报告题目：贝叶斯网络与决策模型鲁棒性研究
报告时间：7月7号周一下午3:00
报告地点：管理路102会议室
报 告 人：周鋆
摘要:目前智能决策技术已成为提升决策质量和效率的关键工具，为各行各业带来了革命性变革。然而现有决策模型部署有效性的前提是建立在封闭世界假设上的，即假设所有测试数据都是从与训练数据相同的分布中独立同分布抽取而来，此时测试数据也叫做分布内数据。在实际环境中，该假设难以完全捕捉真实世界数据的复杂性。测试数据不可避免地会存在偏离训练分布的未知数据，即分布外数据。例如，声数据，甚至对抗样本，导致智能决策模型的决策准确性、可靠性和安全性面临严峻挑战。因此，提升智能决策系统处理和适应分布外数据的能力，即增强模型面向分布外数据的决策鲁棒性，成为确保其决策质量的关键。基于前期研究基础，本研究提炼出决策模型的三种核心鲁棒性能力需求:适应性能鲁棒性、决策估计鲁棒性、对抗防御鲁棒性。，通过从感知层改进神经网络模型，认知层改进贝叶斯网络模型，并对其有机结合，以支撑决策型做出鲁棒的决策。
主讲人简介:周鋆，英国伦敦玛丽女王大学计算机科学博士，中国人民解放军国防科技大学信息系统工程重点实验室主任助理，副教授，研究生导师。主要研究方向为机器学习与贝叶斯图模型理论，主持包括国家自然科学基金面上项目在内的国家级、省部级项目在内的科研项目7项。2019年入选国防科技大学首批创新人才(卓越青年)培养对象，2020年入选长沙市杰出创新青年培养计划，2021年入选湖湘青年科技创新人才，以第一作者、通讯作者身份发表贝叶斯图模型学习相关论文30余篇，其中包括领域重要会议UAI、KDD、ICML、IJCAI、ICDM等，第一发明人授权国家发明专利20项，学术成果目前被引1200余次，并担任TPAMI、TKDE、TNNLS、TKDD等十余个人工智能与数据挖掘重要期刊审稿人，以及中国指挥与控制学会C4ISR理论与技术专委会秘书长，获CICC科技进步奖一等奖1项，二等奖1项。主讲《先进数据挖掘技术》等课程，指导学员创新性实验计划项目10项，指导学员参加学科竞赛获亚太数模最高奖、军事数特等奖等奖励。
