报告时间：1月5号上午9:00-11:30
报告地点：信息楼535智慧学术报告厅
报告人及报告简介：
刘新旺
，国防科技大学银河电子游戏1331教授，博士生导师。国家杰青、 优青获得者。主要研究兴趣包括机器学习、数据挖掘等。近五年以第一或通讯作者在CCF A类顶刊和顶会上发表论文80余篇，包括IEEE TPAMI论文10篇，含3篇独立作者。ESI高被引论文12篇。谷歌学术引用一万四千余次，入选2022年度全球2%顶尖科学家榜单。担任IEEE TNNLS、IEEE TCYB、Information Fusion等期刊AE及ICML、NeurIPS等顶会的资深程序委员/领域主席。部分研究成果曾两次获得湖南省自然科学一等奖（2/6、6/6）。
>>报告题目: 聚类分析的理论方法及应用
>>报告简介
针对聚类分析中数据特征的多样性、非完整性及弱可学习性等挑战，本次报告将介绍课题组在多视图聚类的融合机理、非完整多视图聚类、深度聚类等方面取得了系列性创新成果：建立了如何充分利用不同类型特征来改进聚类性能的新理论、提出了面向聚类填充来应对非完整多视图聚类的新方法、探索了从原始数据中学习特征来最优地服务于聚类的新应用。拟开展持续聚类分析以应对数据的动态变化。
白亮，山西大学智能信息处理研究所所长，教授，博士生导师，国家优秀青年基金获得者。主要研究方向为机器学习，重点围绕聚类分析、半监督学习、自监督学习等开展了系列研究工作，相关研究成果发表在AIJ、IEEE TPAMI、IEEE TKDE、DMKD、ICML、KDD、AAAI等国际重要学术期刊和会议，主持了科技部新一代人工智能重大项目课题、国家自然科学基金优青、面上等项目，获得了包括中国人工智能学会优秀博士论文奖、山西省科学技术奖（自然科学类）一等奖等奖励。
>>报告题目: 数据关系引导的监督信息增强
>>报告简介
监督信息的不充分性是机器学习面临的关键挑战之一。如何利用自然存在的大量无标记数据去提升模型的泛化性是机器学习与数据挖掘领域的重点研究课题。本报告将主要介绍如何挖掘和利用数据的关联性去实现监督信息增强，并向大家汇报课题组在无监督学习、自监督学习和半监督学习方面取得的相关研究进展。
郑凯
，电子科技大学教授，博士生导师，国家青年特聘专家。主要研究领域为时空数据分析、轨迹计算、自动驾驶算法、智能数据库（AI4DB）、空间众包、推荐系统等。在数据库、数据挖掘等领域的重要会议和期刊发表论文200余篇，授权发明专利20余项，谷歌学术引用11000余次, H指数53。IEEE高级会员，担任TKDE编委和多个重要国际会议的大会主席、程序主席和PC。多年来致力于为政府、企业和个人应用提供智能数据管理、融合和分析的高效解决方案，曾主持和参与多项澳大利亚和中国的自然科学基金项目。
>>报告题目: 大规模向量搜索技术：趋势与挑战
>>报告简介
深度学习技术以及大模型的广泛应用产生了海量的向量数据，高效的向量索引和搜索技术不仅是向量数据库的核心竞争力，更对其上层的大模型应用具有至关重要的作用。本次报告将回顾大规模向量搜索技术的基本概念和主流方法，介绍近年来向量搜索技术的最新进展，并探讨其未来发
