2023年beat365正版唯一官网

信息技术研究生论坛（十九）

场次一、

时间：2023年9月25日（星期一）15:00-17:00

地点：beat365601教室

报告题目一：证据深度学习在医学领域的应用

报告人：王一铭

报告简介：不确定性在我们日常生活中广泛存在，即使在对精确性与可靠性要求较高的领域如医学中也是如此。在医学人工智能算法的研究中，不确定性的存在常常会导致各种问题，影响算法的准确性与可靠性，如何有效地量化与降低医学人工智能算法的不确定性是一个非常有意义的研究问题。证据深度学习（Evidential Deep Learning，EDL）是一种新型不确定性深度学习方法，它将深度学习算法的输出转化为高阶证据分布，能够高效量化偶然不确定性与感知不确定性，使得深度学习算法具备更好的鲁棒性和可解释性。证据深度学习的引入对于医学人工智能算法来说具有重要的意义，通过准确量化不确定性，医学人工智能算法可以更好地为医务人员提供决策支持，帮助他们做出更准确的诊断和治疗方案。此外，证据深度学习还能够提供算法的解释能力，使得医务人员更容易理解和接受算法的建议和结果。

报告题目二：基于癌症多组学数据的可信学习方法研究

报告人：李世源

报告简介：在癌症研究中，多组学数据可以提供更全面的生物信息，有助于揭示癌症的发生机制和辅助诊断。然而，多组学数据也存在一些挑战，例如不同样本或同一样本在不同组学之间的数据质量可能有很大的差异，导致不同组学对于同一样本的决策可能不一致或冲突。这种情况下，如何正确融合不同组学的决策，以提高最终决策的准确性和可靠性，是一个重要而困难的问题。本报告将介绍一种基于故障检测和置信度评估的可信学习方法，用于解决多组学数据背景下的分类任务。故障检测可以识别出那些可能产生错误或不确定决策的组学，从而排除其影响；置信度评估可以量化每个组学对于其决策的信心程度，从而加权其贡献。本报告将采用真实类概率（True Class Probability，TCP）作为置信度评估的指标，与常用的最大类概率（Maximum Class Probability，MCP）进行比较。TCP可以更自然地反映模型对于真实类别的判断能力，而MCP则容易出现过度自信的现象。本报告将展示该方法在癌症多组学数据上的实验结果，并探讨其在生物标志物筛选方面的潜在应用。

报告题目三：基于深度神经网络的多任务学习研究

报告人：黄力

报告简介：多任务学习通过同时使用多个任务的数据来训练机器学习模型，并利用共享表示学习相关任务之间的共同思想。这种方法提高了数据效率，可能加快了相关或下游任务的学习速度，有助于解决深度学习中的大规模数据和计算需求的问题。多任务学习反映了人类学习过程中的跨领域知识集成，在学习新事物时，会利用已有知识进行快速学习，这种能力依赖于抽象概念和知识的迁移。因此，开发能够执行这种过程的系统是多任务学习和元学习领域的目标。然而，多任务学习也存在困难。不同任务可能存在相互冲突的需求，提高一个任务的性能可能会损害其他任务的性能，这被称为负迁移或破坏性干扰。因此，最小化负迁移是多任务学习的关键目标。现有的多任务学习方法通常被分为硬参数共享和软参数共享两组。硬参数共享是在多个任务之间共享模型权重，以联合最小化多个损失函数。软参数共享则是为不同任务的模型添加任务间距离，并将其纳入联合目标函数中。除此之外，还有任务关系学习，专注于学习任务之间关系的表示方法。

报告题目四：基于元迁移学习的小样本医学影像方法研究

报告人：黄元祥

报告简介：医学影像分析是一种利用机器学习技术对医学影像进行分析和处理的方法，它可以帮助医生进行诊断、预测和治疗。然而，医学影像分析面临着一个重要的挑战，就是数据的小样本问题。由于医学影像的获取成本高、隐私敏感、标注困难等原因，很难获得大量的高质量的医学影像数据，这导致了模型的过拟合、泛化能力差、迁移能力弱等问题。为了解决这个问题，本报告提出了一种基于元迁移学习的小样本医学影像学习方法。元迁移学习是一种结合了元学习和迁移学习的机器学习框架，它可以利用多个源域的数据来快速适应目标域的少量数据，从而提高模型的泛化能力和迁移能力。迁移学习是旨在将已学习的知识应用于新任务中，而元学习则关注如何从少量样本中快速学习新任务。结合这两种方法，基于元迁移学习的研究可在小样本场景下具有巨大潜力，尤其是在医学影像任务中，可为临床医生提供更准确、高效的辅助诊断手段。本报告旨在介绍一种基于元迁移学习的小样本医学影像方法，以便在医学影像数据稀缺的情况下，有效地解决分类、分割或检测等任务。通过构建合适的元学习模型和迁移策略，我们可望在具有挑战性的小样本医学影像数据集上实现优越的性能。