韩波 助理教授
香港浸会大学

韩波，香港浸会大学计算机系助理教授，领导TMLR研究组。他同时兼任RIKEN人工智能项目梅峰访问科学家，并曾兼任Microsoft研究院访问科学家。他的研究方向包括机器学习、深度学习、基础模型及其应用。他曾于2024年在阿布扎比穆罕默德·本·扎耶德人工智能大学（MBZUAI）机器学习系担任访问研究学者，2022年担任微软研究院访问研究员，2021年在阿里巴巴达摩院担任访问研究员，并于2019至2020年在RIKEN AIP担任博士后研究员。他于2015至2019年间在悉尼科技大学获得计算机科学博士学位。他曾担任NeurIPS Senior Area Chair，以及NeurIPS、ICML和ICLR的Area Chairs，并担任IEEE TPAMI、MLJ和JAIR的副编辑，以及JMLR和MLJ的编委会成员。他获得过NeurIPS杰出论文奖、NeurIPS最具影响力论文奖、NeurIPS Workshop杰出学生论文奖、NeurIPS优秀Area Chair奖、ICLR杰出Area Chair奖和IEEE TNNLS杰出副编辑奖。
演讲题目：Exploring Trustworthy Foundation Models under Imperfect Data
摘要：In the current landscape of machine learning, it is crucial to build trustworthy foundation models that can operate under imperfect conditions, since most real-world data, such as unexpected inputs, image artifacts, and adversarial inputs, are easily noisy. These models need to possess human-like capabilities to learn and reason in uncertainty. In this talk, I will focus on three recent research advancements, each shedding light on the reliability, robustness, and safety in this field. Specifically, the reliability will be explored through the enhancement of vision-language models by introducing negative labels, which effectively detect out-of-distribution samples. Meanwhile, robustness will be explored through our investigation into image interpolation using diffusion models, addressing the challenge of information loss to ensure consistency and quality of generated content. Then, safety will be highlighted by our study on hypnotizing large language models, DeepInception, which leverages the creation of a novel nested scenario to induce adaptive jailbreak behaviors, revealing vulnerabilities during interactive model engagement.

虎嵩林
中国科学院信息工程研究所研究员

虎嵩林，中国科学院信息工程研究所研究员，院特聘（核心）研究员。国科大岗位教授。长期专注于知识增强的内容安全研究和实战应用，在包括ACL、AAAI、SIGMOD、VLDB、IJCAI、ICDE、DAC等知名国际会议和ACM/IEEE Trans等期刊发表论文百余篇，获授权专利30余项。主持研制了Galaxy（星河）生成式人工智能安全平台，并在2024中关村论坛发布。获中国专利奖、钱伟长中文信息处理科学技术一等奖、中国通信学会一等奖、北京市科技进步二等奖、中科院科教银雁奖等。
演讲题目：大模型安全治理

黄高 副教授
清华大学

黄高，清华大学副教授、博士生导师。27岁获得清华大学博士学位，随后前往美国康奈尔大学计算机系继续博士后深造，博士后第二年他的研究《Densely Connected Convolutional Networks》获CVPR2017最佳论文，并被编入多本深度学习著作，单篇引用量超过4万次。黄教授曾获2016年中国百篇最具影响国际学术论文、2018年世界人工智能大会Super AI Leader（SAIL）先锋奖、2019年吴文俊人工智能优秀青年奖等多项荣誉。研究领域： 深度学习 计算机视觉 动态神经网络。
演讲题目：面向长序列的Transformer基础架构

Prof. Noor Zaman Jhanjhi
马来西亚泰莱大学

Noor Zaman Jhanjhi 是马来西亚泰莱大学计算机科学学院教授，研究方向为网络安全和人工智能。他目前担任马来西亚泰莱大学计算机科学研究生研究学位课程主任和智能社会中心（CSS5）主任。他在 2022 年和 2023 年连续两年被评为世界前 2% 的研究科学家之一，被誉为马来西亚三大计算机科学研究员之一。他曾在 2022 年被马来西亚 MDEC 评为杰出教员。 N.Z. Jhanjhi教授发表了大量论文，其中许多论文被WoS/ISI/SCI/SCIE/Scopus高度收录，累计研究影响因子超过1000点。他的谷歌学术 H-index高达 65，I-10 Index接近 291，Scopus H-index为 47。N.Z. Jhanjhi教授发表了 600 多篇论文，包括在澳大利亚、德国、英国和日本获得的多项国际专利，为学术界做出了重大贡献。
演讲题目：Cybersecurity Issues and Challanges in the Era of Generative AI

李弘扬 助理教授
香港大学

李弘扬博士是香港大学的助理教授，也是上海人工智能实验室OpenDriveLab的全职研究科学家和PI。他的研究方向是自动驾驶和具身智能。他于2019年获得香港中文大学博士学位，组建并领导了上海人工智能实验室的OpenDriveLab团队。他提出的鸟瞰感知工作BEVFormer获得了2022 年百强人工智能论文，并在CompteX 2023的主题演讲中得到了NVIDIA首席执行官黄仁勋的认可。他是IEEE Senior Member，NeurIPS 2023的Notable Area Chair，并将在CVPR 2026 担任Workshop Chair。
演讲题目： Achilles' Heel in Manipulation: Key Recipe and Missing Pieces towards Intelligent Embodied AI
摘要：The increasing demand for versatile robotic systems to operate in diverse and dynamic environments has emphasized the importance of a generalist policy, which leverages a large cross-embodiment data corpus to facilitate broad adaptability and high-level reasoning. However, the generalist would struggle with inefficient inference and cost-expensive training. The specialist policy, instead, is curated for specific domain data and excels at task-level precision with efficiency. Yet, it lacks the generalization capacity for a wide range of applications. Inspired by these observations, we introduce RoboDual, a synergistic dual-system that supplements the merits of both generalist and specialist policy. A diffusion transformer-based specialist is devised for multi-step action rollouts, exquisitely conditioned on the high-level task understanding and discretized action output of a vision-language-action (VLA) based generalist. Compared to OpenVLA, RoboDual achieves a 12% improvement on CALVIN and 26.7% in real-world by adapting the specialist policy with 20M trainable parameters only. It maintains strong performance with merely 5% of demonstration data, and enables a 3.8 higher control frequency in real-world deployment. Code and models would be made publicly available.

刘兵 教授
伊利诺伊大学芝加哥分校

刘兵，伊利诺伊大学芝加哥分校杰出教授，ACM、AAAI和IEEE Fellow。研究兴趣包括终身学习、情感分析、数据挖掘、机器学习和自然语言处理。是2018 ACM SIGKDD创新奖的获得者。是2013-2017年ACM SIGKDD的主席。也曾是很多顶级数据挖掘会议的程序主席，包括KDD、ICDM、CIKM、WSDM、SDM和PAKDD。同时也是顶级期刊的副编辑，包括TKDE、TWEB、 DMKD和TKDD。还是很多自然语言处理、人工智能、网络和数据挖掘会议的领域主席或者高级程序委员会成员。
演讲题目：Continual Learning Using Large Language Models
摘要：The ability to continually learn and accumulate knowledge over a lifetime is a hallmark of human intelligence. It is also essential for AI agents. However, the prevailing machine learning paradigm lacks this crucial capability. This talk introduces the concept of continual learning, outlining its different settings, and then delves into using large language models (LLMs) for continual learning, which notably boosts accuracy. Following this, it presents some recent work on using in-context learning as a strategy for continual learning, which further enhances accuracy and adaptability.

庞亮
中国科学院计算技术研究所智能算法安全重点实验室副研究员

庞亮，中国科学院计算技术研究所智能算法安全重点实验室副研究员，新加坡国立大学访问学者，研究方向为自然语言生成和信息检索。在国际会议发表过论文60余篇，谷歌引用超过3000。担任国际会议程序委员和期刊审稿人，中文信息学会信息检索专委会常务委员，中文信息学会青工委副主任，中国科学院青促会会员。曾获中文信息学会优秀博士学位论文奖，CIKM最佳论文候选，SIGIR最佳论文提名。提出的深度文本匹配模型在Kaggle QQP文本匹配比赛中获得全球第四。NeurIPS 2018多智能体挑战赛强化学习全球冠军。多跳开放问答HotpotQA位列全球榜单第一。
演讲题目：检索增强大模型前沿技术与社会影响
摘要：近年来，检索增强大模型的范式有效地提升了大语言模型生成内容的准确性和可信性，基于检索增强大模型的流程我们可以从四个视角来讨论。在信息检索模块的视角，如何构建适用于大模型的检索模块，有助于大模型更高效的筛选出对生成有效的信息；在大语言模型模块的视角，如何教会大模型使用外部信息，有助于避免检索噪声信息对生成影响；在模块间交互的视角，如何设计信息检索模块与大语言模型模块交互配合的机制，有助于将内部参数知识与外部语料库知识充分融合；最后，在信息回路的视角，讨论智能生成内容将对信息检索内容生态造成的潜在影响。

Hoifung Poon 教授、博士
微软健康未来总经理

Hoifung Poon，微软健康未来总经理。他的研究兴趣是开发下一代人工智能技术，以加速精准医疗的可及性、安全性和预防性护理方面的进展。在微软，他领导生物医学人工智能的研究和孵化，特别注重通过构建所有医疗数据来扩展现实世界的证据生成。他以优异的成绩获得了中山大学计算机科学学士学位，以及华盛顿大学计算机科学与工程博士学位。他是华盛顿大学医学院的兼职教授，并担任 DARPA Big Mechanisms 等各种学术项目的联合 PI。他过去的工作涵盖了机器学习和 NLP 的不同主题，并在 NAACL、EMNLP 和 UAI 等顶级会议中获得最佳论文奖。
演讲题目：Advancing Health at the Speed of AI
摘要：The dream of precision health is to develop a data-driven, continuous learning system where new health information is instantly incorporated to optimize care delivery and accelerate biomedical discovery. The confluence of technological advances and social policies has led to rapid digitization of multimodal, longitudinal patient journeys, such as electronic medical records (EMRs), imaging, and multiomics. Our overarching research agenda lies in advancing multimodal generative AI for precision health, where we harness real-world data to pretrain powerful multimodal patient embedding, which can serve as digital twins for patients. This enables us to synthesize multimodal, longitudinal information for millions of cancer patients, and apply the population-scale real-world evidence to advancing precision oncology in deep partnerships with real-world stakeholders such as large health systems and pharmaceutical companies.

孙剑 教授、杰青
西安交通大学
数学与统计学院副院长

孙剑，西安交通大学数学与统计学院教授、副院长，获得国家杰出青年科学基金。长期从事人工智能（尤其是图像和医学影像分析）中的数学模型与算法研究，主要包括成像反问题与医学辅助诊断、人工智能生成与泛化性问题的基础模型与算法研究等，相关成果发表于IEEE TPAMI, IJCV, MIA, NeurIPS, CVPR, ICCV,MICCAI等；曾在微软亚洲研究院、法国巴黎高师、法国国家信息与自动化研究院等从事博士后或访问学者工作；担任教育部科技委委员，人工智能领域顶级国际期刊IEEE TPAMI和IJCV编委、ICCV/ECCV/ICLR/CVPR等领域主席。
演讲题目：生成式人工智能的数学与统计学基础
摘要：生成式人工智能是当前通用人工智能发展的重要方向，主要通过设计人工智能算法实现对多模态、高维复杂样本分布的学习与新样本的生成，是当前人工智能应用于自动问答、跨模态生成、AI for science等问题的方法基础。生成式人工智能的底层基础是数学与统计学，本报告主要介绍生成式人工智能的背景、数学与统计学基本原理以及其面临的主要挑战问题；进一步介绍以最优传输理论与方法作为基础构建可控／条件生成的人工智能方法，及其在自然图像、医学影像等领域中的应用。最后总结并展望生成式人工智能的未来发展前景。

王国胤 教授
重庆师范大学校长

王国胤现任重庆师范大学校长，大数据智能计算示范型国合基地（科技部）负责人，计算智能重庆市重点实验室主任，旅游多源数据感知与决策技术文化和旅游部重点实验室主任。曾任国际粗糙集学会(IRSS)理事长，现任中国人工智能学会(CAAI)副理事长、中国计算机学会(CCF)理事，是IRSS/CAAI/CCF会士。是长江学者特聘教授、万人计划领军人才、“新世纪百千万人才工程”国家级人选、全国优秀教师、重庆英才·优秀科学家。主要研究领域包括：大数据，人工智能，认知计算，数据挖掘，机器学习，粒计算，粗糙集。
演讲题目：Brain Cognition Inspired Artificial Intelligence
摘要：With the synergy of big data, big computing power and large model, artificial intelligence (AI) has made breakthrough progress in surpassing some key human intelligence abilities such as visual intelligence, auditory intelligence, decision intelligence, and language intelligence in recent years. However, AI systems surpass certain human intelligence abilities in a statistical sense as a whole only. They are not true realization of these human intelligence abilities and behaviors. This talk reviews the role of cognitive science in inspiring the development of the three mainstream academic branches of AI based on Marr’s three-layer framework, explores and analyses the limitations of the current development of AI. Future research directions and their scientific issues that need to be focused on in brain-inspired AI research are proposed.

王兴伟 副校长
东北大学

王兴伟是现任东北大学党委常委、副校长。 1985年8月至1989年7月东北工学院计算机系计算机及应用专业本科生，工学学士学位，保送硕士研究生；1989年8月至1992年3月东北大学计算机系计算机应用专业硕士研究生，工学硕士学位，获提前攻博资格；1995年3月至1998年8月，东北大学信息学院计算机应用技术专业博士研究生，工学博士学位。1992年任东北大学助教，1995年晋升讲师，1998年破格副教授，2001年破格教授，2004年聘任博士生导师，2011年聘任二级教授。1999年10月至2000年3月，任东北大学信息学院院长助理；2000年3月至2000年10月，任东北大学计算中心副主任、网络中心主任；2000年11月至2005年6月，任东北大学计算中心主任、网络中心主任；2005年6月至2015年6月，任东北大学发展规划与学科建设处处长、985工程办公室主任、211工程办公室主任、高等教育研究所所长；2015年6月至2018年7月，任东北大学国家示范性软件学院院长；2018年5月至2022年5月，任东北大学研究生院常务副院长；2022年5月至今，任东北大学党委常委、副校长。 国家杰出青年科学基金获得者，国务院政府特殊津贴获得者，教育部新世纪优秀人才，辽宁杰出科技工作者，兴辽计划特聘教授，辽宁省优秀教师，沈阳五一劳动奖章获得者；全国工程专业学位研究生教育指导委员会委员；中国计算机学会互联网专业委员会主任；中国计算机学会会士，中国通信学会会士；《计算机学报》编委，《软件学报》编委，《计算机研究与发展》编委，《电子学报》编委。爱思唯尔中国高被引学者。辽宁省智能互联网理论与应用重点实验室主任，辽宁省创新团队负责人。获国家科技进步二等奖2项、国家教学成果二等奖1项、教育部科技进步一等奖2项、中国计算机学会科学技术一等奖1项、中国通信学会科学技术一等奖1项、辽宁省技术发明一等奖1项、辽宁省教学成果特等奖1项、辽宁省教学成果一等奖3项。
演讲题目：生成式人工智能发展若干问题思考
摘要： 以ChatGPT大模型为代表的生成式人工智能给全世界的科技界、产业界都带来了深刻变革。在过去的两年时间里，大量科研人员对生成式人工智能中的各项相关技术均开展了相应研究，取得了大量研究成果。这些研究成果被大量应用于千行百业，极大地推动了这些行业的技术发展。然而，经过两年的快速发展，生成式人工智能研究及应用过程中也存在着一系列问题。为使生成式人工智能更好的发展，有必要对这些问题进行必要的反思，以便更清晰地了解生成式人工智能未来的发展发向。在本报告中，首先简单回顾了生成式人工智能的发展现状。之后，对生成式人工智能技术发展中的架构、任务处理机制、内在运行机理等若干题进行了思考。在此基础上，对生成式人工智能技术未来发展中的竞争核心、发展策略、高校的发展定位等问题进行了探讨。通过本次报告，希望让更多研究者思考如何使我国在生成式人工智能发展方向上保持持续竞争力，并使未来生成式人工智能技术有序、可控、可持续发展。

吴贤 博士
腾讯优图天衍研究中心主任，专家研究员

吴贤博士，腾讯优图天衍研究中心主任，专家研究员。主要研究方向为自然语言理解、深度机器学习、医学大模型等。在Nature子刊，T-PAMI, NeurIPS, ACL, CVPR等国际顶级杂志会议上发表文章一百余篇，被引用超过5000次，有近50项美国和中国专利。 作为腾讯优图实验室天衍研究中心负责人，吴贤博士是医疗自然语言处理和医学影像领域的领军人物，专注于自然语言理解、深度机器学习和辅助诊疗系统等领域的研究。他带领的团队医疗大模型领域已取得了突破性进展，如医学影像的精准解读、疾病早筛及智能辅助诊疗系统等。
演讲题目：从深度学习到大模型，医学AI上的一些尝试

夏鑫
华为软件工程应用技术首席专家

夏鑫目前担任华为软件工程应用技术首席专家。他的研究方向是智能化软件工程、软件仓库挖掘和经验软件工程。夏鑫获得了2022年ACM SIGSOFT Early Career Researcher Award（亚太地区第一位），部分论文获得国际会议最佳/杰出论文奖项，其中连续四年获得软工顶会ASE 2018-2021的杰出论文奖。此外他担任MSR、SANER、PROMISE等会议的Steering Committee，多个国际会议的PC (ICSE，ESEC/FSE, ASE等)，多个期刊的编委（TOSEM、EMSE、ASEJ、JSEP等），以及参与组织了多个国际会议（ICSE 2023和2024， ASE 2016、2020和2021等）。
演讲题目：大模型下的软件工程：进展与挑战
摘要：软件工程大模型得到了广泛应用，同时也迎来了新的挑战，例如如何让大模型可以更好地理解软件工程业务和知识、如何更好地使能大模型输出安全可信的代码、如何评价大模型在各项软件工程能力的表现等，这也亟需我们重新思考大模型下的软件工程的未来方向。本次报告从实践角度，梳理当前软件工程大模型的挑战，并探讨未来可能的发展方向。

徐俊刚 教授
中国科学院大学
云计算与智能信息处理实验室主任

徐俊刚，中国科学院大学教授，博士生导师，云计算与智能信息处理实验室主任，中国科学院大学《深度学习》课程首席教授。研究方向包括多模态智能、智能决策与优化、具身智能等。国家科技专家库专家，工信部专家，北京市科委、中关村管委会专家。中国计算机学会人工智能与模式识别专委会执行委员、自然语言处理专委会执行委员、数据库专委会执行委员，中国人工智能学会智能服务专委会常务委员。主持国家科技支撑计划、国家自然科学基金、北京市科技计划、北京市自然科学基金等科研项目多项，发表文章100余篇。获2022年中国地理信息科技进步二等奖。
演讲题目：大模型的发展趋势与应用

杨成 副教授
北京邮电大学

杨成，北京邮电大学副教授，博士生导师，长期从事数据挖掘和自然语言处理相关方向的研究，发表相关领域CCF A类论文40余篇，谷歌学术被引1.2万余次，相关成果获2020年教育部自然科学奖一等奖（排名第四）等省部级奖励。曾获中文信息学会优秀博士论文奖，先后入选百度发布的首届“AI华人青年学者百强” 榜单、中国科协“青年人才托举工程”，连续三年入选斯坦福大学发布的全球前2%顶尖科学家榜单。
演讲题目：大语言模型智能体高效协作框架
摘要：大语言模型(LLMs)目前已展现出推理、规划、工具使用等诸多类人智能，可作为智能体(Agent)的大脑自动化地处理各种复杂任务。然而这些大语言模型智能体是否能够像人类一样学会沟通与分工，更快更好地进行任务协作，仍然是一个亟待探索的问题。本报告将介绍大语言模型智能体协作研究的最新进展，并分析实验中发现的各类智能体合作涌现行为。

Shuanghua Yang 教授
雷丁大学计算机科学系主任

Shuanghua Yang于 1983 年和 1986 年分别获得中国石油大学（华东）仪器仪表及自动化学士学位和过程控制硕士学位，1991 年获得浙江大学智能系统博士学位。他目前是英国雷丁大学计算机系教授兼系主任，也是中国南方科技大学深圳市下一代工业互联网安全与保障重点实验室主任。他的研究兴趣包括信息物理系统、物联网、基于无线网络的监控和安全关键系统。他是英国 IET 和 InstMC 的研究员，也是 IEEE 的高级会员。2014 年，他被拉夫堡大学授予理学博士学位（高级博士学位），以表彰他在学术生涯中的科学成就。他因在家庭自动化研究方面做出的贡献而荣获英国测量与控制学会颁发的 2010 年霍尼韦尔奖。他还是《IET 信息物理系统：理论与应用》的副主编。
演讲题目：Comprehensive Knowledge Integration for Multivariate Time Series Anomaly Detection with Multi-view learning
摘要：Anomaly detection in the Industrial Internet of Things (IIoT) is a challenging task that hinges on the effective learning of multivariate time series representations. Despite the intricate spatial and temporal relationships inherent in IIoT systems, existing methods primarily extract features from a single domain—either temporal or spatial (sensor-wise)—or simply combine the two sequentially, limiting their anomaly detection capabilities. To address these limitations, this talk introduces the Spatial-Temporal Association Discrepancy (STAD) component, which leverages the discrepancies between spatial and temporal features to enhance latent representation learning. Specifically, we propose the Skip-Patching Spatial-Temporal Anomaly Detection (SSAD) framework, which integrates spatial and temporal features in a diverse and comprehensive manner, significantly improving learning processes. Furthermore, we present a novel framework called Two-Views Pre-train Anomaly Detection (2ViewsAD), designed to enhance both the generalization and robustness of learned representations. The SSAD framework demonstrates superior performance, validating the effectiveness of combining skip-patching techniques with spatial-temporal features to improve anomaly detection in IIoT systems. Meanwhile, 2ViewsAD utilizes self-supervised learning during pre-training, effectively capturing both temporal and spatial (sensor-wise) features. This dual-view strategy enables the model to seamlessly integrate insights from both perspectives, further boosting detection capabilities. Experimental results confirm that 2ViewsAD achieves state-of-the-art anomaly detection performance.

姚权铭 助理教授
清华大学

姚权铭，清华大学电子工程系助理教授，博士生导师，国家高层次青年人才计划入选者。研究方向为机器学习和科学智能。发表顶级论文100余篇，包括Nature Computational Science / Nature Communication / JMLR / IEEE TPAMI / ICML / NeurIPS / ICLR等，总被引超万次。担任ICML、NeurIPS和ICLR领域主席、Neural Network和Machine Learning期刊编委。荣获首届蚂蚁Intech科技奖、国际神经网络学会（INNS）早期成就奖、Google全球博士奖、并受邀在国际人工智能大会（AAAI）上做早期成就报告。
演讲题目：深度学习的简约之道
摘要： 尺度定律（scaling law），即通过对训练数据集和可学习参数的强力扩展，已成为开发更强大学习模型的普遍策略。由于数据、计算和信任方面的瓶颈，尺度法则的可持续性对深度学习的未来构成了严重的担忧。我们通过以简约的方式（即通过更简单的模型实现更大的潜力）开发下一代模型来解决这一问题。其关键在于利用领域特定的知识，如符号、逻辑和公式来驱动模型，而不是依赖扩展法则。这种方法使我们能够构建一个以这些知识为“构建模块”的框架，以在模型设计、训练和解释中实现简约。实证结果表明，提出的方法优于通常遵循尺度法则的方法。我们还展示了提出的框架在科学人工智能中的应用，特别是在药物相互作用预测问题上。我们希望此研究能在基础模型时代促进更多样化的技术路线图。

姚信威 教授
浙江工业大学

姚信威，浙江工业大学教授，浙江工业大学先进技术研究院（前沿交叉科学研究院）副院长，全国吴文俊人工智能优秀青年奖获得者、浙江省杰出青年基金获得者、杭州市十大青年科技英才，IEEE Senior Member高级会员、中国计算机学会CCF杰出会员、中国人工智能学会CAAI高级会员。主要研究领域为群智计算、群智感知与协同、智能物联网等基础理论、核心技术及其综合解决方案。
演讲题目：群体智能感算一体化关键技术及应用

游新冬
北京信息科技大学教授
中国计算机学会自然语言处理专委会和信息存储专委会委员

游新冬，北京信息科技大学教授，中国计算机学会信息存储专委会委员和自然语言处理专委会委员，主持过国家自然科学基金，国防领域基础加强基金，北京市自然基金面上项目，装备预研重点实验室基金项目，企业委托横向项目，浙江省自然基金，中国博士后基金面上项目等近20项；以主要成员身份参与过973国家重点科研项目，科技部支撑计划课题，国家自然科学基金，浙江省重大专项，浙江省自然科学基金项目，教育部人文社会科学研究等10余项；以第一作者或通信作者的身份在国内外期刊发表论文30余篇，其中三篇被中科院一区的TOP期刊收录，以独立作者的身份在科学出版社出学术专著1本（该专著为获中国博士后优秀学术专著出版资助）。
演讲题目：知识图谱关键技术及领域落地应用实践探索
摘要：符号化知识图谱的技术体系作为大模型的有效补充，为大模型产业落地提供正确的领域知识和复杂推理能力的支持，领域大模型+领域知识图谱可成为人工智能领域落地应用的重要手段。本报告主要讲述知识图谱的前世今生及未来发展趋势，知识图谱构建的关键技术及主要的应用场景，分享课题组在武器装备领域、煤矿机电设备领域、图像分类可解释性、Mini/Micro LED全产业链方面的落地应用探索及未来展望。

张岳 终身教授
西湖大学

张岳，现任西湖大学终身教授。2003年毕业于清华大学计算机科学专业，获得学士学位；2006年毕业于牛津大学计算机科学专业，获得硕士学位；2009年毕业于牛津大学计算机科学专业，获得博士学位。2010年3月-2012年6月在剑桥大学计算机科学专业从事博士后研究，2012年7月-2018年8月在新加坡科技与设计大学担任助理教授。2018年9月至2022年6月，在西湖大学担任终身副教授。张岳博士主要的研究领域为自然语言处理、文本挖掘、机器学习和人工智能，具体研究方向包括：中英文基础自然语言处理中的词法、句法及语义表示，分析；信息抽取中的实体、关系、事件以及情感抽取；金融领域、生物医药领域以及文学领域的文本挖掘；自然语言生成及其在文本总结与机器翻译中的应用。
演讲题目：LLM reasoning and generalization
摘要：In this talk, I will discuss linguistic reasoning, and the capabilities of formal logic reasoning for large langauge models (LLMs). I will discuss the difficulty of learning formal reasoning from empirical risk minimization, and discuss a perspective to this problem from causal learning theory. I will discuss causal features and confounders, and show how learning confounders can lead to low out-of-distribution generalization performance. Then I will discuss two general methods to address the issue, including a data-centric method and a model-centric method, introducing several recent works using both methods.

Zhongfei Zhang 教授
宾汉姆顿大学

Zhongfei Zhang是美国纽约州立大学宾汉姆顿大学计算机科学系教授。他的研究兴趣广泛，包括机器学习、数据挖掘、计算机视觉和模式识别，尤其关注多媒体/多模态数据理解和挖掘。他是第一本关于多媒体数据挖掘的专著和第一本关于关系数据聚类的专著的作者/合著者。他在所在领域的顶级刊物上发表了 200 多篇论文。他拥有三十多项发明，曾担任其所在领域的多个顶级国际会议的组织委员会成员（包括总主席和首席程序主席），以及多个国际期刊的编委。他曾担任法国里尔第一大学法国国家科学研究院计算机科学系主任教授、日本中央大学日本学术振兴会研究员、中国浙江大学求是讲座教授，并在多年前从宾汉姆顿大学休假期间在世界多所大学和研究实验室担任客座教授。他获得过许多荣誉，包括纽约州立大学校长学术和创造性活动奖、纽约州立大学校长有前途发明家奖以及其所在领域的多个顶级会议的最佳论文奖。他是 IEEE、IAPR 和 AAIA 的会士。
演讲题目：Uncertainty Analysis for Out-of-distribution Detection
摘要：One significant obstacle to deploying deep neural network (DNN) models in real-world applications is that deep learning systems often break down in novel situations which were never seen during the training of the system. This is related to the out-of-distribution detection problem in the literature. Specifically, DNNs tend to yield unreliable predictive estimates and make high-confident yet incorrect predictions when exposed to inputs drawn from unfamiliar distributions. Consequently, accurate predictive uncertainty analysis of DNNs is critical in many high-stake applications such as medical diagnosis, self-driving vehicles, and financial decision-making, where silent mistakes can lead to catastrophic consequences. In this talk, I will first introduce the uncertain analysis issue through a novel uncertainty factorization model as the theoretical foundation for this study. Based on this model, I will then introduce a general and flexible framework for predictive uncertainty estimation with promising evaluation results in several out-of-distribution detection tasks on both vision and language datasets.

赵东岩 教授
北京大学王选计算机
研究所研究员

北京大学王选计算机研究所研究员，博士生导师，国务院特殊津贴获得者。主要研究方向为自然语言处理、大规模语义数据管理、基于知识的智能服务技术。 长期从事自然语言处理和大规模语义数据管理的前沿研究工作。近五年来牵头研制了高效高质量知识图谱构建技术和问道知识云系统、基于领域知识图谱的自然语言对话技术与法律领域智能对话系统、可控对话生成技术与法律文本生成系统、预训练语言模型压缩技术与多模态语义模型，开发了金融知识图谱构建系统与基于AI智能选股的量化基金投资平台等一系列自然语言理解与认知智能的前沿技术与行业应用。
演讲题目：基于大规模语言模型的智能问答

Lei Lu 助理教授
伦敦国王学院

Lei Lu是士是伦敦国王学院的助理教授，也是牛津大学的客座研究员。在此之前，他是牛津大学生物医学工程研究所的高级研究员。Lu博士的工作重点是临床机器学习和医疗保健应用的计算信息学。这涉及开发用于医学诊断、患者表型、健康预测和生物标志物识别的多模态人工智能和生成模型。他担任 IJCAI、CIKM 和 ICRA 的会议主席和研讨会委员，为学术界做出了贡献。他的论文发表在 IEEE TPAMI、TCYB、JBHI、TBME 和 EHJ-DH 上。他于 2021 年获得 IET J.A. Lodge 奖，该奖项每年颁发给一位在英国和国外表现优异的早期职业研究人员。
演讲题目： Deep Learning for Advancing Cardiovascular Healthcare
摘要：Electrocardiogram (ECG) is widely considered the primary test for evaluating cardiovascular diseases. However, the use of AI models to advance these medical practices and learn new clinical insights from ECGs remains largely unexplored. Utilising a data set of 2.3 million ECGs collected from patients with 7 years follow-up, we developed a DNN model with state-of-the-art granularity for the interpretable diagnosis of cardiac abnormalities, gender identification, and hypertension screening solely from ECGs, which are then used to stratify the risk of mortality. Our model demonstrated cardiologist-level accuracy in interpretable cardiac diagnosis, and the potential to facilitate clinical knowledge discovery for gender and hypertension detection which are not readily available. In addition, we explored the design of optimal DNN models through of a novel Neural Architecture Search (NAS) approach, which was able to find networks outperformed the state-of-the-art models with fewer than 5% parameters.

Liangqiong Qu 助理教授
香港大学

Liangqiong Qu是香港大学统计与精算科学系和数据科学研究所的助理教授。此前，她是斯坦福大学的博士后研究员，与 Daniel Rubin 教授一起工作。在加入斯坦福大学之前，她是北卡罗来纳大学教堂山分校的博士后研究员，与Dinggang Shen教授一起工作。她在Yandong Tang教授、Qingxiong Yang教授和Rynson W.H. Lau教授的指导下在中国科学院大学和香港城市大学获得联合博士学位。她的研究兴趣涵盖人工智能、计算机视觉和医学成像处理领域。
演讲题目：Advancing federated learning via Heterogeneity Evaluation, Optimization, and Privacy Preservation
摘要：Federated Learning (FL) offers a promising solution for training robust deep learning models on large and representative data without sharing it across institutions. Nonetheless, the widespread adoption of FL in healthcare is hindered by two key challenges: (1) The lack of federated learning methods robust to data, device, and state variabilities across sites. Existing approaches for addressing device and state heterogeneities are often evaluated in simulated FL environments, raising concerns about their real-world performance. Additionally, assessing a new FL device/state optimization method’s ability to adapt to varying degrees of such heterogeneity is challenging due to the lack of diverse real-world datasets and quantification metrics. (2) Potential privacy leakage risks through shared model weights and the absence of intuitive tools for securely executing FL algorithms. While advanced privacy preservation FL techniques exist, they usually involve considerable trade-offs between accuracy and utility. In this talk, we will illustrate how we address the foregoing challenges by establishing a practical and versatile FL platform that integrates real-world evaluation benchmarks, heterogeneous optimization methods, and privacy protection strategies.

眭亚楠 副教授
清华大学

眭亚楠（YananSui.com），清华大学副教授、博士生导师。主要研究面向具身智能和脑机交互的神经-肌肉-骨骼系统建模、控制与强化学习。于清华大学获得学士学位，美国加州理工学院获得博士学位，并在加州理工学院和斯坦福大学进行博士后工作。主持科技创新2030、国家人才计划等青年科学家研究项目。研究成果安全强化学习方法作为独立专题写入斯坦福大学教科书《Algorithms for Optimization》，在Caltech/CMU/Stanford等多所高校的课程中被讲授。偏好反馈强化学习方法用于机器人控制研究曾获国际机器人与自动化会议ICRA最佳论文奖和最佳人机交互论文奖，成果应用于运动-神经损伤疾病的临床诊断与治疗。多次担任人工智能顶级国际会议领域主席。因在人工智能与神经工程领域的贡献入选MIT科技评论中国“35岁以下科技创新35人”。
演讲题目：具身智能的自身模型
摘要：Modeling and control of the human musculoskeletal system is important for understanding human motor function, developing embodied intelligence, and optimizing human-robot interaction systems. However, current models are restricted to a limited range of body parts and often with a reduced number of muscles. There is also a lack of algorithms capable of controlling over 600 muscles to generate reasonable human movements. To fill this gap, we build a musculoskeletal model with 90 body segments, 206 joints, and 700 muscle-tendon units, allowing simulation of whole-body dynamics and interaction with various devices. We develop a new algorithm using low-dimensional representation and hierarchical deep reinforcement learning to achieve state-of-the-art whole-body control. We validate the effectiveness of our model and algorithm in simulations using real human locomotion data. This work promotes a deeper understanding of human motion control and better design of interactive robots.