会议时间：2022年4月13日（周三） 15:00—17:00

参会人员：信息科学与工程学院科研团队全体教师，并欢迎广大师生参加。

会议形式: 腾讯会议：770-861-595

会议简介：

报告1：JL-DCF: RGB-D显著物体检测的联合学习与密集协作融合框架

报告人：潘文文

报告时间：15:00-15:20

内容简介：基于孪生网络，通过联合学习（JL）和密集协作融合（DCF），从RGB和深度输入中进行学习，用于显著物体检测，应用在物体分割和识别、图像/视频压缩、图像编辑、图像检索等任务中，为挖掘跨模态互补性任务提供启示。

报告2：网络药理学及其应用

报告人：宋丹

报告时间：15:20-15:40

内容简介：网络药理学以系统生物学和生物信息学为基础，通过对多层次生物网络进行参数分析，选择关键节点对药物分子进行设计，被广泛应用于筛选活性成分、预测药物靶点等领域，为药物作用机制和疾病的发病机制提供了研究的新角度。

报告3：时间序列中的因果检测

报告人：曹旨昊

报告时间：15:40-16:00

内容简介：基于经验动态建模理论分析复杂系统时间序列中相关性与因果关系的辩证关系，克服仅依靠相关性进行因果推论的缺陷，研究结论可应用于生态、金融、气象、医疗、化学等研究领域。

报告4：基于深度学习的虚拟筛选

报告人：孙晓飞

报告时间：16:00-16:20

内容简介：在药物虚拟筛选中，通过机器学习和深度学习预测先导化合物的活性和毒性，从数据丰富的靶点到数据贫乏的靶点信息进行迁移学习，在网络结构上进行改进，以适应样本稀少的药物数据集，解决药物及靶点数据的稀少和不平衡性方面存在的挑战。

报告5：基于马尔科夫决策的强化学习理论分析与研究

报告人：李增

报告时间：16:20-16:40

内容简介：强化学习的目标是在给定的场景下，更好的寻找出智能体在每种状态下所做的最优动作。马尔科夫决策在马尔科夫链的基础上引入了决策、动作、奖励、回报的概念，几乎所有的强化学习问题都可以被建模为马尔科夫决策过程。通过马尔科夫决策，研究智能体在垃圾回收这一活动中的状态流程，让其自主学习，自动完成垃圾回收工作。

报告6：基于对抗神经网络的缺失数据填补

报告人：贾继洋

报告时间：16:40-17:00

内容简介：基于数据清洗理论，应用生成对抗神经网络（GAIN）方法，针对电网平台汇集数据存在缺失的问题进行了研究。GAIN算法与平均值直接填充以及K-Means聚类算法相比，均方根误差RMSE的值减少了35% 和30%，较好的实现了电网平台缺失数据的填补。

信息科学与工程学院

2022年4月13日