北京智源人工智能研究院（简称“智源研究院”）是落实“北京智源行动计划”的重要举措，是在科技部和北京市委市政府的指导和支持下，由北京市科委和海淀区政府于2018年11月推动成立的新型研发机构。

为支持科学家勇闯人工智能科技前沿“无人区”，挑战最基础的问题和最关键的难题，推动人工智能理论、方法、工具、系统和应用取得变革性、颠覆性突破，智源研究院先后成立了「人工智能的数理基础」、「机器学习」、「智能信息检索与挖掘」、「智能体系架构与芯片」、「自然语言处理」、「人工智能的认知神经基础」等六个重大研究方向。

「人工智能的数理基础」重大方向，以北京大学张平文院士牵头，分别来自北大、清华、中科院的12位学者，围绕当前人工智能面临的可计算性、可解释性、泛化性、稳定性的重大理论挑战，以期打破基于计算机实验和神经科学的人工智能管用建模范式，建立以数学与统计理论为第一原理的新一代人工智能方法论。

为促进该领域最前沿研究在国内广泛、快速地传播，以及提供学科交叉碰撞的平台，智源研究院「人工智能的数理基础」方向的诸位学者将不定期邀请世界范围内的顶尖学者进行系列前沿报告。

作为首期报告，我们分别邀请了深圳光启高等理工研究院副院长季春霖、上海科技大学副教授/研究员廖奇峰、上海纽约大学终身助理教授凌舒扬，就其最新研究做报告讲解。

时间形式

1. 会议时间：2021年3月31日14:00-17:00

2. 活动形式：腾讯会议（ID ：892 217 747）

活动日程（勘误：下表中为“前沿系列报告第三期”）

会议详情

报告一

报告主题：复杂曲线的统计建模及其工业应用

报告人：季春霖

个人简介：季春霖博士，深圳光启高等理工研究院副院长，大数据与人工智能首席科学家, 正高级工程师。2006年获英国剑桥大学硕士，2009年获美国杜克大学统计学博士，曾任美国哈佛大学统计系博士后研究员。2010年回国与合作者共同创立了深圳光启高等理工研究院，担任研究院副院长，从事科技产业创新和统计方法工程应用的科研工作。担任中国统计学会常务理事，中国统计研究会计算统计分会常务理事，深圳市统计学会副会长，深圳市数据科学与建模技术重点实验室主任等。

报告摘要：函数型数据处理是统计建模方面一个有挑战性的工作。在很多工程问题的参数设计中，我们对给定的设计点进行有限元分析和模拟，通常所得到的响应是复杂的函数曲线，如本文主要探讨的超材料设计的响应曲线是一个随频率变化的多谐振的曲线。传统的多项式或样条代替模型不适合处理这种谐振曲线的拟合。我们提出了一些半物理模型，将曲线分解为一些有“物理”意义的项，获得了高精度的曲线拟合。并且得到了一种对这类复杂曲线的有效的回归分析方法。同时针对曲线之间距离度量这一工程设计问题，我们引入了最佳输运方法和Wasserstein距离，提出了一种对曲线均值和变化范围的度量的方法，可以对这类曲线进行有效的不确定性量化分析，参数校验和逆向设计。深度学习方法的发展为复杂曲线拟合和材料设计带来了新的机遇，我们探索了利用条件变分推断网络实现由函数曲线直接预测微结构拓扑，已经取得初步成效，为函数型数据分析和处理带来了新的方法。仿真研究表明了上述方法的有效性。

报告二

报告题目：Flow-based domain-decomposition approaches for uncertainty quantification

报告人：廖奇峰

个人简介：廖奇峰博士，廖奇峰于2010在英国曼彻斯特大学数学学院获得数值计算博士学位，分别于2007年和2006年获得曼彻斯特大学数学学院硕士学位和四川大学数学学院学士学位。2011年1月至2012年6月，在美国马里兰大学计算机系从事博士后研究工作；2012年7月至2015年2月，在美国麻省理工学院航空航天系从事博士后研究工作；2015年3月，作为助理教授/研究员加入上海科技大学信息科学与技术学院；2021年2月至今，任上海科技大学信息科学与技术学院副教授/研究员。

报告摘要：The domain decomposition uncertainty quantification method (DDUQ) provides a decomposed strategy to conduct uncertainty analysis for complex engineering systems governed by PDEs. In DDUQ, uncertainty analysis on each local component is independently conducted in an "offline" phase, and global uncertainty analysis results are assembled using precomputed local information in an "online" phase through importance sampling. The performance of DDUQ relies on the coupling surrogates and probability density estimation during the importance sampling procedure. Since coupling surrogates can give high-dimensional interface parameters, we in this work develop flow based interface coupling strategy, which dramatically improve the efficiency of DDUQ.

报告三

报告主题：Solving orthogonal group synchronization on networks via spectral methods and optimization

报告人：凌舒扬

个人简介：Shuyang Ling is currently a tenure-track Assistant Professor of Data Science at New York University Shanghai and NYU Global Network Assistant Professor. From 2017 to 2019, he was an Assistant Professor/Courant Instructor at Courant Institute of Mathematical Sciences (CIMS) and Center for Data Science. He received his PhD in Mathematics at University of California, Davis, supervised by Prof. Thomas Strohmer in 2017. His research broadly focuses on the mathematics of data science and machine learning: solve fundamental mathematical and algorithmic problems arising from data science with tools from optimization, random matrix theory, computational harmonic analysis, spectral graph theory, and statistics.

报告摘要：Group synchronization aims to recover the group elements from their noisy pairwise measurements. It has found numerous applications in community detection, clock synchronization, and joint alignment problem. In this talk, we will focus on the orthogonal group synchronization which is often used in cryo-EM, computer vision, and multiple point clouds registration. However, it is generally NP-hard to retrieve the group elements by finding the least squares estimator. We will introduce three different classes of approaches to tackle the orthogonal group synchronization: spectral methods, convex relaxation, and efficient nonconvex method such as Burer-Monteiro factorization and power method. We will discuss several aspects of theoretical and algorithmic advances (a) when do simple spectral methods work? Is it optimal in terms of information theoretical limits? (b) when is convex relaxation tight, i.e., the solution from convex relaxation is exactly the global optimal solution; (c) when does nonconvex approach work? We will understand how the random optimization landscape depends on the signal-to-noise ratio. Numerical experiments will be provided to complement our analysis and future directions will be discussed.