ku111net议时间：2022年11月02日（周三）14:00—16:00
参ku111net人员：信息科学与工程学院科研团队全体教师，欢迎广大师生参加。
ku111net议地点: 理工楼2120
报告1：联邦学习数据异构的危害与解决
报告人：刘天
报告时间：14:00-14:30
内容简介：由于联邦学习能够有效打破单机机器学习的数据壁障，其而逐渐成为一种新兴的分布式机器学习范式。但是，真实物联网环境中各设备所采集数据的异构性ku111net导致联邦学习模型训练过程中“权重发散”的现象，这可能ku111net导致严重的安全隐患。因此，如何在不引入大量的通信开销且保证数据隐私安全的情况下，提升面向数据异构的联邦学习算法性能是现阶段联邦学习在物联网场景应用所亟待解决的关键问题。
报告2：基于对比学习的去偏无监督句子表示
报告人：孟凡擎
报告时间：14:30-15:00
内容简介：针对已有工作获取负例存在的“假负例”和“各向异性表示”等问题，提出了一种去偏的对比学习框架，惩罚了可能的假负例，同时基于噪声所生成的负例缓解了表示各向异性带来的影响。
报告3：灰色理论在图像边缘检测中的应用
报告人：贾丽娜
报告时间：15:00-15:30
内容简介：边缘检测是图像分割、特征提取、目标识别与分析理解的基础，利用经典的边缘检测算法得到的检测结果易受噪声影响，有时不能准确判断边缘的存在及边缘的准确位置。灰色理论是探究客观世界中普遍存在的不确定性现象的一种新兴理论。而边缘检测是灰色理论在图像工程中应用最为活跃的技术之一。基于灰色理论进行边缘检测，具有定位准确、抗噪性能好等优点。本次报告主要介绍灰色理论在图像边缘检测中的研究现状，以及灰色预测模型与传统图像处理方法相结合的应用研究。
报告4：非线性系统稳定基础
报告人：李学辉
报告时间：15:30-16:00
内容简介：本报告对比非线性系统与线性系统的相同点和不同点，对系统的稳定性进行分析，对涉及到的非线性系统稳定性的相关概念进行详细解释。给出判断非线性系统稳定的经典方法，并证明该方法的正确性。并对此方法的使用方式、使用环境进行分析，给出此方法的难点与解决办法。
科技处
信息科学与工程学院
2022年10月21日
检索
鲁公安网备37040002002001号