题目：Learning an Explicit Sample Weighting Mapping for Robust Deep Learning

报告人：西安交通大学 孟德宇教授

报告摘要：现有深度学习方法的有效性依赖于对训练数据集的高质量要求，当训练集呈现蕴含复杂标记噪声、类别不均衡等数据偏差问题时，其有效性往往不能得以保证，这被称之为深度学习的鲁棒性学习问题。这一问题已经严重制约了深度学习在现实场景中的有效应用，是领域亟需面对的瓶颈问题。本报告将特别针对样本加权这一类典型的处理数据偏差的方法论展开讨论，介绍该方法论从针对少量数据偏差类型的传统手工赋权设定方法，如何演进到更为前沿的针对更多数据偏差类型的自动化赋权方法。特别地，将深入讨论在该方法论背后蕴含的元学习思想本质，挖掘其有效性理论内涵，从而揭示其可能对现实场景中复杂鲁棒深度学习问题的潜在泛化可用性。

报告人简介：孟德宇，西安交通大学教授，博士生导师，任大数据算法与分析技术国家工程实验室机器学习教研室负责人。发表论文百余篇，其中IEEE汇刊论文60余篇，计算机学会A类会议40篇，谷歌学术引用超过18000次。现任IEEE Trans. PAMI，Science China: Information Sciences等7个国内外期刊编委。目前主要研究聚焦于元学习、概率机器学习、可解释性神经网络等机器学习基础研究问题。

题目：Deep Learning in Non-Euclidean Space

报告人：西安交通大学 孙剑教授

报告摘要：The traditional deep networks are commonly defined in Euclidean space, either in the 3D / 2D image space or sequential data space. However, in realistic scenario, the data maybe irregular or distributed on manifold / graph. In such cases, the traditional deep network does not fully take advantages of the underlying data structure in non-Euclidean space. Along this research direction, in this talk, I will introduce the research backgrounds, advances in research on geometric deep learning approach in the non-Euclidean space, with applications to 3D object recognition, domain adaptation.

报告人简介：孙剑，西安交通大学数学与统计学院教授、博士生导师，国家杰出青年科学基金获得者，陕西省自然科学奖一等奖获得者。长期致力于图像分析与人工智能的数学基础与算法的研究。主要研究成果发表于IJCV, MIA, IEEE TIP, CVPR, NIPS, MICCAI等领域内著名国际期刊和会议，并担任权威国际期刊IJCV编委，重要国际会议ICCV/ECCV/MICCAI领域主席。曾在微软亚洲研究院、美国中佛罗里达大学、法国巴黎高师法国国家信息与自动化研究院等做博士后或访问学者。