ADL103《群体智能计算》开始报名了

2019 年 9 月 2 日 中国计算机学会

目前，通过网络联结人类群体的问题求解模式正发挥着日益重要的作用，群体智能初见端倪。本期ADL将从人工智能、大数据、物联网、隐私安全等多领域交叉视角诠释当前群体智能计算的关键技术及其研究进展，旨在帮助学员了解该领域前沿技术，掌握学科发展动向。

CCF学科前沿讲习班

The CCF Advanced Disciplines Lectures

CCFADL第103期

主题群体智能计算

2019年9月21-23日

北京•北京航空航天大学

近年来，人工智能发展正经历剧烈变革，通过网络联结人类群体的问题求解模式正发挥着日益重要的作用，已有智慧涌现的趋势，群体智能初见端倪。群体智能指通过特定组织结构吸引、汇聚和管理大规模参与者完成任务时所涌现出超越个体智力的智能。当前，群体智能是机器学习、大数据、物联网、隐私安全和博弈论等多研究领域的交叉融合，也是最具影响力的人工智能前沿研究领域之一。

本期CCF学科前沿讲习班《群体智能计算》，讲授当前该领域的最新研究进展和关键技术突破，希望能够帮助学员拓宽科研视野，快速了解这一领域的研究热点和前沿动态，把握学科发展动向，并在学术交流中掌握重要的研究和应用方法。

本期讲习班邀请到了本领域7位来自海内外著名高校与科研机构的重量级专家学者做主题报告。他们将介绍群体智能中的联邦学习、强化学习、迁移学习、多智能体系统、众包计算、群智感知等核心算法与应用技术，并深入浅出讲解该领域当前的热点问题，联系实际案例对如何开展本领域前沿技术研究进行指导，使参加者了解学科热点、掌握技术动态、增强理论和实践的结合能力。

学术主任：童咏昕北京航空航天大学

主办单位：中国计算机学会

活动日程：

特邀讲者

杨强微众银行首席人工智能官/香港科技大学讲座教授、博士生导师

讲者简介：杨强是微众银行首席人工智能官，香港科技大学讲座教授，ACM/AAAI/IEEE/AAAS/IAPR Fellow。现任国际人工智能联合会IJCAI理事长，AAAI执行委员会委员，中国人工智能学会副理事长，以及香港人工智能及机器人学会创会理事长。杨强于1989年在马里兰大学获得计算机系的博士学位，之后在加拿大滑铁卢大学和Simon Fraser大学任教。杨强的研究方向为联邦学习与迁移学习及其工业应用，是华为诺亚方舟实验室的创始主任，香港科技大学的大数据研究所的创始主任，累计谷歌学术引用四万余次（h指数96），获国际最佳论文/竞赛奖10余次，发明专利20余项。其任《IEEE Transactions on Big Data》与《ACM Transactions on Intelligent Systems and Technology》的创始主编，也是如IJCAI 2015和ACM SIGKDD 2010/2012等国际人工智能相关学术会议的大会主席与程序委员会联合主席，曾受邀在如AAAI，SIGKDD，IJCAI，ACL等众多人工智能相关国际学术会议上做大会报告与主题演讲，并获得2018年 ACM SIGKDD 杰出服务奖。

报告题目：联邦学习与人工智能

报告摘要：当下，AI在算法研发方面突飞猛进，但AI离在企业落地实施却有着不小的距离。AI所面临的一个挑战是标注数据的严重不足，这导致许多优秀算法模型无法得到有效训练。在这一讲座中，我将描述利用迁移学习和联邦学习所设计的解决方案，包括利用联邦学习来连接数据孤岛的数据，以得到可以保护隐私的机器学习模型训练和应用，以及利用迁移学习来解决小数据的问题，解决行业应用的痛点。

童咏昕北京航空航天大学特聘研究员、博士生导师

讲者简介：童咏昕，北京航空航天大学计算机学院特聘研究员，博士生导师，国家自然科学基金优秀青年基金获得者。主要研究方向包括：群体智能、众包计算、时空大数据分析与处理、联邦学习与强化学习等。共发表/接受CCF A类学术论文40余篇，其研究成果主要发表于VLDBJ，TOIS，TKDE，SIGMOD，SIGKDD，VLDB，ICDE和AAAI等。曾获阿里巴巴集团首届“达摩院青橙奖”和国际数据库领域顶级会议VLDB 2014的“杰出演示系统奖”。担任《IEEE Transactions on Big Data》编委，并多次担任SIGMOD、SIGKDD、VLDB、ICDE、AAAI和IJCAI等多个CCF A类会议的程序委员会委员。

报告题目：面向共享出行的时空众包计算

报告摘要：近年来随着移动互联网技术与共享经济模式的普及，如网约车、送餐与最后一公里派送等共享出行类服务正在快速发展，同时其也为相关的计算处理方法带来了全新的挑战:(1)如何通过线上平台将大规模出行需求有效地分配到线下出行服务提供者群体并为他们进行合理的路径规划；(2)如何通过线上激励机制有效地整合线下闲置出行服务资源并实现协同优化。时空众包计算是一种基于众包服务提供者的动态时空属性通过汇聚群体智慧求解问题的新型计算范式，也是群体智能的重要研究内容，为上述挑战提供了有效的解决方案。本报告首先简要地回顾时空众包计算的发展历史，并介绍其当前的核心技术（任务分配、激励机制和隐私保护等），随后结合本团队近年来与滴滴出行等共享出行类产业界公司的合作案例，特别介绍面向共享出行的时空众包任务分配模型、路径规划方法与群体激励机制等方面最新研究成果。

李国良清华大学教授、博士生导师

讲者简介：李国良，清华大学计算机系教授，软件所所长。主要研究方向为数据库、大数据挖掘与分析、群智计算。在数据库、数据挖掘、信息检索领域的顶级会议和期刊上发表论文100余篇，他引6500余次，入选爱思唯尔2014-2018年中国高被引学者榜单。主持国家优秀青年基金、青年973、自然基金重点等项目。获得了VLDB Early Career Research Contribution Award（VLDB杰出青年贡献奖，亚洲唯一一位）、IEEE TCDE Early Career Award（IEEE 数据工程领域杰出新人奖，亚洲唯一一位）、青年长江学者、国家万人计划青年拔尖人才、计算机学会青年科学家奖等奖项。担任VLDB Journal、IEEE TKDE、IEEE Data Engineering Bulletin、ACM Transactions on Data Science等期刊编委，多次担任SIGMOD、VLDB、KDD、ICDE、WWW、IJCAI、AAAI等会议的程序委员会委员。获得过A类会议KDD18、ICDE18最佳论文候选，B类会议CIKM17最佳论文奖、DASFAA14的最佳论文提名奖、C类会议APWeb14最佳论文奖、EDBT13大数据比赛冠军。获国家科技进步二等奖、江苏省科技进步一等奖、教育部自然科学奖二等奖。

报告题目：大数据群体计算

报告摘要：大数据问题所固有的规模繁杂性、高速增长性、形式多样性、价值密度低等特点为传统计算处理方法带来了严峻的挑战。一方面，大数据的规模繁杂性和高速增长性带来了海量计算分析的需求；另一方面，形式多样性和价值密度低等特点使得大数据计算任务高度依赖复杂认知推理技术。针对大数据计算中海量计算分析和复杂认知推理需求并存的技术挑战，基于人机协作的群体计算是有效的解决途径。大数据群体计算是一种新型计算模型，其目的是通过整合互联网上大量用户和计算资源来处理现有计算技术难以解决的大数据问题。本报告将介绍大数据群体计算的研究现状，面临的挑战以及发展趋势，特别是介绍人机协作的群体计算模型、质量感知的群体计算方法以及资源可控的群体计算机理等方面最新研究成果。

张伟楠上海交通大学助理教授、博士生导师

讲者简介：张伟楠，博士，上海交通大学约翰·霍普克罗夫特计算机科学中心助理教授，博士生导师，研究方向为多智能体深度强化学习、无监督学习及其在数据挖掘问题中的应用。他于2011年毕业于上海交通大学计算机系ACM班，于2016年获得英国伦敦大学学院计算机系博士学位，研究成果在国际一流的会议和期刊上发表70余篇论文。在WWW、SIGIR、AAAI等会议担任高级程序委员。2017年获得ACM国际信息检索会议SIGIR的最佳论文提名奖；2017年获得上海ACM新星奖；2018年获得阿里巴巴达摩院青橙奖。

报告题目：多智能体强化学习：算法与系统

报告摘要：随着人工智能、5G和物联网等尖端技术渗透进我们的生活，我们有理由相信在不久的将来，我们将生活在一个万物互联的智能时代。智能器件将不再只是与人或者一堆固定的数据交流，它们之间会相互交流、协作甚至是竞争，从而完成我们当前无法想象的高级智能任务。在学术方面，强化学习和博弈论分别代表了决策智能和多智能体系统的技术前沿领域，这两个领域的交叉极可能迸发出万物互联的智能时代的新一代技术。本次报告，我将从多智能体深度强化学习的基础知识讲起，包括传统强化学习、深度强化学习以及博弈论基础。接着我将从几个落地任务切入，讨论多智能体强化学习的几个经典解决方法，简述它们的基础贡献和局限性。之后我将介绍2017年起到最近提出的最新多智能体深度强化学习算法，探讨这些解决算法随着智能体数量的增加其复杂度的变化。最后，我将深入海量智能体场景下的不同场景，探讨在海量智能体的情况下，传统多智能体强化学习方法的不足，并深入介绍基于平均场理论的强化学习和基于因子分解模型的强化学习算法。另一方面，我将介绍MAgent、CityFlow等专为海量智能体场景提供模拟实验的平台，并展示上述算法在该平台上的初步实验效果和业界落地情况。

张大庆北京大学博雅讲席教授

讲者简介：张大庆教授是北京大学博雅讲席教授，IEEE Fellow（会士），欧洲科学院院士，中国计算机学会（CCF）普适计算专委会副主任。1996年获得意大利罗马大学博士学位。曾任法国巴黎国立电信学院、法国科学院一级终身教授, 新加坡资讯通讯研究院智能家庭实验室创建主任, 情景感知系统部创建主任。主要研究方向包括普适计算、情境感知计算、城市计算、大数据分析和物联网等。在相关国际期刊、会议发表学术论文 280余篇，国际国内专利20余项。所创的情境感知模型被国际普适计算、移动计算和服务计算学术界广泛采用, 文章总引用14600余次，H因子59，单篇论文最高它引次数超过 1500 次 (根据 Google Scholar), 并被普适计算领域顶级会议 IEEE PerCom 2013 授予“十年最具影响力论文奖”。张大庆教授近年来在感知大数据分析、群智感知和无接触感知等新兴研究方向工作, 先后获得中国计算机学会推荐的全部4个普适计算国际会议的最佳论文或提名奖，包括CCF A类会议ACM UbiComp 2015、2016 的最佳论文提名奖。张大庆教授是普适计算顶级期刊IEEE Pervasive Computing、ACM会刊IMWUT、 ACM Transactions on Intelligent Systems and Technology的编委, 担任过10多个国际会议的大会或程序委员会主席, 应邀在20多个国际会议做大会特邀报告。

报告题目：智能城市感知：从无线非接触感知到群智迁移

报告摘要：智能城市感知是首先利用多种感知泛型，对感知对象（人机物）进行多视角的观察与数据采集；进而从个体到社群、从微观到宏观、从局部到全局，对感知目标进行认知、预测或理解。我们通过长期在城市感知数据分析、群智感知和无线非接触感知等智慧城市感知领域的研究, 探索了如何利用现代城市已有资源和能力，对小到个体呼吸，大到城市脉搏（交通、环境变化）的城市要素进行实时、多层次、立体的洞察解析。在本讲座里，我们将从两个方面分享智慧城市感知的最新进展：1. 无线非接触人体行为感知 – 城市中WiFi和各种无线信号无所不在, 我们将复用用于通讯的无线信号对人和环境进行非接触式感知。通过提出新的感知模型和理论, 解释为什么目前大多基于WiFi的行为识别系统在日常应用环境下无法稳定工作，并给出准确识别人在自然生活环境的微观活动（如呼吸、手势）及连续宏观行为（如入侵检测、日常行为）的有效方法。2. 稀疏群智感知与城市迁移学习 – 移动群智感知通过利用大众手中的移动感知设备,利用人的移动性和参与, 以及无所不在的无线通讯能力,达到对城市各个要素的监测和结果汇集。通过解析群智感知中的诸多研究问题，提出了新兴的稀疏群智感知模式，仅需招募少量用户进行数据采样便可达到全面感知城市全貌的目的。

陈雷香港科技大学教授、博士生导师

讲者简介：Lei Chen received the BS degree in computer science and engineering from Tianjin University, Tianjin, China, in 1994, the MA degree from Asian Institute of Technology, Bangkok, Thailand, in 1997, and the Ph.D. degree in computer science from the University of Waterloo, Canada, in 2005. He is currently a full professor in the Department of Computer Science and Engineering, Hong Kong University of Science and Technology. His research interests include crowdsourcing, social media analysis, probabilistic and uncertain databases, and privacy-preserved data publishing. The system developed by his team won the excellent demonstration award in VLDB 2014. He got the SIGMOD Test-of-Time Award in 2015. He is PC Track chairs for SIGMOD 2014, VLDB 2014, ICDE 2012, CIKM 2012, SIGMM 2011. He has served as PC members for SIGMOD, VLDB, ICDE, SIGMM, and WWW. Currently, he serves as PC co-chair for VLDB 2019, Editor-in-Chief of VLDB Journal and associate editor-in-chief of IEEE Transaction on Data and Knowledge Engineering. He is a member of the VLDB endowment and ACM Distinguished Scientist.

报告题目：Human Powered AI Paradigm

报告摘要：Since deep learning algorithms achieved reasonable recognition accuracy compared to that of human being in ImageNet competition in 2012, AI has attracted a lot attention. The successful stories of AI enabled technologies have emerged in many applications, from sports such as Alpha go games and Texas hold 'em to our daily lives such as Siri and Google Assistant. However, due to lacking of well labelled data, some fields, such as text understanding and language translation, AI still has encountered many difficulties. To get more high quality labelled data, it is essential study Human-AI and Human-Data interaction. Specifically, we need to get human involved in the AI loop, from data source identification, data extraction, feature selection, data labeling and hyper-parameter tuning to model verification, in order to improve the effectiveness of AI technologies.

In this tutorial, I will discuss this new human powered AI paradigm. To achieve this end to end intuitive Human-AI, there are several key issues that we need to investigate. I will focus on how to motivate human to prepare data, how to assign proper tasks to human and how to use AI to reduce human errors. At the end, I will highlight some future research directions on this end to end Human-AI powered paradigm.

学术主任

童咏昕北京航空航天大学特聘研究员、博士生导师

童咏昕，北京航空航天大学计算机学院特聘研究员，博士生导师，国家自然科学基金优秀青年基金获得者。主要研究方向包括：群体智能、众包计算、时空大数据分析与处理、联邦学习与强化学习等。共发表/接受CCF A类学术论文40余篇，其研究成果主要发表于VLDBJ，TOIS，TKDE，SIGMOD，SIGKDD，VLDB，ICDE和AAAI等。曾获阿里巴巴集团首届“达摩院青橙奖”和国际数据库领域顶级会议VLDB 2014的“杰出演示系统奖”。担任《IEEE Transactions on Big Data》编委，并多次担任SIGMOD、SIGKDD、VLDB、ICDE、AAAI和IJCAI等多个CCF A类会议的程序委员会委员。

时间：2019年9月21-23日

地点：北京•北京航空航天大学新主楼会议中心（北航东南门）