【报告推荐】几何和从三维和超几何的数据中学习-几何和从数据中学习教程（Geometry and Learning from Data in 3D and Beyond - Geometry and Learning from Data Tutorials）

报告名称： Geometry and Learning from Data in 3D and Beyond - Geometry and Learning from Data Tutorials

报告背景： 在过去的几十年中，将数据作为属于几何流形或更一般的非线性度量空间的样本来处理已经变得很普遍。随着计算机能力的提高，这为新的采集和表示方法以及新的数据处理技术开辟了道路；导致了非常具有挑战性的理论和实践问题，这些问题需要微分几何和度量几何、优化、偏微分方程、随机分析和计算机科学之间的相互作用。本次研讨会旨在汇集这些领域的顶尖专家和年轻研究人员，交流想法，创造协同效应，并加强当前和概述未来的研究方向。

报告大纲：

• 三维形状分析的几何深度学习
• 结构化数据问题的稳健方法
• 一种优化的运输方式（OT）构想的创造性对手网络
• 三维形状与应用溶解几何PDES）
• 从数据学习的Wasserstein信息几何
• 多跳注意力神经处理
• 用于招聘会话代理人的数据集和模型
• 计量登记导论
• 光谱与图表传输指导

报告嘉宾：

Xavier Bresson（新加坡南洋理工大学）

迈克尔·布朗斯坦（伦敦帝国理工学院，乌西·卢加诺）

顾贤峰（太阳石溪）

赖荣杰（仁斯勒职业技术学院）

泰勒·莫努（麻省理工学院）

Guido Montufar（加州大学洛杉矶分校，数学与统计学）

亚瑟·斯拉姆（Facebook）

劳伦特尤尼斯（约翰霍普金斯大学）

报告PDF链接: https://pan.baidu.com/s/19t8WOh7P8eZE2KFGwZ1uwQ