光華講壇——社會(huì)名流與企業(yè)家論壇第6596期
主題：Efficient Surgical Tool Recognition via HMM-Stabilized Deep Learning——Wise Integration of Statistical Learning and Deep Learning may Make a Difference通過(guò)HMM穩(wěn)定深度學(xué)習(xí)高效識(shí)別外科工具——統(tǒng)計(jì)學(xué)習(xí)與深度學(xué)習(xí)的明智融合或許有所不同
主講人：清華大學(xué) 鄧柯副教授
主持人：西南財(cái)經(jīng)大學(xué) 常晉源教授
時(shí) 間：10月13日 14:00—15:00
舉辦地點(diǎn)：西南財(cái)經(jīng)大學(xué)光華校區(qū)光華樓1003會(huì)議室
主辦單位：數(shù)據(jù)科學(xué)與商業(yè)智能聯(lián)合實(shí)驗(yàn)室 統(tǒng)計(jì)學(xué)院 科研處
主講人簡(jiǎn)介：
鄧柯是清華大學(xué)統(tǒng)計(jì)學(xué)研究中心長(zhǎng)聘副教授，主要從事統(tǒng)計(jì)學(xué)理論和方法的研究，并致力于推動(dòng)數(shù)據(jù)科學(xué)與生物醫(yī)學(xué)、人工智能、人文社科的交叉。他2008年獲得北京大學(xué)統(tǒng)計(jì)學(xué)博士學(xué)位，同年進(jìn)入哈佛大學(xué)統(tǒng)計(jì)系從事研究工作，歷任博士后、副研究員，2013年加入清華大學(xué)工作至今。2014年入選國(guó)家高層次人才計(jì)劃青年項(xiàng)目，2016年獲“科學(xué)中國(guó)人年度人物”榮譽(yù)稱(chēng)號(hào)，2018年受聘北京智源人工智能研究院擔(dān)任數(shù)理基礎(chǔ)方向的“智源研究員”。他在統(tǒng)計(jì)學(xué)、數(shù)據(jù)科學(xué)知名期刊和會(huì)議發(fā)表論文五十余篇，主持多項(xiàng)國(guó)家自然科學(xué)基金、國(guó)家社科基金及北京市自然科學(xué)基金項(xiàng)目。他在中文文本分析和數(shù)字人文方面的研究工作獲得獲國(guó)際華人數(shù)學(xué)家大會(huì)（ICCM）和中國(guó)數(shù)字人文大會(huì)的最佳論文獎(jiǎng)，他在生物信息學(xué)方面的研究工作獲得教育部高?？茖W(xué)研究?jī)?yōu)秀成果獎(jiǎng)自然科學(xué)獎(jiǎng)一等獎(jiǎng)。他是國(guó)際計(jì)算統(tǒng)計(jì)學(xué)會(huì)亞太地區(qū)分會(huì)理事、中國(guó)現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)計(jì)算統(tǒng)計(jì)分會(huì)理事長(zhǎng)、中國(guó)青年統(tǒng)計(jì)學(xué)家協(xié)會(huì)副會(huì)長(zhǎng)、中國(guó)人工智能學(xué)會(huì)智慧醫(yī)療專(zhuān)業(yè)委員會(huì)副主任委員、國(guó)家抗腫瘤藥物臨床應(yīng)用專(zhuān)家委員會(huì)委員，還擔(dān)任國(guó)際統(tǒng)計(jì)學(xué)雜志Statistica Sinica副主編，以及《數(shù)字人文》、《應(yīng)用概率統(tǒng)計(jì)》、《應(yīng)用數(shù)學(xué)與力學(xué)》、《統(tǒng)計(jì)與精算》等期刊的編委。
內(nèi)容簡(jiǎn)介：
The great success of large deep learning models in various applications in recent years have encouraged many researchers to seek improved performance by utilizing larger models and bigger data in practical problems involving unstructured data, leading to increasingly obvious psychological implications to pursuit large models everywhere. However, the fundamental principle of statistical modelling tells us that an over-flexible large model without a clear focus on the unique features of the problem of interest would often lead to inefficient utilization of data and sub-optimal results. In this talk, we will provide an example, in the context of surgical tool recognition, that complex deep learning models can be defeated by simple statical approaches once we can wisely integrate statistical learning and deep learning. We hope this study could inspire more research efforts on developing advanced statistical models and approaches for analyzing complex unstructured data.
近年來(lái)，大規(guī)模深度學(xué)習(xí)模型在各種應(yīng)用中取得的巨大成功鼓勵(lì)了許多研究人員通過(guò)利用更大的模型和更多的數(shù)據(jù)來(lái)提高性能，特別是在涉及非結(jié)構(gòu)化數(shù)據(jù)的實(shí)際問(wèn)題中，追求大模型已經(jīng)變得越來(lái)越明顯。然而，統(tǒng)計(jì)建模的基本原則告訴我們，一個(gè)過(guò)于靈活的大型模型，如果沒(méi)有清晰地關(guān)注問(wèn)題的獨(dú)特特征，往往會(huì)導(dǎo)致數(shù)據(jù)的低效利用和次優(yōu)結(jié)果。這次講座將以外科工具識(shí)別為例，展示了一旦我們能夠明智地將統(tǒng)計(jì)學(xué)習(xí)與深度學(xué)習(xí)相結(jié)合，復(fù)雜的深度學(xué)習(xí)模型就可能被簡(jiǎn)單的統(tǒng)計(jì)方法擊敗。希望這項(xiàng)研究能夠激發(fā)更多關(guān)于開(kāi)發(fā)高級(jí)統(tǒng)計(jì)模型和方法來(lái)分析復(fù)雜非結(jié)構(gòu)化數(shù)據(jù)的研究工作。
