个人介绍：袁野博士，现为北京理工计算机学院教授、博士生导师、国家杰青和优青基金获得者。主持国家自然基金重点项目，科技部重点研发项目。曾获中国电子学会自然科学一等奖，教育部和辽宁省科技进步一等奖、全国优秀博士论文提名奖、中国计算机学会优秀博士论文奖。袁博士是中国计算机学会数据库专业委员会常委、大数据专家委员会委员、中国计算机学会高级会员，IEEE、ACM高级会员。香港科技大学、香港中文大学、英国爱丁堡大学访问学者。主要研究方向为大数据管理与分析(包括图数据管理、众包数据管理、不确定数据管理、数据隐私保护等)。在SIGMOD、VLDB、ICDE、VLDB Journal、IEEE Trans. TKDE、IEEE Trans. TPDS等重要学术会议和期刊上发表CCF A类论文90余篇。

个人介绍：吕琳媛，电子科技大学，教授，国际网络科学学会理事会理事，国家优秀青年基金获得者，爱思唯尔中国高被引学者。主要从事网络信息挖掘及社会经济复杂性方面的研究。在Physics Reports、National Science Review，PNAS、Nature Communications等学术期刊发表论文80余篇，引用万余次，成果入选中国百篇最具影响国际学术论文。授权发明专利10项。研究成果获中国计算机学会自然科学二等奖。学术专著《链路预测》获第四届中国大学出版社图书奖优秀学术著作一等奖，2018年入选《麻省理工科技评论》中国35岁以下科技创新35人，2020年获第五届中国系统工程学会系统科学与系统工程青年科技奖，2021年获第三届科学探索奖, 2022年获Erdős-Rényi Prize。

报告题目：Weakly Supervised Anomaly Detection with Deep Learning

报告摘要：Existing anomaly detection paradigms overwhelmingly focus on training detection models using exclusively normal data or unlabeled data (mostly normal samples), assuming no access to any labeled anomaly data. One notorious issue with these approaches is that they are weak in discriminating anomalies from normal samples due to the lack of the knowledge about the anomalies. Here, we study the problem of few-shot anomaly detection, in which we aim at using a few labeled anomaly examples to train sample-efficient discriminative detection models. To address this problem, we introduce a novel weakly-supervised few-shot anomaly detection framework that can make use of the limited anomaly examples to train detection models without assuming the examples illustrating all possible classes of anomaly.Specifically, the proposed approach learns discriminative normality (regularity) by leveraging the labeled anomalies and a prior probability to enforce expressive representations of normality and unbounded deviated representations of abnormality. This is achieved by an end-to-end optimization of anomaly scores with a neural deviation learning, in which the anomaly scores of (anomaly-contaminated) normal samples are imposed to approximate scalar scores drawn from the prior while that of anomaly examples is enforced to have statistically significant deviations from these sampled scores in the upper tail. Furthermore, our model is optimized to learn fine-grained normality and abnormality by top-K multiple-instance-learning-based feature subspace deviation learning, in which each data point is represented as a bag of multiple instances in different feature subspaces, allowing more generalized representations. Comprehensive experiments on nine real-world image anomaly detection benchmarks show that our model is substantially more sample-efficient and robust, and performs significantly better than state-of-the-art competing methods in both closed-set and open-set settings.

个人介绍：沈春华，浙江大学计算机学院、计算机辅助设计与图形学国家重点实验室求是讲席教授。本科就读于南京大学强化部，后在南京大学电子系取得硕士学位，阿德莱德大学获得博士学位。2011到2021年间在澳大利亚阿德莱德大学计算机学院、澳大利亚机器学习研究院（Australian Institute for Machine Learning）、以及澳大利亚机器视觉卓越中心（Australian Research Council Centre of Excellence for Robotic Vision）从事教学和科研工作；在这之前沈教授在National ICT Australia 堪培拉实验室以及澳洲国立大学工作了近6年。在从事教学的过去15年间，指导毕业了29名博士生、30余名访问博士生。研究兴趣主要在计算机视觉的几个基础任务，包括目标检测、语义分割、实例分割，单目深度估计以及3D场景重建等。

报告题目：谱域图神经网络理论基础

报告摘要：近年来，由于图结构数据的强大表达能力，用机器学习方法分析和挖掘图数据的研究越来越受到重视。图神经网络（Graph Neural Networks）是一类基于深度学习的处理图数据的方法，在众多领域展现出了卓越的性能，其已经成为一种广泛应用的图分析方法。谱域图神经网络是图神经网络研究中一类重要的方法，它们在拉普拉斯谱域中设计和学习不同的图卷积，具有良好的理论保证和可解释性。本报告拟先介绍图神经网络的任务和一些前沿应用，然后从图傅里叶变换、图卷积的设计和图谱滤波器的多项式近似等方面探讨谱域图神经网络的理论基础，最后将讨论我们在谱域图神经网络所做的一些工作和对未来工作的展望。

个人介绍：魏哲巍，教授，博导，入选国家高层次青年人才计划。研究方向为大数据算法理论、图机器学习。2008年本科毕业于北京大学数学科学学院，2012年博士毕业于香港科技大学计算机系；2012年至2014年于奥胡斯大学海量数据算法研究中心担任博士后研究员，2014年9月加入中国人民大学信息学院担任副教授，2019年8月起任教授。2020年4月加入高瓴人工智能学院。在数据库、理论计算机、数据挖掘、机器学习等领域的顶级会议及期刊上（如SIGMOD、VLDB、ICML、NeurIPS、KDD、SODA等）发表论文50余篇，并获得数据库理论顶级会议PODS2022十年最佳论文奖。担任PODS、ICDT等大数据理论会议论文集主席以及VLDB、KDD、ICDE、ICML、NeurIPS等国际会议程序委员会委员。主持多项自然科学基金青年项目、面上项目及重点项目子课题。担任鹏城实验室广州基地青年科学家。培养博士生获2021年百度奖学金（全球10人）。

报告题目：从数据联邦到联邦学习

报告摘要：近年来随着社会治理与疫情防控等新需求的出现，跨部门间的数据孤岛给大数据共享计算带来全新挑战，即如何在各部门原始数据不出本地前提下实现多方安全的数据共享与协同分析？为此，联邦计算以其“数据不动计算动、数据可用不可见”的共享理念为破解数据孤岛挑战提供一种新型思路。本报告首先回顾隐私计算技术与数据科学领域的融合发展历程，介绍本团队所研发的数据联邦系统——“虎符”，其已经适配当前各种主流数据库与大数据计算平台，并支持多方数据自治下的安全高效协同查询分析。随后阐述数据联邦与联邦学习的区别与联系，并分析当前联邦学习的前沿技术。最后，报告也将对该领域当前挑战和未来发展进行总结展望。

个人介绍：北京航空航天大学计算机学院教授，博士生导师，国家自然科学基金优秀青年基金获得者。2014年于香港科技大学获计算机科学与工程学博士学位，随后留校担任研究助理教授，2015年入选北京航空航天大学“卓越百人计划”。目前主要研究方向包括：群体智能、联邦学习、隐私计算、时空大数据挖掘分析与数据库系统等。近年来，先后主持国家自然基金重点项目、国家重点研发计划课题等科研项目。共发表学术论文百余篇，其中以第一/通讯作者发表CCF-A类论文60余篇。曾获中国电子学会自然科学一等奖（排名1）、首届阿里巴巴达摩院“青橙奖”、数据库领域CCF-A类会议VLDB 2014“杰出演示系统奖”和数据挖掘领域国际顶级竞赛 KDD Cup 2020全球冠军；担任《Frontiers of Computer Science》期刊的执行编委、《IEEE TKDE》与《IEEE TBD》等国际期刊编委和多个CCF-A类会议程序委员会领域主席（PC Area Chair），并长期作为多个国际顶级会议的高级程序委员会委员（Senior PC）；也是CCF杰出讲者、CCF会员与分部工委副主任、CCF走进高校工作组组长。

报告题目：图神经网络中自适应知识传播机制初探

报告摘要：当前，图神经网络已经成为了学术界和工业界的研究热点。在图神经网络中，知识传播是图神经网络模型的核心机制，是模型有效利用和学习图的拓扑关系的关键。然而，当前大多数图神经网络模型在知识传播的过程中，会盲目地传递和聚合所有’邻居’节点的知识，这是否合理？目前很少有相关的工作对此进行研究。为此，本报告汇报图神经网络中自适应知识传播机制的最新进展，包括结点间、图模型间的动态的知识传播算法研究等, 并且分析了未来图神经网络中自适应知识传播的研究方向。

个人介绍：李长升，北京理工大学计算机学院教授，博士生导师，国家优秀青年科学基金获得者。2013年于中科院自动化所获得博士学位，研究方向包括图神经网络、对抗计算及自动驾驶等。近几年，发表学术论文70余篇，其中，以第一作者发表CCF A类/IEEE Trans.学术文章17篇。先后主持国家自然科学基金优秀青年科学基金、国家重点研发计划课题等；参与国家自然科学基金重点项目2项；主持华为、蚂蚁金服、CCF-百度松果等委托项目10余项。授权中国、美国、日本等国内外发明专利50余件。现担任十几个国际顶级期刊和会议的审稿人、程序委员会委员及领域主席。

报告题目：从强化学习打游戏到工业决策

报告摘要：基于强化学习的AI智能体近年来在多款游戏中打败人类，展示了超越人类的决策能力。报告首先将回顾基于强化学习的博弈方法，并介绍近期进展。如此强大的决策能力，如果进入生产生活领域，必将带来巨大变革。然而强化学习技术走出游戏世界面临挑战，我们认为其关键在于缺乏对任务环境的通用建模方法。为此，我们聚焦在如何从有限历史数据中学习环境模型，发现并解决了一些列环境学习中的难题。本报告将汇报我们在环境学习方向的进展，及其带来的强化学习在工业决策任务上的应用。

个人介绍：俞扬，南京大学人工智能学院教授，国家万人计划青年拔尖人才，主要从事机器学习、强化学习的研究工作。获2020 CCF-IEEE青年科学家奖，入选2018 IEEE国际人工智能十大新星(AI's 10 to Watch)，获首届亚太数据挖“青年成就奖”，并受邀在国际人工智能联合大会 IJCAI'18 作“青年亮点报告”(Early Career Spotlight)。研究工作获4项国际论文奖励和3项国际算法竞赛冠军。