特邀报告

潘云鹤院士

 个人简介：潘云鹤  中国工程院院士、浙江大学教授。原中国工程院常务副院长、浙江大学校长。兼任国务院学位委员会委员、国家教   材委员会委员、国家新一代人工智能战略咨询委员会组长、中国人工智能产业发展联盟理事长、中国创新设计产业战略联盟理事长、中   国发明协会理事长、中国战略性新兴产业发展专家咨询委员会副主任、中国图象图形学学会名誉理事长等职。

 潘云鹤是中国智能CAD和计算机美术领域的开拓者之一。他长期从事人工智能、计算机图形学、CAD和工业设计的研究，在计算机美   术、智能CAD、计算机辅助产品创新、虚拟现实和数字文物保护、数字图书馆、智能城市和知识中心等领域，承担过多个重要科研课   题，创新性地提出跨媒体智能、数据海、智能图书馆、人工智能2.0、视觉知识等概念，发表多篇研究论文，取得了一系列重要研究成   果，多次获得国家科技奖励。

报告题目： 大数据智能

报告摘要：随着互联网和大数据的发展，信息空间(C)成为重要的一极，促使世界从由人类社会（H）、物理世界（P）所构成的二元空间转为三元空间。信息空间的演进从多个角度推动了科技与产业的变革：新计算——建立在新老空间的互动CH、CP之上的AI2.0；新通道——给科学、技术、经济社会的研究与发展提供了新途径、新方法、新产品、新模式；新门类——开辟了认识复杂巨系统的新路，如城市运行系统、环境生态系统、健康医疗系统等。数据形式与应用目标的不同，推动了不同知识的表达。非结构化数据的进一步细分和应用的深入，会不断推动新的知识表达技术的诞生。相信多种知识的协同使用，能提高系统的智能水平。

杨强教授

 杨强，微众银行首席人工智能官，香港科技大学计算机与工程系讲座教授和前系主任，第四范式公司联合创始人，AAAI-2021大会主   席，国际人工智能联合会IJCAI理事会前主席，香港人工智能与机器人学会理事长，华为诺亚方舟实验室首任主任，ACM TIST 和   IEEE TRANS on BIG DATA创始主编，CAAI, AAAI, ACM, IEEE, AAAS等多个国际学会的Fellow。领衔全球迁移学习和联邦学习研究及   应用，著述包括《迁移学习》，《联邦学习》等。

【报告题目】数据孤岛：AI向善与联邦迁移学习

【报告摘要】「AI 向善」是一个重大的议题，是当今社会要聚焦的对 AI 系统至关重要的数据治理问题。目前存在的普遍数据治理问题是：数据越多，AI 系统的表现就越好，而这样的话就会造成数据和 AI 的寡头，例如 Google 以及国内的 BAT 等大公司，拥有巨量的数据。而与之相对的则是小公司所面临的小数据场景，例如法律、金融、医疗大部分应用场景都存在小数据和「数据孤岛」的问题。如何解决这些问题是学术热点，对于社会有着重要的意义。杨强教授将从技术层面上提出针对这些问题的解决方案并向我们介绍加密的分布式机器学习技术：联邦迁移学习。

郭毅可院士

 个人简介：郭毅可院士是世界知名的数据科学家，他自1995年以来从事数据挖掘和机器学习领域的工作。研究重点为大规模科学应用的数   据挖掘，包括用于生物、化学、地球物理、医学、卫生保健、环境和安全等应用领域的分布式数据挖掘方法、机器学习和信息系统、郭毅可   院士是英国计算机界主持科研项目最多的科学家之一，在数据科学与精准医学专业领域中有20多年的科学研究、人才培养及应用开发经验，   获得英国工程和物理科学基金委员会、英国国家医学研究委员会和欧盟基金会等逾1.4亿英镑的科研经费，其中1/3以上的项目为项目主持   人，总金额超过5000万英镑。具有极为丰富的组织数据科学工程技术和多学科交叉大规模科研项目的经验和领导国际一流科研机构的能力。

 在数据科学工程技术方面，郭毅可院士在1995年首先提出的mapreduce计算模式，这在后来成为大数据发展中的重要概念。他在2000年提   出并实现的KDE大数据分析工作流，是第一个基于互联网的分布式数据挖掘系统，是后来基于云计算的大数据分析和管理系统的雏形。主持   并完成了英国六大e-Science 项目之一的“发现网”（Discovery Net）,该项目实现了世界上第一个基于网格的大数据集成化分析平台。近   年来，他在云计算平台和数据科学技术与工程上的研究成绩斐然，在2015年建立了欧洲最大的数据可视化分析平台GDO（全球数据观测   站），在2016年发布了Tensorlayer机器学习应用开发平台，并于2017年获得美国ACM多媒体专委会的年度最佳开源软件奖，这些工作都在大数据领域的研究中有重要的影响力。

报告题目：Why we need interdisciplinary efforts to build the "telescope" in leveraging social media analytics?

报告摘要：Big social media data-driven knowledge is an advancing research front that assembles researchers of various disciplines.  The explosive growth of social media platforms and recent advances in deep learning have brought a new set of opportunities and challenges. Despite the new sources of big social data, many of the research endeavors are typically carried out with narrow aims. The field of social media analytics is inherently collaborative. This talk will address the innovative integration of computational and behavioral approaches to the research field of social media analytics, which range from the incorporation of Citizen Science as a participatory method of enquiry to the blending of big and thick data for analytical complementarity. These examples of cross-disciplinary research endeavors will shed light on the current status and future trends of social media analytics research. It is also important to recognize that discrete disciplinary approaches have developed their own methods and ethics in terms of data use and sharing. This talk will thus discuss different perspectives surrounding the traditional questions of consent and privacy and the emerging issues of data fairness and algorithmic manipulation across the disciplines. As fields such as computer science have become common actors in human subjects research, the discussion of how data are used and how they can potentially be used is important to ensure social media analytics researchers across different disciplines working within appropriate norms and methods.