报告题目：深度随机配置网络基本理论与学习算法
报告人：Justin Wang（王殿辉） 教授
主持人：杨飞生副教授
报告时间：2020年12月12日（周六）早上9:00-10:00
报告地点：腾讯会议ID 268 514 934
报告简介：工业大数据建模中除了要求建模的有效性之外，对建模的实时性要求是难以回避的。目前，传统的机器学习模型和学习算法很难或根本无法应用在工业问题的解决方案中，从而导致工业人工智能技术受到很大程度上的限制。针对这样棘手的技术难题，我们在2017年首次提出了深度随机配置网络（Deep Stochastic Configuration Networks）的概念，目的是为处理复杂工业大数据分析提供有效工具。DeepSCN在结构上与桥式多层感知机一致，但它是通过递增式学习构造的随机神经网络模型，其中的随机权值和阈值必须在约束条件下选取，从而从理论上保证了所导致的随机学习模型具有万有逼近性质（学习误差为零）。本报告介绍相关的基本理论结果和相关的学习算法，并用可视化的方法展示了随机配置网络与其它随机学习模型的本质区别和优越性。比较流行的深度学习算法，随机配置算法在学习速度方面具有绝对优势，对进一步发展和实践工业人工智能技术具有重要意义。
报告人简历：
王殿辉教授，1995年3月获东北大学工业自动化专业博士学位，1995-1997在新加坡南洋理工大学电子工程学院做博士后研究工作，1998-2001在香港理工大学计算学系研究员，目前主要从事机器学习，数据挖掘和图像处理方面的研究工作。2001年7月至2020年12月澳大利亚La Trobe大学计算机科学与信息技术系从事教学与科研工作。现为东北大学流程工业综合自动化国家重点实验室特聘教授，博士生导师。主要研究方向：面向工业大数据的机器学习理论及其在过程工业数据建模、智能传感系统设计、能源工程中的应用研究。发表在IEEE TAC和IFAC Automatica等期刊会议研究论文230余篇，技术发明专利1项（深度随机配置网络）。目前是IEEE高级会员，现任《IEEE Transactions on Fuzzy Systems》、《IEEE Transactions on Cybernetics》、《Information Sciences》等多个国际期刊的副主编。
