还得到了密西根大学、印度理工学院、阿尔伯塔大学等国际顶级高校知名学者的跟踪研究，本报告介绍了粒球计算理论的相关研究成果和最新进展，主要包括: 粒球分类器、粒球聚类、粒球图网路、粒球强化学习、粒球大模型、粒球演化计算、粒球开放持续学习、粒球联邦学习、粒球粗糙集、粒球模糊集、粒球三支决策、粒球超像素和粒球NLP等等。
邮箱: xiasy@cqupt.edu.cn
杨洁，1987年生，博士（后），现任遵义师范学院电子系教授、重庆邮电大学硕士生导师，贵州省高等学校多粒度智能计算创新团队带头人，入选贵州省优秀青年科技人才、贵州省拔尖人才。主要研究领域包括：机器学习、粒计算等。在国内外重要学术刊物上发表论文40余篇，其中包括IEEE TFS, IEEE TNNLS, IEEE TCBB, IEEE TKDE, KBS,《计算机学报》等期刊上。出版科学出版社专著1部，授权发明专利6项。主持国家自然科学基金项目2项，省部级项目10项。曾获重庆市优秀博士学位论文、贵州省科技进步三等奖。
邮箱：yj530966074@foxmail.com
【报告题目】
三支粒球分类器
【报告摘要】
基于粒球的分类器由于输入的粗粒度特性，展示出较强的自适应能力，从而增强了其通用性和灵活性。然而，当前基于粒球的分类器在对数据进行预测时为每个数据实例分配一个特定的类别标签，缺乏处理不确定实例的必要策略，可能会带来相当大的风险。为了解决这个问题，我们将三支决策引入粒球计算，并借鉴阴影集相关理论，从不同角度构建了几种能够处理不确定性数据的鲁棒三支分类器，并通过实验验证了相比于传统粒球分类器，我们构建这些分类器具有更好的性能。
陈叶旺，男，软件工程，博士，复旦大学。现为华侨大学计算机科学与技术学院，人工智能系，副教授; IEEE Senior Member，CCF高级会员，福建省高层次人才(B类)。主要研究方向为机器学习、模式识别、大语言模型技术应用。在国内外顶尖期刊和会议上(如TSMC，PR，ESWA，IS, KBS，SIGIR，ICDM，CIKM，中国科学信息辑，计算机研究与发展等)上发表论文50余篇，Google Scholar引用总量达 1700+；授权中国发明专利8项；获重庆市自自然科学三等奖、福建省科技进步三等奖、厦门市科技进步三等奖、福建省研究生专业学位研究优秀教学案例、福建省教学成果奖、华侨大学优秀研究生导师、华侨大学科教兴省奖等多项奖项；主持各类横纵向课题30+项；指导研究生获省优硕士论文2篇。
【报告题目】
GBSK: Skeleton Clustering via Granular-ball Computing and Multi-Sampling for Large-Scale Complex Data
【报告摘要】
为了有效地处理大规模数据集的聚类任务，我们提出了一种新的可扩展骨架聚类算法GBSK，该算法利用粒球技术来捕获数据的底层结构。通过对数据集进行多次采样并构建粒球，GBSK逐步揭示了数据的统计“骨架”--一个近似原始数据基本结构和分布的空间抽象。这种分而治之的策略使GBSK能够在保持高聚类精度的同时显著降低计算开销。此外，我们引入了一个自适应版本AGBSK，它具有简化的参数设置，以提高可用性并促进在现实世界场景中的部署。在标准计算硬件上进行的大量实验表明，GBSK在大规模数据集上实现了高效和强大的聚类性能。
谢江，1988年生，博士，硕士导师，现任重庆邮电大学人工智能学院副教授。在数据挖掘与机器学习领域具有深厚的科研与工程实践经验，曾任职华为技术有限公司高级算法工程师。作为项目负责人主持国家自然科学基金项目，并作为核心成员参与多项国家重点研发计划。已在TPAMI、TKDE、TNNLS、ICDE等顶级期刊和会议发表高水平学术论文十余篇。
邮箱：xiejiang@cqupt.edu.cn
【报告题目】
基于粒球计算的自适应加权图聚类方法
【报告摘要】
在当前环境下，海量的无标签高维数据普遍存在内在关系，这使得基于图的聚类方法成为信息提取的有效手段。然而，这类数据通常缺乏边结构信息，并且包含大量无关特征。针对这些挑战，本文提出了一套完整的解决方案，包括：(1) 采用特征加权方法以有效管理特征；(2) 基于加权粒球构建图的边结构；(3) 将图卷积网络（GCN）与边生成机制相结合，设计自编码网络。该方法显著提升了从高维无标签数据中提取相关信息的能力，有效改善了聚类过程的整体性能与可靠性。大量实验结果表明，我们提出的方法在聚类任务中表现优异，并在与基线模型的对比中展现出强大的竞争力。