西南大学第三届青年学者含弘科技论坛

计算机与信息科学学院分论坛

                                                    学术报告

时间：2018年5月8日下午2:30

地点：日博体育注册25教0114学术报告厅

报告一：

题目： 论生态系统的网络鲁棒性（On the Network Robustness of Ecosystems）

报告人：蔡清博士 Dr. Qing Cai

报告人简介：蔡清博士是新加坡南洋理工大学计算机科学与工程学院博士后研究员。在加入新加坡南洋理工大学前，曾在香港浸会大学担任研究员两年。其研究领域包括进化计算、复杂网络分析、推荐系统、种群生物学等。

Dr. Qing Cai is Postdoctoral Research Fellow with the School of Computer Science and Engineering, Nanyang Technological University (NTU), Singapore. Before joining NTU, he had been working as a Research Fellow with Hong Kong Baptist University for two years. His research interests are in the areas of evolutionary computation, complex network analytics, recommender systems, population biology, etc.  

内容摘要：生态系统与人类社会密切相关。由于栖息地干扰、入侵物种或人为干预，生态系统的某些物种可能灭绝，这可能进一步触发其他物种的第二次灭绝，并最终可能发生生态连锁灾难。澳大利亚最早在1788年引进澳大利亚的入侵兔，这是引起澳大利亚生态噩梦现实世界的例子。因此，研究物种流失对生态系统的鲁棒性具有重要意义。值得注意的是，生态系统可被建模为生态网络，其中顶点表示物种，而边缘表示物种之间的生物相互作用。复杂网络建模是理解复杂系统动力学的一种优雅而强大的工具。在此讨论中，我们将讨论基于网络的解决方案以及分析生态系统的鲁棒性的挑战。

Ecosystems are closely related to human society. Due to habitat disturbances, invasive species or anthropogenic interventions, some species of an ecosystem may go extinct which may further trigger second extinction of other species, and ecological cascading disaster may occur eventually. Australia’s ecological nightmare induced by the invasive Bunny rabbits which were introduced to Australia by the First Fleet in 1788 is a dramatic real-world example. It is therefore of grave significance to investigate the robustness of ecosystems in face of species loss. Note that an ecosystem can be modelled as an ecological network wherein the vertices denote species and the edges represent the biological interactions between species. Complex network modeling is an elegant yet powerful tool towards understanding the dynamics of complex systems. In this talk, we will discuss network based solutions as well as challenges for analyzing the robustness of ecosystems.

报告二：

题目：人工智能及生物医学应用（Artificial Intelligence and Applications in Biomedical Sciences ）

报告人：李宏健博士

报告人简介：李宏健博士2015年毕业于香港中文大学，修读计算机科学与技术。研究方向包括生物信息学、计算机辅助药物发现、人工智能、机器学习等。发表过14篇期刊论文和10篇国际会议论文，其中75%是第一作者，13%是通讯作者，他引次数253。其中一篇论文讲述了一个自主研发的高通量大数据虚拟筛药网站，拥有来自全球128个国家2614个城市的15099名用户。申请了5项国家发明专利。获邀成为若干个期刊的审稿人。获邀在多个海内外会议上发言。

内容摘要：人工智能和生物医学是当下的热点、国家重点扶持和发展的产业，在十九大报告和国务院政府工作报告中多次提及。生物信息学是一门跨领域综合学科，涉及到计算机和医药学。本报告试图从一个临床生殖医学的案例，归纳出人工智能机器学习的一般方法和规律，再运用深度学习去帮助解决生物医学细分领域的具体问题。

报告三：

题目：超越预测：数据驱动的决策（Beyond prediction: data-driven decision making）

报告人：马赛赛博士

报告人简介：马赛赛博士，2017年获得南澳大学计算机专业博士学位。研究方向包括数据挖掘，机器学习，因果推论等。在IEEE Transactions on Knowledge and Data Engineering，ACM Transactions on Intelligent Systems and Technology等国际学术刊物会议上发表多篇论文，授权发明专利2件。担任多个国际期刊评审。

内容摘要：预测是数据挖掘中的一项重要任务，是利用数据挖掘的知识来预测进一步或未知的结果的过程。它在各种应用，包括社会和医疗数据分析方面，都非常有成效。然而，预测并不是大多数现实世界应用的最终目标，而是决策和行动。为了采取行动，知识必须对因果关系进行编码，以暗示所审议系统的机制。本文介绍了最近为建立可解释的数据挖掘模型所做的努力。

Prediction is a major task in data mining, and it is a process to utilize the knowledge mined from data to predict further/unknown outcomes. It has been extremely productive in various applications, including social and medical data analyses. However, prediction is not the ultimate goal in most real-world applications, but rather the decision making and action. In order to be acted on, the knowledge must encode causal relationships to imply the mechanisms of the systems under consideration. This talk introduces recent efforts to build causally interpretable data mining models.