自动、高效和可解释的深度学习模型构建研究

发布者:闻天明发布时间:2023-04-07浏览次数:10

演讲者:  张淼

时间:      2023年4月10日 15:00-16:00

邀请人:   石野

地点:      信息学院 1C-101

 

摘要:

随着深度学习的发展和数据爆炸式增长,深度学习模型被应用于不同的应用场景。当前的大多深度学习模型大多由专家仅依据模型在任务和数据的性能、基于经验、反复尝试设计出来的。因此深度学习模型设计繁琐,费时费力;模型搜索计算复杂,对硬件计算资源依赖度高;且模型解释不清,推理过程缺乏直观解释。受此启发,申请人围绕深度学习模型开展基础理论研究和工程实践,聚焦在深度学习模型构建的自动化、高效率以及可解释性三个关键科学问题,研究重点包括:1)针对深度学习模型设计繁琐的问题,提出了自动化深度学习模型构建方法,缓解了繁杂的网络设计过程;2)针对深度神经网络搜索计算复杂的问题,提出了高效的神经网络结构搜索方法,提升了低配置硬件环境下的搜索效率;3)针对深度学习模型解释不清的问题,设计了可解释的深度学习模型设计,明晰了推理过程与结果。从而自动地、高效地建立可解释的深度学习模型以适配不同的应用场景。

  

 

报告人简介:

张淼,哈尔滨工业大学(深圳)计算机科学与技术学院教授,博士生导师,入选2022年国家级青年人才计划。博士毕业于澳大利亚悉尼科技大学,曾就职于丹麦奥尔堡大学计算机学院助理教授,澳大利亚莫纳什大学研究员。主要从事机器学习和人工智能方向,涉及领域包括自动机器学习(AutoML),持续学习,联邦学习,元学习,模型压缩,深度学习理论,可解释人工智能,data-centric AI,AI for Science等。发表相关论文30余篇,其中一作发表包括IEEE TPAMI,ICML,NeurIPS,CVPR等CCF A类会议或期刊10余篇,指导学生发表多篇顶级会议和期刊论文,如ICLR,SIGMOD,WWW,ICDM等。目前担任IEEE TCSVT Associate Editor以及IJCAI SPC,长期担任ICML, NeurIPS, ICLR, CVPR, ECCV, IJCAI, AAAI, IEEE TIP, IEEE TNNLS, IEEE TKDE等顶级会议和期刊PC member或审稿人。