光華講壇——社會(huì)名流與企業(yè)家論壇第6875期
主題：Robust computation: SNAP and its applications魯棒計(jì)算：SNAP及其應(yīng)用
主講人：德國(guó)明思特大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院 蔣曉毅教授
主持人：統(tǒng)計(jì)與數(shù)據(jù)科學(xué)學(xué)院 黃雁勇教授
時(shí)間：3月26日15:00-16:00
地點(diǎn)：柳林校區(qū)誠(chéng)正樓1320會(huì)議室
主辦單位：統(tǒng)計(jì)與數(shù)據(jù)科學(xué)學(xué)院 科研處
主講人簡(jiǎn)介：
蔣曉毅，德國(guó)明思特大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)系教授。蔣曉毅教授在北京大學(xué)獲得計(jì)算機(jī)科學(xué)學(xué)士學(xué)位，隨后在瑞士伯爾尼大學(xué)獲得博士學(xué)位及任教資格（Habilitation）。他曾任德國(guó)柏林工業(yè)大學(xué)副教授，自2002年起擔(dān)任德國(guó)明斯特大學(xué)計(jì)算機(jī)科學(xué)教授。2016年至2023年期間，他擔(dān)任明斯特大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院院長(zhǎng)。蔣曉毅教授的研究方向主要包括計(jì)算機(jī)視覺(jué)、模式識(shí)別與機(jī)器學(xué)習(xí)，并在生物醫(yī)學(xué)圖像分析等跨學(xué)科研究領(lǐng)域開(kāi)展了廣泛合作。蔣曉毅教授是國(guó)際模式識(shí)別學(xué)會(huì)（IAPR）會(huì)士和亞洲人工智能協(xié)會(huì)（AAIA）會(huì)士。目前，他擔(dān)任國(guó)際期刊International Journal of Pattern Recognition and Artificial Intelligence主編。此前，他曾擔(dān)任多個(gè)國(guó)際知名期刊的編委，包括IEEE Transactions on Cybernetics、IEEE Transactions on Medical Imaging、Pattern Recognition和Journal of Big Data。蔣曉毅教授多年來(lái)服務(wù)于不同的學(xué)術(shù)機(jī)構(gòu)，目前擔(dān)任德國(guó)華人教授學(xué)會(huì)主席、ISBI(Int. Symposium on Biomedical Imaging) Steering Committee 主席，曾擔(dān)任IEEE EMBS Technical Committee on Biomedical Imaging and Image Processing(BIIP)主席、德國(guó)模式識(shí)別學(xué)會(huì)Executive Board成員及技術(shù)委員會(huì)主席。
內(nèi)容提要：
Robust computation is important in machine learning and computer vision because both data and intermediate computational results may contain outliers. Real-world data often includes noise, measurement errors, or corrupted samples, while algorithmic outputs, such as predictions in ensemble learning and test-time augmentation, may also produce abnormal values. Standard methods can be sensitive to these outliers, which may distort model estimation and degrade performance. Robust approaches reduce the influence of such extreme values, leading to more stable models and more reliable results in practical applications. In this talk, I will discuss various aspects of robust computation, with a particular focus on the recent SNAP approach, which is based on the Self-coNsistent Agreement Principle, and its practical applications.
魯棒計(jì)算在機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺(jué)領(lǐng)域具有重要意義，因?yàn)閿?shù)據(jù)和中間計(jì)算結(jié)果都可能包含異常值?，F(xiàn)實(shí)世界的數(shù)據(jù)常常包含噪聲、測(cè)量誤差或損壞樣本，而算法輸出——如集成學(xué)習(xí)中的預(yù)測(cè)結(jié)果和測(cè)試時(shí)增強(qiáng)產(chǎn)生的輸出——也可能出現(xiàn)異常值。傳統(tǒng)方法容易受到這些異常值的影響，這可能導(dǎo)致模型估計(jì)失真和性能下降。而魯棒方法能夠降低這類(lèi)極端值的影響，從而在實(shí)際應(yīng)用中產(chǎn)生更穩(wěn)定的模型和更可靠的結(jié)果。在本次演講中，我將探討?hù)敯粲?jì)算的多個(gè)方面，特別關(guān)注基于自洽一致性原理的SNAP方法及其實(shí)際應(yīng)用。
