丁卫平，博士，教授，博士生导师，IEEE高级会员，CCF高级会员，CAAI会员，南通大学人工智能与计算机院长，兼任西交利物浦大学访问教授、澳门城市大学博士生导师。现担任IEEE-CIS数据挖掘与大数据分析专委会委员，IEEE-SMC 粒计算专委会委员，IEEE-SMC 软计算专委会委员，CCF人工智能与模式识别专委会执行委员，CAAI粒计算与知识发现专委会常委，CAAI智能服务专委会委员。连续5年(2020-2024)入选美国斯坦福大学全球前2%顶尖科学家榜单, 其中2024年入选“终身科学影响力排行榜”，入选国际学术机构ScholarGPS发布了2024年全球前0.05%顶尖科学家榜单（全球排名1021），江苏省高层次人才培养计划“333 工程”第二层次培养对象, 江苏省“六大人才高峰”高层次人才，江苏省“青蓝工程”中青年学术带头人，主要研究方向为人工智能及计算智能、多模态机器学习及优化、多粒度计算等。主持和主要参加国家重点研发计划“战略性科技创新合作”重点专项、国家自然科学基金民航联合重点项目、国家自然科学基金面上和青年项目、江苏省自然科学基金等各类科研项目20余项，在国际著名期刊和会议上发表高水平论文380余篇，其中IEEE Transactions 论文200余篇，19篇论文入选 “ESI高被引论文”。应邀担任多个国际著名SCI期刊领域编委、副主编和编委，包括IEEE Transactions on Fuzzy Systems、IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Intelligent Transportation Systems、IEEE/CAA Journal of Automatica Sinica、Information Fusion、Information Sciences、Applied Soft Computing、Neurocomputing 等。当前H 指数 62。
面向医学图像可解释性的多粒度Transformer方法研究
【报告摘要】
深度神经网络在多个领域取得了显著成功，将粒计算知识引入深度神经网络中，可提高模型的可解释性和改善模型在不确定性和鲁棒性处理方面性能。本报告主要阐述面向医学图像可解释性的多粒度Transformer研究，针对三种不同的图像处理问题，结合多粒度分析方法分别提出了三种提高Transformer可解释性的模型：多粒度随机游走可解释性Transformer模型、三支置信度引导的随机行走可解释Transformer模型和通过由粗到细策略的解释Transformer模型，然后分别采用肺部CT医学图像数据集和脑部MRI数据集进行实验研究，结果表明本报告提出方法可有效消除医学图像的不确定性，高效捕捉病灶区域，具有较好的分类定位效果和模型可解释性。
赵姝，三级教授、博士生/硕士生导师，安徽大学计算机科学与技术学院副院长、智谱华章-安徽大学“基础模型”联合中心主任、安徽省安全人工智能重点实验室副主任、安徽省学术和技术带头人后备人选、宝钢优秀教师奖获得者，长期从事大模型、知识图谱、人工智能安全、粒计算等研究。主持了国家自然科学基金、国家重点研发计划项目子课题以及横向项目等20余项。在国际和国内相关领域具有重要影响力的刊物和会议发表高水平论文40余篇。目前担任国际期刊IEEE Trans. Big Data的编委、中国人工智能学会粒计算与知识发现专委会常务委员等。
【报告题目】
多粒度图表示学习
【报告摘要】
多粒度图表示学习，旨在不同粒度空间对图的结构和属性进行学习以获取原空间图节点的低维向量表示。报告以图数据为研究对象，探讨如何结合粒计算的思想，从多粒度角度对图数据进行分层建模与特征学习，化繁为简解决大规模图数据带来的挑战。报告主要介绍多粒度图表示学习框架、多粒度图对比学习方法、图粗化/细化技术保持图相关重要性质的研究等。
李金海，教授，博士生导师，云南省杰青，云南省中青年学术和技术带头人，云南省高层次人才计划青年拔尖人才。兼任CAAI粒计算与知识发现专委会常务委员、知识工程与分布智能专委会常务委员，SCI期刊IJAR、IJMLC编委。主要研究方向为不确定性人工智能、概念认知学习、智能系统分析与集成。主持国家自然科学基金4项、云南省杰出青年基金1项，获2024年云南省自然科学奖二等奖1项（排名第一）。在IEEE TKDE、IEEE TCYB、IEEE TNNLS、IEEE TFS、IEEE SMCA、IEEE TMM、IEEE T-ITS、IEEE TBD、IEEE TETCI、PR等权威期刊发表论文50余篇。近年来，连续入选全球前2%顶尖科学家榜单、中国知网高被引学者。
【报告题目】
基于多粒度认知计算的概念泛化研究
【报告摘要】
概念认知学习（Concept-Cognitive Learning，CCL）是从认知的角度学习概念子空间，以模拟人脑学习概念知识和获取认知规律，它的基本研究包括生成概念空间、优化概念空间、概念泛化预测等。众所周知，多粒度认知计算是研究概念认知学习的基本方法，它也是构建轻量级人工智能模型的有效工具。目前，基于多粒度认知计算的概念泛化研究，主要侧重分类模型在性能保持的情况下，如何有效提升计算效率并增强模型的可解性。本报告拟从多粒度认知计算的角度，介绍面向概念泛化的概念认知学习的最新成果，如模糊、随机、遗忘概念认知学习模型，及其在多标记分类、层次分类、图网络数据分类等任务中的创新应用，并对该领域未来研究进行展望。
汪敏，CAAI高级会员，粒计算与知识发现专委会委员，西南石油大学，教授，博导，副院长。四川省学术和技术带头人后备人选，四川省人工智能学会常务理事。主持国家自然基金等纵横向课题25项，主编专著2部，国标1项、地方标准2项。第一作者在TCSVT等期刊发表SCI论文30余篇，被《Nature Communication》引用；授权发明专利20余项（多项转化应用）。研发的“钻井风险智能预警系统”准确率达90%（国际领先水平），在中石油应用后避免事故百余次，创效5.16亿元。成果获省部级科技进步奖4项（含排名第一的二等奖）。
【报告题目】
开放场景下广义主动分层抽样——面向深地探索的开放场景泛化增强框架
【报告摘要】
针对开放场景中分布漂移、标注稀缺与领域差异导致的模型泛化性瓶颈，报告首先阐述广义主动分层抽样框架，通过动态分布自适应机制提升跨场景鲁棒性。其次，理论层面基于PAC框架与Rademacher复杂度证明未知分布下的泛化误差上界。最后阐述现实开放场景下的主动学习机制，领域自适应迁移机制，物理约束等知识嵌入机制，通过三重协同实现工业级泛化增强。该框架已形成可落地AI解决方案，在万米深井等复杂环境中实现井下多参数协同预警，为超深地层安全作业提供核心保障，模块化设计支持油气新能源等场景快速适配。
吴迪，CAAI普通会员、粒计算与知识发现专委会委员、西南大学计算机与信息科学学院、教授、博导，新重庆青年创新人才、重庆市学术技术带头人后备人选。研究方向大数据智能计算，主持国家自然科学基金面上和青年项目、国家重点研发计划子课题等项目10余项，第一/唯一通讯作者发表代表论文35篇（含IEEE汇刊22篇、中科院一区Top期刊20篇、CCF-A类期刊/会议10篇），任国际人工智能期刊Neurocomputing副编辑；获重庆市自然科学奖一等奖、中国人工智能学会优秀博士论文提名奖等省部级奖项6项。
【报告题目】
多度量隐特征表示学习及应用
【报告摘要】
在大数据时代，高维不完备(high-dimensional and incomplete, HDI)大数据在众多工业应用系统中经常遭遇，例如推荐系统、工业物联网、生物信息网络、智能交通等。隐特征表示学习是分析HDI大数据的重要方法之一，具有表示精度和计算效率高、易于扩展等优点。本报告首先介绍隐特征表示学习的基本原理，然后针对HDI数据中的噪声、全局/局部相似性、邻域约束等问题介绍多度量隐特征表示学习，最后介绍基于多度量隐特征学习的应用。