【云端学术 同心战“疫”】信息科学与工程学院线上学术讲座专场-凯发app

发布者:研究生院发布时间:2022-03-26浏览次数:418

嘉宾:王昊奋

题目:知识驱动的多策略多模态问答技术实践

时间:3月28日(周一)9:30-10:30

地点:腾讯会议(会议号:689-591-416)

0

1

王昊奋

图片

同济大学百人计划,特聘研究员,博士生导师。长期在一线人工智能公司担任cto之职,拥有前沿科技视野及丰富的研发管理经验,荣获徐汇区学科带头人人才计划。他是全球最大的中文开放知识图谱联盟openkg发起人之一。他负责参与多项省部级ai相关项目,发表100余篇ai领域高水平论文,被引用次数达到2300余次,h-index达到23。他构建了全球首个可交互养成的虚拟偶像—“琥珀·虚颜”;所构建的智能客服机器人已累计服务用户超过10亿人次。目前,他担任中国计算机学会术语工委副主任,sigkg主席,上海秘书长,中国中文信息学会理事,语言与知识计算专委会副秘书长,上海市计算机学会自然语言处理专委会副主任,上海交通大学ai校友会秘书长等社会职位。

报告题目:知识驱动的多策略多模态问答技术实践

现实世界包括文本、知识和多媒体等多种信息源,近年来随着自然语言处理和计算机视觉的快速发展,多模态问答因其能提供“文本 视觉”之间关系的洞察而引起越来越多的关注。目前,问答系统仍然面临着很多挑战,其一是如何理解用户多种多样的问题表达,其二是如何从海量问答知识中匹配出精准的答案。多模态信息增加了问答的难度,系统必须同时理解语言以及学习相应视觉的表示。本报告分别介绍文本 知识的多策略问答和两种形式的多模态问答如视觉问答(visual question answering)和视频问答(video question answering)等的关键技术和常用数据集。

嘉宾:曹志兴 教授

题目:基于微分机器学习的基因表达建模与求解

时间:3月28日(周一)10:30-11:30

地点:腾讯会议(会议号:689-591-416)

0

2

曹志兴

图片

华东理工大学教授、博士生导师,国家高层次青年人才。2012年本科毕业于浙江大学控制科学与工程学系,2016年博士毕业于香港科技大学化学与生物分子工程学系,其先后于美国哈佛大学、英国爱丁堡大学担任博士后。主持国家自然科学基金面上项目、重点研发计划课题,担任中国自动化学会过程控制专委会委员和智能健康与生物信息专委会委员、期刊the innovation和自动化学报(英文版)青年编委。研究领域包括机器学习、复杂生化反应智能建模的前沿研究,多次以一作和通讯作者身份在nature communications、美国科学院院刊pnas、current opinion in biotechnology等著名期刊发表研究结果,获得2021年世界人工智能大会青年优秀论文提名奖、第32届中国过程控制会议张钟俊优秀论文奖、2021麻省理工科评论亚太区35岁以下科技创新35人等荣誉。

报告题目:基于微分机器学习的基因表达建模与求解

non-markovian models of stochastic biochemical kinetics often incorporate explicit time delays to effectively model large numbers of intermediate biochemical processes.analysis and simulation of these models, as well as the inference of their parameters from data, are fraught with difficulties because the dynamics depends on the system’s history. here we use an artificial neural network to approximate the time-dependent distributions of non-markovian models by the solutions of much simpler time-inhomogeneous markovian models; the approximation does not increase the dimensionality of the model and simultaneously leads to inference of the kinetic parameters. the training of the neural network uses a relatively small set of noisy measurements generated by experimental data or stochastic simulations of the non-markovian model. we show using a variety of models, where the delays stem from transcriptional processes and feedback control, that the markovian models learnt by the neural network accurately reflect the stochastic dynamics across parameter space.


一同奔赴学术盛宴

换种方式助力抗疫

我们终会迎来胜利的曙光!


信息来源:信息科学与工程学院


网站地图