讲座题目：基于叠熵（Zentropy）的特征选择算法研究

讲座时间：2026年4月19日（星期日） 上午10:00-12:15

讲座地点：西南交通大学东部校区C4-0303 国际学术报告厅

主讲人：苗夺谦教授

主讲人简介：

       苗夺谦，博士、IRSS /CAAI Fellow。现任同济大学计算机科学与技术学院二级教授、博士生导师；嵌入式系统与服务计算教育部重点实验室副主任。连续入选全球前2%顶尖科学家榜单。主要研究领域包括：机器学习、大数据分析、多模态大模型、脑认知/类脑计算、粒计算、粗糙集等。主持完成国家与省部级科研项目30余项，其中，国家自然科学基金多项，国家重点研发计划课题2项。发表SCI论文200余篇。获得中国人工智能学会吴文俊人工智能自然科学二等奖（第1完成人）（2018），以及其它省部级科技奖励一二等奖共6项。国家级一流专业“数据科学与大数据技术”创始负责人（2022），国家级一流本科课程2门，《人工智能原理与技术》负责人（2020）、《中文信息处理》（2023）。作为第二完成人，获得国家教学成果二等奖2项（2023、2010）。获得2010年度教育部-IBM中国优秀教师奖，2011年度宝钢教育优秀教师奖。担任/曾任国际粗糙集学会理事长、国家科技奖评审专家、国家基金委会评专家、中国人工智能学会常务理事/粒计算与知识发现专委会名誉主任、上海市人工智能学会副理事长、上海市计算机学会副理事长、上海市学位委员会计算机学科评议组专家；上海市计算机科学与技术专业教学指导委员会副主任。担任3个SCI国际期刊的副编辑（AE）。

报告摘要：

      特征选择是AI建模的重要研究内容之一，带噪声的特征选择（由于不确定性问题）是主要的挑战。Zentropy==Z+entropy 叠熵是不确定性的一种新的度量，我们率先把叠熵引入到特征选择研究领域。本报告将汇报本团队在特征选择研究方面的取得的阶段性成果。

讲座题目：大模型推理能力增强与可靠性度量

讲座时间：2026年4月19日（星期日） 上午10:00-12:15

讲座地点：西南交通大学东部校区C4-0303 国际学术报告厅

主讲人：胡清华教授

主讲人简介：

       胡清华，天津大学北洋讲席教授，中国人工智能学会会士，国家优青/杰青获得者。现任天津大学人工智能学院院长，研究生院副院长，兼天津市机器学习重点实验室主任、城市智能与数据治理教育部工程中心主任、中国人工智能学会粒计算与知识发现专委会主任，CCF智能机器人专委会副主任。从事大数据粒计算、多模态学习、不确定性建模和自主机器学习方面的研究，先后获得国家重点研发计划项目、国家自然基金重点项目、国家优青/杰青以及国防项目的资助。在IEEE TPAMI、IJCV、IEEE TKDE、IEEE TFS等期刊以及ICML、NeurIPS、CVPR、IJCAI、AAAI等会议发表论文400余篇，被引用50000余次。先后6次获得省部级一等奖。

报告摘要：

       大模型技术在科学发现、具身智能、智慧医疗等领域正在产生广泛和重要影响。尤其是大模型强大的推理（Reasoning）能力，使得其在解决复杂和开放问题方面展现出巨大潜能。然而，大模型的可靠性依然是影响其应用效果的关键瓶颈。本报告将探讨大模型推理能力增强、可靠性度量等问题，以期能为大模型更安全和高效的应用提供思路。

讲座题目：时空AI：人工智能进入物理世界的基础理论和关键技术

讲座时间：2026年4月19日（星期日） 上午10:00-12:15

讲座地点：西南交通大学东部校区C4-0303 国际学术报告厅

主讲人：郑宇教授

主讲人简介：

       郑宇教授（1979年-），IEEE Fellow、ACM Fellow、KDD China主席，国家“万人计划”科技创新领军人才、享受国务院特殊津贴专家，西南交大人工智能研究院院长，上海交通大学讲席教授。开辟了城市计算领域，论文被引用6.7万余次，H-Index 117，两次获得SIGKDD Test-of-Time Award（中国唯一）、四次获得SIGSPATIAL 10-Year-Impact-Award（全球唯一）。先后担任ACM TIST主编、ICDE 2014和CIKM 2016的程序委员会主席、国家重点研发计划项目首席科学家、总负责人，受邀在AAAI 2019等国际会议作大会主旨报告。2013年被MIT科技评论评为全球TR35，获得计算机学会科技进步一等奖（排1）、中国电子学会优秀博士论文导师奖两次（2022和2024）和首都劳动奖章。他开创了京东智能城市业务板块，主导了北京、雄安和南通等地的智慧城市建设，将城市计算理论应用于雄安新区，研发了全球首个智能城市操作系，经国家批复，雄安的智能中枢以“雄安城市计算中心”命名。

报告摘要：

       人工智能技术在虚拟世界取得了突破性进展，但在物理世界的成功案例还比较稀少。物理世界的行为和现象是以时间和空间为基准维度来进行观测，以时空数据为主要描述。要进入物理世界，人工智能技术首先需要理解时空约束、物理规律和世界的运行法则，并考虑人在其中的因素。其次，物理世界数据采集成本高，观测不充分、数据严重不足。最后，人工智能技术需要跟行业知识紧密结合，甚至需要熟悉多个领域，才能实现跨域数据融合。当前的人工智能理论和技术（例如大语言模型）无法应对以上问题。本报告介绍时空AI的定义、面临的挑战、解决思路、发展历程、关键技术和典型案例，充分理解和利用时空数据特性，为人工智能进入物理世界提供基础理论和关键技术。