报告题目：
Representing Cause-and-Effect in a Tensor Framework
报告简介：
张量框架中的因果关系。自然图像是与场景结构、照明和成像相关的多种因素的合成结果。一般来说，大多数观测数据是由多种原因相互作用形成的。张量代数，高阶张量代数提供了一个有效的数学框架，明确地表示和分离数据形成的因果因素。确定可观测数据的因果因素可以使智能体更好地理解和导航世界，这是人工智能的一个重要原则，也是数据科学的一个重要目标。理论证明，深度学习是一种等价于多线性张量分解的神经网络，而浅层网络则对应于线性张量分解。张量分解已成功地应用于许多计算机视觉、信号处理、计算机图形学和机器学习任务。数据张量建模最初被应用于计算机视觉中，用于从人们的移动方式（2001年的人类运动特征）和面部图像（2002年的张量面部）识别人们，但它可以用于识别任何对象或对象属性。
嘉宾介绍：
Lieven De Lathauwer，在比利时库鲁汶接受教育。2000年至2007年，他是法国国家科学研究中心（CNRS-ETIS）的研究员。他目前是KU Leuven的全职教授，隶属于Kulak集团科学、工程和技术部以及电气工程部（ESAT）的STADIUS集团。他是《暹罗矩阵分析与应用杂志》的副主编，并曾担任《IEEE信号处理事务》的副主编。他是2018年IEEE SPS信号处理杂志最佳论文奖的核心人物。他是EURASIP、暹罗和IEEE的成员。他的研究涉及数学工程张量工具的开发。它以以下轴为中心：1）代数基础；2）数值算法；3）用于信号处理、数据分析和系统建模的通用方法；和4）特定应用。关键词有线性和多线性代数、数值算法、统计信号与阵列处理、高阶统计量、独立分量分析与盲源分离、谐波恢复、因子分析、盲辨识与均衡、大数据、数据融合。
M. Alex O. Vasilescu ，在麻省理工学院和多伦多大学接受教育。Vasilescu介绍了用于计算机视觉、计算机图形学、机器学习的张量范式，并通过推广线性代数的概念扩展了张量代数框架。从21世纪初开始，她将感官数据的分析、识别、合成和可解释性重新定义为多线性张量因子分解问题，适用于数学上表示因果关系，并说明可观察数据的因果因素。张量框架是一个强大的范例，其实用性和价值被最近提供的理论证据进一步强调，表明深度学习是多线性张量分解的神经网络逼近。Vasilescu的人脸识别研究，被称为张量，已经被TSWG资助，国防部打击恐怖主义支援计划，并由IARPA、情报局开展高级研究项目活动。她的作品登上了《计算机世界》的封面，并在《纽约时报》、《华盛顿时报》等杂志上发表文章。MITs技术评论杂志将她评为TR100获奖者，美国国家科学院（National Academy of Science）联合授予了KeckFutures倡议奖助金。
相关内容
微信扫码咨询专知VIP会员