菜单总览
新闻

AIRS 主办的 WOPS20 圆满落幕,专家学者共同探讨数据科学新机遇与挑战

  • 2020.12.08
  • 新闻
12月6日,由深圳市人工智能与机器人研究院(AIRS)主办的 WOPS20 完美落幕。

        12月6日,由深圳市人工智能与机器人研究院(AIRS)主办的 WOPS20 (Workshop on Optimization Probability and Simulation) 在香港中文大学(深圳)完美落幕。本次国际研讨会为期三天,采用线上、线下相结合的方式进行,在全球受困于疫情的当下,通过线上会议将专家学者聚集起来,进行知识分享,在有限的条件下进一步扩大研讨会的影响力。

        在12月4日的 WOPS20 开幕式上,AIRS 项目负责人、香港中文大学(深圳)数据科学学院 Andre Milzarek 教授首先致欢迎辞,并向观众简要介绍了AIRS 与香港中文大学(深圳)的概况。

Andre Milzarek 教授致欢迎词

        研讨会上,来自国内外著名高校机构的十位专家学者和两位博士生围绕优化、概率及抽样的理论及相关应用进行讲座分享,与参会的国内外顶尖学者和年轻的研究员分享使用优化、概率及抽样方法来建模与解决信息科学数据分析中的实际问题。大家积极讨论最新的研究进展和成果,聚焦行业前沿焦点。

        WOPS20 会上,专家学者讨论了优化算法的改善,如将广义幂法(Generalized Power Method)有效地在应用于非凸正交群的同步问题上;将张量马尔可夫核与稀疏网格方法用于改善 kriging 方法于仿真元建模中的维度灾难;通过对 Newton-MR 的曲率进行适当的近似,来减少涉及黑塞尔(Hessian)矩阵的计算成本。

        关于抽样,会中介绍了切片抽样(Slice Sampling)的谱隙以助于混合切片抽样方法的收敛性分析,同时涵盖了对椭圆切片抽样(Elliptical Slice Sampler)的介绍和收敛性分析。会议还讨论了用于近似采样算法事后校正(Post-Hoc Correction)的再生 Stein 核方法和基于随机近似的拟平稳蒙特卡罗(quasi-stationary Monte Carlo)的替代方法,前者利用平稳分布的遍历马氏链获得的样本来得到目标分布的一致估计量,后者在保留了精确性和可伸缩性等理想特征下,比拟平稳蒙特卡罗更易实践,也更易理解。

        随着大数据时代各行业对数据分析需求的持续增加,机器学习已逐渐成为当今机器学习技术发展的主要推动力。准确性判断和误差量化对于建立可靠的机器学习系统和基于风险的决策至关重要。本次研讨会涉及关于回归的学习预测区间的推广和校正,有效地克服了传统方法的不足。深度学习是机器学习领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能。其中,生成对抗网络是深度学习中的重要模型,它不可避免需要处理极小化极大优化,极小化极大优化的收敛保证也在本次研讨会中得到了关注。同时,贝叶斯学习也是机器学习领域中一类重要的研究方向。为了设计出对观测噪声大小具有鲁棒性的数值方法的同时还减少贝叶斯反问题的计算负担,本研讨会讨论了使用后验函数的拉普拉斯近似作为数值积分的基本度量可能性,并分析了基于该方法的蒙特卡罗方法的有效性。

        数据科学正在改变着人们的工作、生活与思维模式,进而对文化、技术和学术研究产生深远影响,给各学科领域带来新的机遇和挑战。WOPS20 为数据科学领域的专家学者提供了一个自由交流的平台,让学者们可以在此深入探讨全球数据科学的发展现状和前沿趋势,以及其在人工智能等相关领域的科学研究、技术创新和应用推广所面临的机遇与难题。

特别鸣谢 / Jing Zhang