12月19日下午，目前就读于新加坡管理大学博士后的晁国清学者，现任教英国兰卡斯特大学讲师的阮文杰学者以及在美国内华达大学-里诺分校担任助理研究员的王刚学者在西南大学计算机与信息科学学院一楼学术报告厅为计算机与信息科学学院师生分别作了题为“多视图最大熵判别的研究进展”、“深度学习的安全性测试与验证”和“非线性多智能体系统的分布式控制及其应用”的专题报告，来自学院的百余名师生聆听报告。

晁国清学者的研究兴趣包括机器学习，数据挖掘，医疗信息，生物信息，先后在美国康涅狄格大学，西北大学以及新加坡管理大学做博士后，已在多个期刊会议发表论文十余篇，常年担任十余个会议期刊审稿人。本次报告介绍了晁国清学者博士期间提出参与的5种多视图最大熵判别学习方法。生成式学习和判别式学习是机器学习中最基本的两种学习范式，前者的杰出代表是图模型后者的杰出代表是支持向量机。最大熵判别基于最大熵和大间隔原理，是生成式学习和判别式学习成功结合的典范。此外，多视图广泛存在于机器学习及现实应用当中, 如何把最大熵判别和多视图学习结合起来具有很强的理论意义和应用价值。

阮文杰学者的主要研究方向是深度学习的安全性及鲁棒性，普适计算和机器学习在物联网和智慧医疗中的应用。阮文杰目前已经发表高水平文章30余篇，其中等顶级期刊和会议10余篇，并多次获得优秀海报奖和最佳学生论文奖，其博士论文获得阿德莱德优秀博士论文。他还担任多个顶级期刊及会议的程序委员会委员，并作为主力开发和维护深度学习的安全验证与测试工具的开源软件。其已经指导多名本科生、硕士生毕业设计和博士生，并取得优秀毕业设计等很好的成果。在这次报告中，阮文杰学者介绍了其在牛津大学和兰卡斯特大学做的关于深度神经网路安全性和鲁棒性相关的一系列工作，重点介绍了如何通过研究深度学习模型的利普希茨连续性来实现对深度网络的可达性问题的研究。用一个利普希茨连续函数来逼近深度神经的输出值的上界和下界，从而实现对其输出可达状态的计算。和其他现有的验证方法相比较，此方法展示出了高效性，可扩展性和能够处理更广泛网络类型的能力。

王刚学者主要从事非线性系统控制理论及其在机器人应用方面的研究工作。已发表研究论文30余篇，其中第一作者SCI期刊论文12篇。在蛇形机器人控制方面的论文获得AIM 2019最佳论文提名奖。担任Automatica、IEEE Transactions on Industrial Electronics等9个国际期刊审稿人及国际机器人领域顶级会议ICRA和IROS审稿人。本次报告中，王刚学者主要分享了在不利用多智能体系统的通讯拓扑等条件下，设计分布式控制算法，实现非线性多智能体系统一致的工作，以及在有环境约束下，多个旋翼机协同控制方面的应用。群体行为普遍存在于自然界中，从鱼群编队共同抵御外敌到蚁群合作搬运重物，都是一种典型的群体行为。在这些群体行为中，个体能力有限，而群体却表现出强大的力量。群体合作常常可以完成单个个体无法胜任的任务。把群体中单个可以根据自身所处环境以及周围邻居信息做出决策的个体称为一个智能体，那么这样的群体就可以抽象成一个多智能体系统。

本次报告的内容有助于我院师生对多视图和深度学习以及智能系统方面的研究有更深层次了解，激发同学们对学术的热情，也为相关领域的同学指明了一个方向，参会师生都收获颇丰。

供图/供稿 罗红梅 韩双杨 审核老师 苗宗霞