嘉賓👗：王昊奮
題目🎎🙏🏿：知識驅動的多策略多模態問答技術實踐
時間：3月28日（周一）9:30-10:30
地點：騰訊會議(會議號:689-591-416)
0
1
王昊奮
同濟大學百人計劃，特聘研究員🪣，博士生導師🧑⚖️。長期在一線人工智能公司擔任CTO之職❕，擁有前沿科技視野及豐富的研發管理經驗👺，榮獲徐匯區學科帶頭人人才計劃。他是全球最大的中文開放知識圖譜聯盟OpenKG發起人之一。他負責參與多項省部級AI相關項目，發表100余篇AI領域高水平論文🏌🏻♂️，被引用次數達到2300余次，H-index達到23👨🏽🎤。他構建了全球首個可交互養成的虛擬偶像—“琥珀·虛顏”；所構建的智能客服機器人已累計服務用戶超過10億人次。目前🕴，他擔任中國計算機學會術語工委副主任，SIGKG主席，上海秘書長👼🏻，中國中文信息學會理事🛜👨🏻⚕️，語言與知識計算專委會副秘書長，上海市計算機學會自然語言處理專委會副主任，上海交通大學AI校友會秘書長等社會職位🪹。
報告題目🔼：知識驅動的多策略多模態問答技術實踐
現實世界包括文本、知識和多媒體等多種信息源，近年來隨著自然語言處理和計算機視覺的快速發展，多模態問答因其能提供“文本+視覺”之間關系的洞察而引起越來越多的關註。目前，問答系統仍然面臨著很多挑戰👯♀️，其一是如何理解用戶多種多樣的問題表達🌗，其二是如何從海量問答知識中匹配出精準的答案🧜♀️🏃🏻。多模態信息增加了問答的難度，系統必須同時理解語言以及學習相應視覺的表示🙇🏿♂️。本報告分別介紹文本+知識的多策略問答和兩種形式的多模態問答如視覺問答（Visual Question Answering）和視頻問答（Video Question Answering）等的關鍵技術和常用數據集😪。
嘉賓：曹誌興 教授
題目🍟：基於微分機器學習的基因表達建模與求解
時間🍍：3月28日（周一）10:30-11:30
地點🩲🏄🏻：騰訊會議(會議號:689-591-416)
0
2
曹誌興
天辰平台教授、博士生導師，國家高層次青年人才。2012年本科畢業於浙江大學控製科學與工程學系，2016年博士畢業於香港科技大學化學與生物分子工程學系🐶，其先後於美國哈佛大學、英國愛丁堡大學擔任博士後。主持國家自然科學基金面上項目、重點研發計劃課題👨🦽➡️🚵♀️，擔任中國自動化學會過程控製專委會委員和智能健康與生物信息專委會委員、期刊The Innovation和自動化學報（英文版）青年編委。研究領域包括機器學習🏃🏻♀️、復雜生化反應智能建模的前沿研究💛👨🏿🍼，多次以一作和通訊作者身份在Nature Communications🎅🏽✍🏿、美國科學院院刊PNAS🧑🎨、Current Opinion in Biotechnology等著名期刊發表研究結果，獲得2021年世界人工智能大會青年優秀論文提名獎、第32屆中國過程控製會議張鐘俊優秀論文獎🧞、2021麻省理工科評論亞太區35歲以下科技創新35人等榮譽。
報告題目：基於微分機器學習的基因表達建模與求解
Non-Markovian models of stochastic biochemical kinetics often incorporate explicit time delays to effectively model large numbers of intermediate biochemical processes.Analysis and simulation of these models, as well as the inference of their parameters from data, are fraught with difficulties because the dynamics depends on the system’s history. Here we use an artificial neural network to approximate the time-dependent distributions of non-Markovian models by the solutions of much simpler time-inhomogeneous Markovian models; the approximation does not increase the dimensionality of the model and simultaneously leads to inference of the kinetic parameters. The training of the neural network uses a relatively small set of noisy measurements generated by experimental data or stochastic simulations of the non-Markovian model. We show using a variety of models, where the delays stem from transcriptional processes and feedback control, that the Markovian models learnt by the neural network accurately reflect the stochastic dynamics across parameter space.
一同奔赴學術盛宴
換種方式助力抗疫
我們終會迎來勝利的曙光！
信息來源：信息科學與工程學院
