报告摘要：搜索意图理解是搜索引擎研究中的重要问题，由于查询词往往比较短，更加增加了意图理解的难度。用户的搜索行为，由于具有一定的目的 性，往往在其背后隐含了一些语义信息。本报告将介绍如何有效地利用用户的搜索行为，构建有效的用户点击模型，以提高搜索引擎的搜索性能。

 报告人简介：马少平，男，1961年2月出生，清华大学计算机系教授，博士生导师，“天工”智能计算研究院常务副院长，人工智能研究院智能信息获取研究中心主任。现任中国人工智能学会会士、副监事长，中国中文信息学会副理事长。主要从事智能信息处理方面的研究工作，包括搜索引擎、信息检索、网络用户行为分析、个性化推荐、社交媒体分析等。

 报告摘要：《新一代人工智能发展规划》等将智能教育作为国家发展战略。智能教育的核心之一是认知诊断，即根据学习行为分析学习者的知识掌握能力。本报告将重点介绍认知诊断的相关方法以及其在个性化学习中的应用。

 报告人简介：陈恩红，中国科学技术大学大数据学院执行院长。曾获国家杰出青年基金项目支持，国家“万人计划”创新领军人才，科技部重点领域创新团队“大数据分析及应用”团队负责人，大数据分析与应用安徽省重点实验室主任，安徽省计算机学会理事长。担任IEEE Transaction on Knowledge and Data Engineering、ACM Transaction on Intelligent Systems and Technology等多个国内外学术期刊编委。承担了国家基金委重大仪器研制、区域联合基金重点项目等，发表IEEE/ACM Transactions以及CCF A类论文150余篇，获KDD最佳应用、最佳学生论文奖，以及教育部自然科学一等奖、吴文俊人工智能科技进步一等奖。

 报告摘要：人工智能的技术和应用在近些年快速发展，但在实际中的规模化应用仍有居多困难。这些困难既来自AI算法，也来自支撑算法能力的系统和平台，以及来自行业知识的壁垒，甚至是对AI技术的能与不能以及如何化不能为能的认知。本报告试图结合多年在智慧城市、工业制造、泛互联网、医疗健康、教育等行业的实战AI技术研发经验，从算法、系统、平台、行业等多个角度，讨论今天和未来人工智能规模化研发和应用的挑战、路径和趋势。

 报告人简介：华先胜，现任阿里巴巴集团副总裁/高级研究员、达摩院城市大脑实验室主任。华博士是国际电气与电子工程师协会会士（IEEE Fellow），美国计算机协会杰出科学家（ACM Distinguished Scientist）；2008年获MIT技术评论“全球35个35岁以下杰出青年创新者”称号（TR35）。1996年和2001年毕业于北京大学数学学院，分别获学士和博士学位；之后分别工作于微软亚洲研究院，微软美国必应搜索引擎，以及微软美国研究院，从事多媒体、计算机视觉和机器学习方面的研发工作。2015年4月加入阿里巴巴，任搜索事业部资深总监/研究员；2016年加入阿里云iDST，负责云上视觉智能计算的技术研发。他的研发兴趣在大规模视觉人工智能领域，包括视觉分析、识别、搜索和挖掘等。华博士在国际主流会议和期刊上发表论文200余篇。曾担任多个学术期刊的副主编以及ACM Multimedia等顶级学术会议的程序委员会主席，并获得多个国际会议及期刊的最佳论文奖。华博士层担任多媒体智能领域顶级国际学术会议ACM Multimedia 2020年大会主席。

报告摘要：当前深度学习的成功仍主要建立在大规模标注数据和模型算法的基础上。虽然大规模数据获取已经较为容易，数据的精细化标注仍然会耗费大量的人力物力。近年来涌现的弱监督、噪声标注和小样本学习等面向低标注成本的深度网络学习方法仍较为依赖人为设计，缺乏统一的形式和原则。因此，报告从知识提取和知识蒸馏的角度出发分析了低成本标注学习问题，为弱监督语义分割和物体检测提供了新的角度和解决方案。其次，针对真实图像去噪、图像去模糊/超分辨等问题，往往不能获得理想的监督信息，能够获得替代监督信息与理想监督相比可能会呈现时空域未配准、颜色/模糊程度不一致等特点。为此，报告以人脸正面化和Raw图ISP和超分为例，针对颜色不一致和空域未配准情况下的深度网络训练分别给出了一种有效的学习方法。

报告人简介：左旺孟，哈尔滨工业大学计算学部教授、博士生导师，机器学习研究中心执行主任。主要研究方向包括非理想监督学习方法及其在图像增强与复原、图像编辑与生成、物体检测和图像分类等领域的应用。在CVPR/ICCV/ECCV等顶级会议和T-PAMI、IJCV及IEEE Trans.等期刊上发表论文100余篇。曾任ICCV2019、CVPR2020/2021等CCF-A类会议领域主席，现任IEEE T-PAMI和T-IP等期刊编委。

报告题目：基于智能计算的脑机制研究

报告摘要：大脑是人类智能的核心，对于人脑的研究特别是对于人脑高级认知功能脑机制的研究已经成为了重要的研究课题。先进的智能计算方法为这方面的研究带来了新的机遇和挑战。采用智能计算的思想，建立先进的计算模型，成为综合多层次信息，认识和了解大脑工作机制的最重要手段。本报告将介绍利用智能计算方法探究不同认知状态下大脑的工作机制，分别从脑网络成分识别、脑连接效应分析、脑认知行为预测与脑状态解码等四个方面展开。期望智能计算的引入能帮助进一步探明脑神经机制，促进脑科学发展；同时，脑机制的明晰也能为智能算法的发展提供脑科学的理论支撑和启发。

报告人简介：邬霞，北京师范大学人工智能学院教授，认知神经科学与学习国家重点实验室研究员，博士生导师。主要研究领域包括脑数据挖掘、脑机接口、类脑算法研究等。致力于融合人工智能、脑与认知科学等多学科优势，受益于脑科学探究中所获启发与灵感，开发新的人工智能理论方法和应用。以第一完成人获得吴文俊人工智能科学技术奖自然科学一等奖、教育部高等学校科学研究优秀成果奖二等奖。

报告题目：环境模型与强化学习

报告摘要： 强化学习是实现自主决策的主要技术途径之一，已在围棋、视频游戏等领域展示出了超越人类的决策能力。然而强化学习的训练过程需要大量试错，只能在封闭的游戏场景下起效。实际应用常处于开放环境中，面临高昂的试错代价，使得目前的强化学习技术难显身手。从历史数据中学习环境模型，并基于环境模型低成本的训练强化学习，是解决其应用障碍的希望之一，然而有效环境模型的学习却也一直面临艰难与挑战。此次报告将汇报我们在环境模型学习方面的研究进展，以及初步的应用结果。
报告人简介：俞扬，博士，南京大学人工智能学院教授，主要研究领域为机器学习、强化学习。入选国家万人计划青年拔尖人才项目(2018)，入选IEEE Intelligent Systems杂志评选的“国际人工智能10大新星”(2018)，获亚太数据挖掘"青年成就奖”(2018)，获“CCF-IEEE青年科学家奖”(2020)，获得4项国际论文奖励和2项国际算法竞赛冠军，并受邀在IJCAI’18作关于强化学习的"青年亮点"报告。博士学位论文被评为全国优博(2013)和CCF优博(2011)。